基于多传感器融合的分布式周界安防环境感知系统

摘要

本发明公开了基于多传感器融合的分布式周界安防环境感知系统，该系统的具体实现步骤为步骤一：建立多传感器感知单元；步骤二：通过将微控制器连接传感器，分别对各个传感器进行数据采集；步骤三：总结实验结果，提出改进方法；步骤四：将步骤二中得到的一部分采集数据建立样本标签，制作数据集；步骤五：构造多传感器融合算法，模型采用1维卷积进行特征提取，多层感知器进行分类预测；将步骤四中带标签数据放入模型进行样本训练；步骤六：将步骤五中得到的模型转译，配合着步骤二中得到的另一部分采集数据，完成加载权重数据并进行分类预测。对比传统的信号分析算法，其泛化能力更好，对于复杂环境的感知准确度能提高一个数量级的精度。

说明书

技术领域

本发明涉及周界安防技术技术领域，具体为一种多传感器融合的分布式周界安防环境感知装置和系统。

背景技术

周界安防环境感知装置是指通过传感器采集数据进而获取周界四周环境的信息，并通过人工智能算法进行特征提取、池化、分类等一系列操作后，感知周围环境的一种装置。该装置能有效预防和保护周界及周界内部设施遭到破坏或非法入侵。

现有的技术手段主要包括3大类：1、接触式报警，该方法将开关量信号加到铁网横筋和竖筋中，并需要将多片铁网串接到一起，在施工期间及容易造成铁网之间相互短路，给施工带来了巨大的难度；并且在铁网在连接好后，由于用铁网当导线来传输开关量信号，在高低温、大风、动物撞击等情况下极容易造成断路发生，从而导致整个装置丧失检测能力。2、非接触探测报警，首先该方法多以微波感知为主要检测手段，其中由于微波传感器携带的信息较少，故需要大量的组网，在较小的区域内需要多个传感器组成阵列形式，才能有效的检测到环境的变化，应用成本较高，检测1公里的距离往往需要50万以上的费用；其二该方法所有的传感数据都需要回传服务器进行后续处理，由于前端采集的数据量较大，在网络带宽有限的情况下，其传输过程及后续处理时间就会造成检测的较慢，一般检测时间为1-2秒左右。3、视频类感知报警，该方法往往采用安防球形摄像头为图像采集装置，通过后端服务器对前端采集的图像进行处理，判断区域内是否有如异常。该种方式首先是受到天气、光线影响较大，检测准确率波动较大。其二是该种方式的视场角较大，对近处的目标检测的较好，远处小目标检测的效果较差，其三是二维摄像机不能空间定位，不好判断异常位置。除了上述几种近几年出现的较理想的周界安防检测装置外，其传统的检测方式：红外对射、电子围栏、振动光纤、泄漏电缆等都因为误报率、漏报率高的原因，很难应用在防护等级较高的领域。

发明内容

本发明的目的在于提供了一种基于多传感器融合的分布式周界安防环境感知系统，以解决一种传感器获取的数据特征信息较少的问题，通过多传感器融合在不同维度上进行独立采样，增加了样本数据的信息量、多样性。并采用深度学习、大数据技术，提高了算法的鲁棒性，进而很大的降低了系统的误报漏报率。

为实现上述目的，本发明提供如下技术方案：基于多传感器融合的分布式周界安防环境感知系统，该系统的具体实现步骤包括

步骤一：建立多传感器感知单元；

步骤二：通过将微控制器连接传感器，分别对各个传感器进行数据采集；

步骤三：总结实验结果，提出改进方法；

步骤四：将步骤二中得到的一部分采集数据建立样本标签，制作数据集；

步骤五：构造多传感器融合算法，模型采用1维卷积进行特征提取，多层感知器进行分类预测；将步骤四中带标签数据放入模型进行样本训练；

步骤六：将步骤五中得到的模型转译，配合着步骤二中得到的另一部分采集数据，完成加载权重数据并进行分类预测；并通过不断的迭代训练，最终得到理想的模型及权重数据，降低系统的误报漏报率。

