本發明涉及分布式光纖傳感，具體涉及一種半監督das事件檢測方法與系統。

背景技術：

1、基于相敏光時域反射計(-otdr)的分布式光纖聲波傳感(distributed?fiberacoustic?sensing，das)技術，具有能夠提供長距離、高分辨率的聲學信號監測，連續大范圍檢測，以及定位作用于傳感光纖上的聲信號、靈敏度高、響應快等優點，引起了人們的密切關注并得到廣泛應用。

2、das系統通過分析光纖中傳播的光信號變化，能夠檢測和定位沿光纖路徑發生的事件，如入侵、振動或溫度變化等。利用廣泛鋪設的地下通信電纜，可以高靈敏度和高精度地感測和定位各種振動源，因此das系統已在各種地底和地面監聽中應用，例如海底地震活動的自然災害預測、火山事件和地震、石油和天然氣工業中的能源勘探以及能源輸送管道中的民用基礎設施安全監測、鐵路、周界安全以及城市地下結構的安全監測等。

3、近年來，隨著人工智能技術的不斷發展，基于深度學習的安全威脅事件檢測技術也不斷涌現，大量研究表明，基于深度學習方法構建的模型在安全威脅事件檢測問題中能夠取得良好的性能。但是在實際應用中，由于das監測范圍廣、分辨率高，獲取大量標注的das數據非常耗時，獲取足夠的標記樣本以用于訓練深度學習模型在實際應用中往往是不切實際的。而半監督學習可以利用大量無標注數據來提高模型的性能，半監督學習是一種結合了監督學習和無監督學習優點的機器學習策略，它通過利用少量的標注數據和大量的無標注數據來降低數據標注的成本，同時提高模型的泛化能力和預測準確性。這種方法特別適用于那些獲取大量標注數據成本高昂或耗時的場景，如醫療診斷、自然語言處理和圖像識別等領域。半監督學習的優勢在于它能夠更有效地利用數據，減少對標注數據的依賴，提高數據使用效率，增強模型的魯棒性，并在大數據時代中保持模型性能的擴展性。通過這種方法，模型可以更好地理解和預測數據的內在結構和關系，從而在實際應用中提供更準確、更可靠的結果。

技術實現思路

1、為解決上述技術問題，本發明提供一種半監督das事件檢測方法與系統。

2、為解決上述技術問題，本發明采用如下技術方案：

3、一種半監督das事件檢測方法，所采用的das事件檢測模型包括核心事件檢測網絡，以及由核心事件檢測網絡構成的學生網絡和教師網絡；核心事件檢測網絡包括骨干網絡、頸部網絡和檢測頭；

4、學生網絡和教師網絡組成半監督架構進行訓練：學生網絡利用有標注的das數據進行訓練，通過反向傳播更新可學習權重，并應用指數移動平均逐步更新教師網絡；教師網絡對弱增強的無標注的das數據進行預測，預測高于設定的事件分類置信度閾值的結果作為das事件分類偽標簽加入訓練，以在無標注的das數據上訓練das事件分類分支，迭代更新學生網絡的權重；預測低于設定的區間回歸方差閾值的結果作為das事件偽區間標簽，以在無標注的das數據上訓練區間das事件回歸分支，迭代更新學生網絡的權重；通過監督損失、das事件分類偽標簽的分類損失和das事件偽區間標簽的回歸損失對學生網絡進行優化，教師網絡的參數僅由學生網絡通過指數移動平均更新；

5、將das數據依次經過骨干網絡進行特征提取，將得到的特征圖通過頸部網絡的上采樣以及特征融合得到初步的預測結果，最后通過檢測頭的das事件分類分支和das事件回歸分支分別得到最終的das事件分類預測結果和das事件定位預測結果。

6、進一步地，通過搭建分布式光纖傳感數據采集平臺，獲取das事件的監測信號，得到所述das數據。

7、進一步地，所述將das數據依次經過骨干網絡進行特征提取，具體包括：

8、das數據經過下采樣操作n1輸出特征圖組c1，c1依次經過多個特征融合下采樣操作n2輸出特征圖組c2、c3、c4，c4經過卷積注意力融合操作n3輸出特征圖組c5。

9、進一步地，下采樣操作n1由一維卷積層conv1d、批量歸一化batchnorm1d和激活函數silu組成；特征融合下采樣操作n2由下采樣操作n1以及分割操作split、拼接操作concat、相加操作add構成；卷積注意力融合操作n3由下采樣操作n1、最大池化層maxpooling、注意力模塊attention、前饋神經網絡ffn組成。

10、進一步地，所述將得到的特征圖通過頸部網絡的上采樣以及特征融合得到初步的預測結果，具體包括：

11、特征圖組c5經過上采樣操作n4與特征圖組c4按通道合并后，經過特征融合n5輸出特征圖組f4，f4經過上采樣操作n4與特征圖組c3按通道合并后，經過n5輸出初步的預測結果p3，p3經過下采樣操作n1后與f4按通道合并，并經過n5輸出初步的預測結果p4，p4經過下采樣操作n1后與c5按通道合并，并經過特征融合n5輸出初步的預測結果p5。

