一种降噪及双参量提取卷积神经网络（DECNN）方案

01 导读

布里渊光时域分析仪（BOTDA）因其在结构健康监测（SHM）中具有出色的分布式温度和应力传感能力而引起了广泛的研究兴趣。通过测量布里渊增益谱（BGS）来获得布里渊频移（BFS），该频移与温度和应力呈线性关系。但布里渊散射存在温度和应力的交叉敏感性，这使得BOTDA难以同时进行温度和应力双参量的测量。目前已经提出了多种解决方案来实现双参量同时测量，其中使用具有多峰BGS的光纤进行温度和应力的同时测量已被证明是有效且简单的方法。通过测量多峰BGS，进而求解两个BFS方程来同时获得温度和应力信息，这是传统的方程求解法（CESM）。然而，由于不同BGS的温度/应力系数差异较小，该方法会引入较大的计算误差，导致较大的测量不确定度，使得双参量的测量精度较差。并且用于提取BFS的洛伦兹曲线拟合会耗费大量的处理时间，不利于快速测量。另外，为提升传感性能，研究人员也提出了图像降噪算法来提升信噪比（SNR），其可以不用改变BOTDA硬件结构。但是传统的图像降噪算法会引起数据信息丢失，难以实现高保真降噪。至今为止，还没有一种机制能够将高效的高保真降噪与高精度的双参量提取集成在一个算法框架下来实现，并且可以对较宽SNR范围内的传感信号均适用。

针对上述问题，华中科技大学唐明教授、王亮教授团队提出了一种降噪及双参量提取卷积神经网络（DECNN）方案，在单个卷积神经网络（CNN）框架下实现了降噪和双参量提取的集成化。方案中演示了DECNN能在较广的温度/应力及SNR范围内进行高精度的温度和应力同时提取，它由两个模块组成，分别是降噪卷积自动编码器（DCAE）和残差注意力机制网络（RANet）模块。其中DCAE可以实现高效的高保真降噪；RANet可以完成高精度的温度/应力信息提取，并且拥有较大的噪声容忍度。在19.38km传感光纤的末端，对于较宽SNR范围内，DECNN提取的温度和应力的平均标准差（SD）和均方根误差（RMSE）分别为0.2°C/9.7με和2°C/32.3με。在相对较低的8.8dB信噪比下，与传统CESM方法相比，DECNN的温度/应力不确定度提高了196倍，处理速度提高了146倍。研究成果以“Integrated denoising and extraction of both temperature and strain based on a single CNN framework for a BOTDA sensing system”为题发表在Optics Express期刊上。华中科技大学博士研究生杨贵江为论文的第一作者，王亮教授为论文的通讯作者。

封面图 用于集成式降噪及温度/应力信息提取的DECNN结构

图源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 6）

02 研究背景

在健康监测以及安全监测领域，温度和应力传感具有广泛而重要的应用。目前，BOTDA以优异的长距离测量性能、良好的精确度、较高的响应速率和相对较低的组网成本得到了特别的青睐。然而实际应用中，由于受激布里渊散射效应（SBS）的温度/应力交叉敏感性，BOTDA难以对温度和应力进行同时测量。为了区分温度和应力响应，许多研究人员尝试使用不同的方法来改进原有的传感方案，以实现低误差、宽范围的温度和应力双参量传感。将SBS与拉曼散射、瑞利散射等结合形成混合传感系统可以同时进行温度和应力测量，但与单一BOTDA相比，混合系统显著增加了系统的复杂性和成本。为了降低系统复杂性和成本，使用具有多峰BGS的光纤被证明是更为有效且简单的方案。通过测量双峰BGS，从而求解两个BFS方程获得温度和应力，这就是传统的CESM方法。然而，由于不同峰值间的温度和应力系数差异较小，这种方法将导致较大的测量不确定度。而且在CESM中，需要先对BGS进行洛伦兹曲线拟合（LCF）来获得BFS，但是LCF算法的迭代过程非常耗时，尤其是在SNR较低时。针对以上问题，以往的研究中提出了使用机器学习技术提高处理速度以及同时提取温度和应力，但适用的温度和应力范围较窄，且对于噪声容忍度差，不利于实际应用。此外，在SNR提升方面，传统的图像降噪算法会引起数据失真，导致测量精度下降。