与现有技术相比，本发明的有益效果是：采用多传感器融合技术，将单一的一各维度上的数据，丰富为三个维度。数据量方面变为原来的3倍，数据多样性方面同样是原来的3倍，由于各传感器是相互独立的工作的，测量检测原理都不同，可形成立体感知场，由线到面再到空间的全空间感知体系。

针对无线传感器的通信传输原理，将原有的单一无线传感器增加到两个，组成多输入多输出的收发通信系统。避免了信道之间的相互干扰，收端多个信号同时被严重衰减的概率就会以指数形式减少，误码率由3％降为0.6％。

无线传感器与电路板之间形成一定的角度，是的链路之间的RSSI值明显增强；原来焊接在电路板上值往往在3-4左右，而形成角度后其值可达到15左右。代表着无线传感之间的连接信号质量较好，其对应的感知灵敏度也越高。

优化采集方式，在一条顺序排列的总线上，由原来的顺序收发，改为交叉收发形式，使其形成的感知场覆盖范围更全面，避免了出现覆盖盲区。

引入神经网络，建立多层感知器模型，运用大数据训练的方式得出权重文件，再将模型转译成微控制器能运行的C程序，最后移植到微控制内部，对新的传感器数据进行推理运算，得出分类结果。对比传统的信号分析算法，其泛化能力更好，对于复杂环境的感知准确度能提高一个数量级的精度。

附图说明

图1为本发明的数据流程框图。

图2为本发明的装置内部组成框图。

图3为本发明的立体感知示意图。

图4a为本发明的无线传感器安装角度调整后示意图。

图4b为本发明的无线传感器安装角度调整前示意图。

图5a为本发明的无线传感器交叉采集示意图。

图5b为本发明的无线传感器顺序采集示意图。

图6a为本发明的ARM内核微控制器电路图。

图6b为本发明的第一无线传感器电路图。

图6c为本发明的第二无线传感器电路图。

图6d为本发明的微波雷达传感器电路图。

图6e为本发明的6轴运动传感器电路图。

图6f为本发明的防拆开关电路图。

图6g为本发明的电路框图。

图7为本发明的传感器数据采集流程图。

图8为本发明的多层感知器神经网络示意图。

图9为本发明的神经网络模型结构图。

图10为本发明的卷积操作过程图。

具体实施方式

请参阅图1，本发明提供一种技术方案：基于多传感器融合的分布式周界安防环境感知系统，该系统的具体实现步骤为

步骤一：建立多传感器感知单元；

传感器包括对称设置的2个无线传感器、1个微波雷达传感器、1个6轴运动传感器和1个ARM内核微控制器；如图2所示。

2个无线传感器分别为第一无线传感器和第二无线传感器；无线传感器用来获取接收的信号强度指示(RSSI)，用来判定链接质量。通常是在104us内进行基带IQ功率积分得到RSSI的瞬时值，即RSSI(瞬时)＝sum(I^2+Q^2)，1秒内8192点的平均值，RSSI(平均值)＝sum(RSSI(瞬时))/8192，通常用RSSI平均值判断干扰。本发明在原有单无线传感器基础上设计双传感器结构，数据的收发采用分离形式，通信方式由半工转为全双工，且根据无线通信原理MIMO(多输入输出技术)每个接收无线传感器接收来自多个发射传感器的不同信号，这些信号的衰减是相互独立的，这样接收端多个信号同时被严重衰减的概率就会以指数形式减少。

6轴运动传感器通过采集的数据，主要对加速度数据进行时域、频域分析。其中加速度传感器配置角速度传感器为500Hz。本发明所用6轴传感器内部自带嵌入式运动驱动库(DMP)，不需微控制参与计算，大大降低了微控制器运算压力。时域上计算该装置的角度信息，频域上计算512点的z轴(周界正面方向的)FFT变换后的能量值及频率值。通过对时频域的分析能准确的分析装置运动状态，进而判断异常类型。

