基于外差相干檢測的相位解調(diào)不可避免地遭受干擾衰落，衰落問題可能使來自某些光纖部分的RBS信號落入破壞性區(qū)域，無法解調(diào)相位。針對這一問題，南京大學(xué)研發(fā)團(tuán)隊(duì)聯(lián)合美國康奈爾大學(xué)，在我司Ada-5032E型外差檢測φ-OTDR的硬件結(jié)構(gòu)基礎(chǔ)上，提出了一種基于最優(yōu)位置尋峰的抑制干擾衰落的方法。由于相位解調(diào)結(jié)果為與瑞利背散射（RBS）強(qiáng)度相關(guān)，動態(tài)跟蹤傳感光纖每個(gè)部分的RBS強(qiáng)度的最佳位置，以獲得可靠的解調(diào)相位。該方法可以在很大程度上抑制衰落區(qū)域的發(fā)生概率，可為振動重構(gòu)提供更高的精度，從而為后續(xù)的機(jī)器學(xué)習(xí)與模式識別提供便利，助力分布式光纖振動傳感技術(shù)的應(yīng)用推廣。

團(tuán)隊(duì)利用DAS設(shè)備開展多次外場試驗(yàn)，共積累了如挖掘機(jī)挖土、工程車輛行駛、木樁夯擊、隧道落石、鉆機(jī)打孔共五種擾動事件的數(shù)據(jù)樣本在時(shí)域上主要提取了信號能量、平均值、平方差和擾動持續(xù)時(shí)間4個(gè)特征；在頻域上提出對信號的STFT譜圖做二值處理，對二值圖像進(jìn)行面積、周長、致密性、連通域個(gè)數(shù)和歐拉數(shù)這5個(gè)特征的提取。采用SVM分類器和前饋神經(jīng)網(wǎng)絡(luò)對5類擾動事件進(jìn)行模式識別，識別準(zhǔn)確率分別為97%和98%。

該項(xiàng)研究內(nèi)容近日以“Classification of Interference-Fading Suppressed Φ-OTDR Signal Using Optimal Peak-Seeking and Machine Learning”為題目，應(yīng)邀發(fā)表在國際著名光電子期刊《Chinese Optics Letters 》上。