为解决上述问题，本团队创新性地提出DECNN网络构架，在同一CNN框架下集成高效高保真降噪和高精度双参量提取的功能。DECNN可以用于BOTDA中作为数据处理的黑盒子，可以处理不同SNR的BOTDA信号，尤其可以实现温度和应力的快速准确提取，并具有较高的噪声容忍度。相信基于DECNN的BOTDA将会成为适用于较宽SNR范围内精确温度和应力提取的潜在方案之一。

03 创新研究

3.1 基于高噪声容忍度RANet的温度/应力同时提取

为了避免CESM中引入的计算误差，本文采用RANet同时提取温度和应力。将双峰BGS输入RANet，可以直接得到对应的温度和应力。模型具有较高的提取精度和较大的噪声容限，其网络结构如图2所示，其中图（a）是RANet的整体结构，（b）和（c）分别是特征提取模块（FEM）和特征压缩模块（FCM）。

图2 （a） RANet，（b） FEM和 （c） FCM的结构

图源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 1）

FEM和FCM两大模块是RANet的主体部分，对提取效果有决定性影响。所以设计网络时，我们在模块中引入了残差结构和自注意力模块，其中残差结构增强了网络的映射能力，有效解决了提取过程中特征和信息丢失的问题；自注意力模块则能够在只增加极少参数的情况下帮助网络辨别有意义的信息，从而提高提取精度。RANet的训练目标是使得实际温度/应力值和输出值之间的差值最小化。在训练中，训练数据覆盖的温度和应力范围分别为10-90°C和0-1400µε。为了验证RANet的提取效果，本文中采集了不同温度/应力下的数据进行测试，如图3所示。CESM提取的温度/应力波动非常大，某些位置的温度被错误提取为200°C和−100°C，应力被错误提取为7000µε和−6000µε。相比之下RANet的结果波动较小，更接近真实值。其次，为了验证RANet对于噪声的容忍性，本文中在同一温度/应力下采集了不同SNR的数据进行测试，并与CESM进行对比，结果如图4所示。SNR分别为8.8dB，11.6dB，14.5dB和16.9dB。CESM提取的标准差（SD）和均方根误差（RMSE）随信噪比的降低而显著增加，但RANet的结果仅略有增加，可见RANet有着较大的噪声容忍性。并且对于所有SNR，RANet提取的温度/应力的平均SD和RMSE仅分别为0.7°C/37.9µε和4.7°C/118.5µε。