雷达传感器利用电磁波探测目标，通过发射电磁波对目标进行照射并接收其回波，由此获取目标距离电磁波发射点的距离、运动方向、方位、高度等信息。雷达传感器采用的24GHz毫米波段，更有穿透性的同时成本更低，可以兼顾平衡各方面的优势。探测过程中只产生由多普勒效应引起的频差，即由多普勒效应引起的同一时刻发射信号和目标回波信号的频率差异。

雷达传感器测量原理为由振荡器振荡发出一个发射信号，一路经发射天线发射出去，另一路分流成两路分别进入I、Q所在的通道的混频器中，其中Q通道的信号在混频之前还需先经90°的移相；接收天线接收到的回波信号，先经低噪声放大处理后，再分别经混频器与实时分流的两路信号进行混频；混频后得到的信号再经中频滤波放大处理，最终得到I、Q两路中频信号。I、Q两路中频输出信号中均携带有探测目标的速度信息。

分析I、Q其中一路信号，均包含有一个多普勒频率或信号差频fD，多普勒频率的计算如下

fD为多普勒频率或差频；f0为雷达的发射频率；V为运动物体的速度范围；C0为光速；a为运动的实际方向与传感器-目标连线之间的角度。通过上述公式能得出运动目标的速度信息。

无线传感器、微波雷达传感器和6轴运动传感器用于采集周界附近的环境信息，ARM内核微控制器用于对采集的数据进行分析计算，判断出周界附近的物体类型以及是否有异常行为；雷达传感器进行5-8米的远距离探测，无线传感器进行近距离探测，用于填补微波雷达传感器的死角；6轴运动传感器进行接触探测。例如：翻阅、攀爬、破坏等；其组成的探测立体感知场如图3所示。

步骤二：通过将微控制器连接传感器，分别对各个传感器进行数据采集；微控制器与传感器的连接方式为

如图6a、6b、6c、6d、6e、6f和6g所示，ARM内核微控制器的型号为STM32F407；第一无线传感器与ARM内核微控制器的USART1相连，第一无线传感器的5脚、6脚对应的ARM内核微控制器引脚号为PA10、PA9；第二无线传感器与ARM内核微控制器的USART3相连，第二无线传感器的5脚、6脚对应的ARM内核微控制器引脚号为PB10、PB11；

微波雷达传感器输出2脚与ARM内核微控制器的输入捕获I/O口相连，对应ARM内核微控制器的引脚号为PA0；

6轴运动传感器与ARM内核微控制器通过IIC接口连接，用于进行寄存器的配置、数据的读取；6轴运动传感器的23、24脚对应的ARM内核微控制器引脚为PB9、PB8；6轴运动传感器的12脚为控制引脚，与ARM内核微控制器的PC0引脚相连。

还设置有防拆开关电路，主要是用来防止装置被非法人员拆开后监控中心不知情，在非法打开装置盒盖时会判断开关状态，置位标志位回传给上位机系统。防拆电路的输出引脚net_WK_UP与MCU的PB12引脚相连。

RS485电路主要是用来给485总线传输采集的数据，其中485电路采用的了隔离设计，防止总线因雷击等损坏芯片。485电路的隔离芯片的4、5脚与MCU的USART2相连。对应的引脚为PA2、PA3。

电源电路，主要用来给各个芯片供电。首先是开关电源将总线的24V电压转成5V，供雷达模块电路使用。线形稳压芯片再将5V电压转成3.3V电压，供MCU、6轴运动传感器、无线传感器使用。总线电源部分加了防反插二极管，避免了因插反烧毁整个电路；其数据采集流程如图7所示。

步骤三：总结实验结果，提出改进方法；

针对无线传感器的通信传输原理，将原有的单一无线传感器增加到两个，组成多输入多输出的收发通信系统；将无线传感器与电路板呈45°安装，这样通信质量更好，对干扰信号反应越灵敏，使得链路之间的RSSI值明显增强。原来焊接在电路板上值往往在3-4左右，而形成角度后其值可达到15左右；在一条顺序排列的总线上，由原来的顺序收发，改为交叉收发形式，用于使形成的感知场覆盖范围更全面，避免了装置间的收发死角；调整后如图4a、5a所示。