12、進一步地，所述特征融合操作n5由一維卷積層、批歸一化和silu激活函數以及分割操作、拼接操作、相加操作構成。

13、進一步地，所述通過檢測頭得到最終的事件分類預測結果和事件定位預測結果，具體包括：

14、初步的預測結果p3、p4、p5分別經過多維卷積與復合損失優化操作n6，得到最終的事件分類預測結果和事件定位預測結果；多維卷積與復合損失優化操作n6由下采樣操作n1、深度可分離卷積dwconv以及iou損失、分布焦點損失、二元交叉熵損失bce組成。

15、進一步地，所述通過監督損失、das事件分類偽標簽的分類損失和das事件偽區間標簽的回歸損失對學生網絡進行優化，教師網絡的參數僅由學生網絡通過指數移動平均更新，具體包括：

16、將有標注的das數據進行弱增強處理后輸入學生網絡，進行有監督訓練，并計算監督損失ls；

17、

18、其中，表示第θ個有標注的das數據，是das事件分類標簽的分類損失，是das事件區間標簽的回歸損失；

19、將無標注的das數據分別經過強增強處理和弱增強處理，弱增強處理的das數據輸入教師網絡進行預測，對于預測高于設定的事件分類置信度閾值的結果作為das事件分類偽標簽，計算無標注的das數據的分類損失

20、

21、其中，第i個無標注的das數據，表示對應的教師網絡生成的用于分類的das事件偽標簽；

22、對于預測低于設定的區間回歸方差閾值的結果作為das事件偽區間標簽，計算無標注的das數據的回歸損失

23、

24、其中表示對應的教師網絡生成的用于回歸的das事件偽區間標簽；

25、最終獲得總的無監督損失

26、

27、在訓練階段的每次迭代中，學生網絡都通過ls和lu加權融合構成的總損失l進行優化：

28、

29、λu為控制無監督損失貢獻的參數；

30、教師網絡的參數則由學生網絡通過指數移動平均更新，將有權重為θs的學生模型ms和權重為θt的教師模型mt，θs和θt之間的指數移動平均更新過程如下：

31、

32、其中上標i表示訓練期間的第i次迭代，α表示指數移動平均的平滑系數。

33、一種半監督das事件檢測系統，所采用的das事件檢測模型包括核心事件檢測網絡，以及由核心事件檢測網絡構成的學生網絡和教師網絡；核心事件檢測網絡包括骨干網絡、頸部網絡和檢測頭；半監督das事件檢測系統具體包括：

34、訓練模塊，學生網絡和教師網絡組成半監督架構進行訓練：學生網絡利用有標注的das數據進行訓練，通過反向傳播更新可學習權重，并應用指數移動平均逐步更新教師網絡；教師網絡對弱增強的無標注的das數據進行預測，預測高于設定的事件分類置信度閾值的結果作為das事件分類偽標簽加入訓練，以在無標注的das數據上訓練das事件分類分支，迭代更新學生網絡的權重；預測低于設定的區間回歸方差閾值的結果作為das事件偽區間標簽，以在無標注的das數據上訓練區間das事件回歸分支，迭代更新學生網絡的權重；通過監督損失、das事件分類偽標簽的分類損失和das事件偽區間標簽的回歸損失對學生網絡進行優化，教師網絡的參數僅由學生網絡通過指數移動平均更新；

35、預測模塊，將das數據依次經過骨干網絡進行特征提取，將得到的特征圖通過頸部網絡的上采樣以及特征融合得到初步的預測結果，最后通過檢測頭的das事件分類分支和das事件回歸分支分別得到最終的das事件分類預測結果和das事件定位預測結果。

36、本發明的系統與方法相對應，方法的具體技術方案同樣適用于系統。

37、與現有技術相比，本發明的有益技術效果是：

38、本發明在設計的das事件檢測模型半監督架構通過結合偽標簽和一致性正則化兩種半監督技術，充分利用了大量無標注das數據和少量標注das數據進行聯合訓練，減少對標記das數據的依賴，顯著降低標注成本，同時提升模型性能。在偽標簽部分，使用學生網絡對未標記數據進行預測，生成偽標簽，并通過篩選僅將預測置信度高的偽標簽輸入到教師網絡，通過強增強和弱增強的組合，保持模型對同一數據樣本的預測一致性，使得模型能夠在無標簽數據的潛力上實現最大化的利用，進一步提升模型的分類準確率和檢測精度。在一致性正則化部分，將低于置信度閾值的未標記數據輸入到教師網絡，強制其預測結果與教師網絡的預測接近，減少過擬合的風險，提高模型的魯棒性、穩定性和泛化能力。通過使用教師網絡的平均預測結果，可以減少模型在未標記樣本上的預測震蕩，從而穩定訓練過程。通過權重平均的方法提高了檢測的準確性，顯著提升了模型的檢測性能。