基于多尺度信息融合与分布式光纤传感的电缆安全状态检测
研究背景与意义
本文内容取自[1]。
电缆附近的机械操作对电力传输的稳定性和能源供应系统的可靠性存在相当大的风险。分布式光纤传感（DFOS）作为一种先进的智能传感技术，能够检测和识别影响电缆的潜在外部危害。然而，由于传感数据量巨大，现有研究主要依靠分类算法来区分威胁事件，缺乏有效的端到端检测算法来进行区分和定位。这种限制导致信息使用效率低下和实时响应困难。为了克服这些挑战，本研究引入了一种集成多尺度信息融合的高性能检测算法。首先，提出了一种称为MRFA的注意机制来实现有效的特征提取，其特点是灵活性和多感受野。其次，提出了一种创新的信息透析模块（DM）来提高检测模型中层间信息过滤的效率。最后，将所提出的方法集成到改进的YOLOv8框架中。跨多个数据集的实验比较验证了所提出方法的有效性和效率，证明了其在电缆安全应用中的实时监控和智能识别能力。
本文工作
本文提出了一种检测方法基于多尺度信息融合与分布式光纤传感的电缆安全状态检测方法。
(一)多感受野注意（MRFA）
MRFA注意力模块在 3×3 分支内整合了 3×3、5×5 和 7×7 深度可分离卷积核，以捕获跨不同层的多尺度特征表示。此外，不同深度的特征图通过三个不同的信息流传输到下一阶段。因此，MRFA 不仅可以跨通道捕获信息以调节不同通道的重要性，还可以在通道内保持多尺度空间结构和语义信息。如图 1 所示，这说明了所提出的MRFA的结构。
图1 MRFA的结构
当特征图通过 MRFA 时，第一步是分组。在分组过程中，特征图沿通道维度分为不同的组，并且并行处理来自不同组的特征图，以提高计算效率。然后，在每个组内，特征图经历四个不同的分支。一个分支保持不变，而其他三个分支参与提取权重以跨不同的感受野和维度进行重建。最后将得到的权重与原始特征图相乘，得到具有最终权重的调整后的特征图。
需要注意的是，在涉及权重重建的三个分支中，X平均池化分支和Y平均池化分支属于同一类权重调整方法，而最右边的多感受野分支则属于另一种专门的信息调制方法。沿X或Y方向的权重调整主要通过沿某个轴在空间方向上对特征图进行降维来提取权重，其特点是扁平化。相比之下，我们强调的多感受野分支通过提取多层空间信息实现了三维的权重提取。之所以说是三维的，是因为在进行扁平化降维之前，它使用了高效的深度可分离卷积堆叠成特征金字塔状的结构。这使得它能够捕获不同尺度的信息，然后将其纳入最终的权重重建过程。
(二)DM模块的设计
我们对比了从YOLOv3到YOLOv5再到YOLOv8中Bottleneck结构的演进，首先通道压缩比被调整为1，最初的1×1标准卷积被3×3卷积层所取代。可以明显看出，Bottleneck-net结构越来越像一个多层的特征金字塔结构，唯一的不同就是特征图尺度不会随着层数的增加而减小。受此启发，我们在通道维度上设计了一个内部模块，实现沿着该维度的信息交互和过滤，如图2所示。
图2 DM模块的结构
(三)DM模块插入方案
DM的思想认为层间缺乏有效的过滤机制限制了多层神经网络的性能，因此将DM模块放置在信息拆分之前、聚合之后，保留原有的算法结构，避免产生新的混沌流。YOLOv8n-DM检测器遵循Backbone-Neck-Head范式，保留Head用于最终检测，通过整合DM模块重构Backbone和Neck。
实验结果
实验结果主要集中在三个方面：DM模块的有效性、MRFA消融研究以及对真实分布式光纤传感数据的检测性能。表1表明，与同类模型相比，我们的方法在将参数大小降低约50%的同时，性能提高了3%至5%。
表1 基本实验结果
本文开发了一种适用于分布式光纤传感数据的对象检测架构，具体来说，它结合了多感受野注意机制 (MRFA) 和信息透析模块 (DM)。实验结果表明，该架构实现了 3% 到 5% 的性能提升，同时仅保持了具有相似准确率的模型的约 50% 的参数大小。此外，所提出的方法可以无缝地适应不同的计算机视觉任务，以提供最佳性能。我们希望所提出的结构能为 CNN 架构设计提供有价值的见解。
参考文献
- [1]“Cable security state detection based on multi-scale information fusion and distributed fiber optic sensing,” in Journal of Physics: Conference Series, 2024, vol. , no. , p. .