步骤四：将步骤二中得到的一部分采集数据建立样本标签，制作数据集；

将实验得出各传感器和人为入侵的频率范围，进行不同速度、方向、大小的实验，优化采样频率以配合系统整体的分析效果。

样本制作：由于样本数据来自传感器，在自然环境下，模拟入为入侵过程，通过人的走近、走远、慢走、快走、垂直走入、斜向走入连续采集数据，并给每条数据加入时间标签，设备ID号。为了增强数据的复杂性，本发明采用了8个不同的设备进行数据采集，并独立标记各个设备的数据。在有人入侵的情况下，无论是何总方式走近设备，皆标记为person标签。在无人状态下，皆标记normal标签；考虑到工程因素，样本的制作较为繁琐，假设单隐藏层的多层感知器有I个输入节点，H个隐藏节点和O个输出节点，网络的权重系数总数为：

SUM＝(I+1)*H+(H+1)*O (1)

训练的样本数目是权重数目的10倍就可以很好地进行训练，且能取得较高的精度，总权重参数量根据公式计算为112个，则样本可以做1120个，考虑到奈奎斯特采样定理，选取2倍的参考样本容量，制作了2500条样本数据，其中正负样本比例为1:1。

步骤五：构造多传感器融合算法，模型采用1维卷积进行特征提取，多层感知器进行分类预测；将步骤四中带标签数据放入模型进行样本训练；

在ARM内核微控制器引入神经网络，建立适用于时间序列数据的特征提取和分类网络模型，运用大数据训练的方式得出权重文件，再将模型转译成微控制器能运行的C程序，最后移植到微控制内部，对新的传感器数据进行推理运算，得出分类预测结果。

神经网络建立过程包括

1)构建特征提取网络：

由于传感器数据的采样频率是固定的，数据集的长度是固定，且是时间序列，用1维卷积特别合适对这样的数据进行特征提取；针对该装置的特性，设计了特征提取卷积网络；特征提取过程如图9和10所示。

①、输入数据为3轴数据，每轴为1s的数据，采样频率设置为20Hz，数据量为60；

②、卷积层1，设卷积核长度为10，通道为3，步长为1，卷积后数据由20×3变为11×1；14个卷积核，输出11×14；

③、卷积层2，设卷积核长度为10，通道为14，步长为1，卷积后数据由11×14变为2×1；14个卷积核，输出2×14；

④、全局平均池化，每个通道取平均值，14个通道，输出14个数值；

⑤、Dropout层：为防止过拟合，随机丢弃50％的数据，最后剩余7个值，作为多层感知机的输入；

2)构建分类网络：

隐藏层和隐藏神经元设计：在数学上可以证明，单个隐藏层就能够实现凸区域，双隐藏层更是可以实现任意形状的凸区域，也就是能够解决任何复杂的分类问题，在隐藏层数目不变的前提下，区域的复杂程度随着隐藏神经元数目的增加而提升；只要隐藏神经元的数目足够多的，一个隐藏层就能使多层感知器以任意精度逼近任意复杂度的连续函数；层数越多，要追踪哪些权重正在被更新就越困难，而不会带来性能的提升；故设计的多层感知器只有一层隐藏层，隐藏层的神经元个数为11个；输出层为2分类，故有2个神经元；如图8所示。

3)激活函数：采用改进的ReLU函数RReLU，随机纠正线性单元，负值的斜率在训练中是随机的，在之后的测试中变为固定；在训练环节中，a

其余训练配置选择：损失函数选择2进制交叉熵，优化方法采用Adam优化器。

步骤六：将步骤五中得到的模型转译，配合着步骤二中得到的另一部分采集数据，完成加载权重数据并进行分类预测；并通过不断的迭代训练，最终得到理想的模型及权重数据，降低系统的误报漏报率。

传感器数据前期是用来制作标签数据集，后期用来进行推理预测。根据推理预测结果来判断标签是否正确，随着训练迭代次数的增加，推理预测结果与标签的正确率就越高。运用前期自制数据集训练出通用模型，部署于微控制器内，在后期可运用推理结果不断优化数据集，形成反馈机制，提高整个网络的推理分类准确度。