图3 通过RANet（蓝色曲线）和CESM（红色曲线）提取的被测光纤尾端的温度和应力分布对比

图源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 9）

图4 RANet和CESM所提取的（a）、（b）温度和（c）、（d）应力的SD和RMSE对比

图源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 10）

3.2 基于DCAE的高效高保真BOTDA降噪

为了提高系统在实际场景中的适用性，处理质量更恶劣和多变的信号，本文使用了DCAE对信号进行降噪。模型具有高效高保真的优点，其网络结构如图5所示。

图5 DCAE的结构

图源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 4）

DCAE的主体结构为卷积自编码器，此结构能够有效提取数据特征并进行恢复。不同于对单个BGS或整个BGSs分布进行降噪，本文中使用DCAE对时域上的布里渊信号轨迹进行降噪，这样的降噪方式更加高效，不会造成计算资源的浪费。DCAE输出的是原始轨迹中的噪声，之后用原始轨迹减去输出的噪声，就可以高保真地获得降噪后的轨迹。为了提升模型性能，在模型设计时我们引入了跳跃连接的操作来连接网络中对应的编码器和解码器，从而将每个编码器提取的特征与相应的解码器共享，减少了编码器下采样时的特征损失，同时缓解了梯度消失。其次我们还引入了注意力机制，充分利用原始轨迹和输出噪声之间的相关性，使模型能够从布里渊信号轨迹中提取更逼真的噪声信息。为了验证DCAE的降噪效果，本文中使用了SNR为8.8dB的数据进行测试，如图6所示。无论是BGS分布，还是增益谱或布里渊信号轨迹，都有很明显的降噪效果。降噪后SNR提高了8.7dB，第一和第二增益峰的BFS不确定度也分别从1.04MHz和2.24MHz降至0.15MHz和0.11MHz。图6（e）和（f）则表明了降噪后空间分辨率几乎没有恶化，这意味着降噪过程中有效信息得到了完整保存，实现了高保真降噪。

图6 （a） 降噪前和 （b） DCAE降噪后的光纤尾端的BGS分布；降噪前后 （c） 光纤末端BGS和 （d） 第一增益峰的BFS处的布里渊信号轨迹；降噪前后 （e） 第一增益峰和 （f） 第二增益峰的BFS分布。插图：过渡段的放大视图

图源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 11）

3.3 基于DECNN的集成化降噪及温度/应力提取

这里我们将高效高保真降噪和信息提取模块集成于一个CNN框架下，形成DECNN网络，将其作为BOTDA中数据处理的黑盒。在DECNN中，我们使用DCAE作为高效高保真降噪模块，使用RANet作为高精度温度/应力同时提取模块。DECNN的结构如图7所示。将低信噪比的BGS分布输入到经过训练的DECNN中，可以高精度地输出对应的温度/应力分布。

图7 集成化降噪和温度/应力提取的DECNN结构

图源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 6）

为了验证DECNN的最终效果，我们也使用了同一温度/应力下四个不同SNR的数据进行测试。为了比较，图8也给出了RANet的结果。图中对于所有SNR，DECNN提取的温度/应力的平均SD和RMSE分别仅为0.2°C/9.7με和2°C/32.3με，展示出了优异的精度。为了进行更好的对比，图9展示了8.8dB SNR下CESM、RANet和DECNN提取的温度/应力分布。可以看到，在三种方法中，CESM的波动最大，大部分提取值甚至超出了纵轴范围；与RANet相比，DECNN提取的温度/应变波动更小，更接近实际值。结果证明，与RANet和CESM相比，即使在低SNR下DECNN也具有很好的精度。在数据处理速度方面，对于19.83km光纤的484500个BGS，CESM大约需要671.5s，而DECNN仅需要约4.6s，处理速度比CESM快了约146倍。以上结果证明了DECNN可以在较大的SNR范围内进行高精度的温度/应力双参量提取，并且还能在几乎不牺牲测量精度的情况下减少数据采集时间（低平均次数）和处理时间。

图8 RANet和DECNN所提取的（a）、（b）温度和（c）、（d）应力的SD和RMSE对比

图源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 13）

图9 DECNN（蓝色曲线）、RANet（红色曲线）和CESM（黑色曲线）提取的被测光纤尾端（a） 温度和 （b）应变分布对比

图源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 12）

04 应用与展望

本团队提出了基于单个CNN框架的集成式降噪与温度/应力双参量同时提取的方案，演示了在较大的温度/应力和信噪比范围下通过DECNN进行高精度和快速的温度及应力提取。在19.38km传感光纤的尾端，DECNN在较大的SNR范围内提取的温度/应力的平均SD和RMSE分别为0.2°C/9.7με和2°C/32.3με。与传统CESM相比，采用DECNN的温度/应力不确定度提升了196倍，处理速度提升了146倍。基于DECNN的BOTDA可以适用于较大的SNR范围以及较大的温度/应力范围，实现双参量提取，具有较大的潜力和实用价值。

审核编辑 ：李倩