鐵路周界入侵振動光纖報警方法及裝置的制造方法
【技術領域】
[0001]本發明涉及鐵路周界防護安全技術領域，尤其涉及一種鐵路周界入侵振動光纖報警方法及裝置。
【背景技術】
[0002]鐵路周界是指需要進行實體防護或電子防護的鐵路(含車站等重要場所)封閉區域邊界。鐵路周界入侵報警系統是利用傳感器技術和電子信息技術，對非法侵入鐵路周界的行為進行監測(阻攔)，并產生報警信息的系統，可對鐵路周界的安全防護發揮重要作用。
[0003]目前，國內現有的鐵路周界入侵報警系統主要由現場設備、監控中心和路局監測平臺三級架構組成。其中，現場設備又包括前端探測設備、前端處理設備和前端聲光報警設備，而振動光纖探測設備作為前端探測設備的重要組成部分之一，是一種通過監測入侵行為引起的感應光纖振動來發出入侵報警信號的設備。現有的振動光纖探測設備主要由感應光纖、感應光纖接入模塊、光電轉換單元等構成，其通過振動光纖技術探測并指示非法進入或試圖非法進入設防區域的行為。
[0004]現有的鐵路周界入侵報警方案易受很多客觀條件，例如防區惡劣的氣候，風速、雨量、雪深等天氣因素以及小動物侵擾等的影響，導致誤報警的概率升高。因此，現有周界入侵報警系統的監控中心工作人員在收到報警信息后，還需要通過視頻監控系統復核報警信息真實性，對錯誤報警進行解除，對正確報警依據警情嚴重程度組織警力實施現場干預。這就使得系統的防范效果較大程度地依賴于工作人員的執行能力，導致系統的可靠性低、人員工作強度大、工作效率低等問題。
【發明內容】
[0005]為解決上述技術問題，本發明一方面提出了一種鐵路周界入侵振動光纖報警方法，該方法包括:
[0006]監控中心的數據處理器獲取前端探測設備采集的探測樣本數據，所述前端探測設備位于所述鐵路周界的預設范圍內；
[0007]所述數據處理器根據所述探測樣本數據和預設報警閾值進行報警狀態判斷，以根據所述報警狀態的判斷結果獲取第一報警信息樣本；
[0008]所述數據處理器根據所述第一報警信息樣本以及該第一報警信息樣本的核實情況確定最終報警信息樣本，以根據所述第一報警信息樣本和所述最終報警信息樣本確定報警數據訓練樣本；
[0009]所述數據處理器利用所述報警數據訓練樣本通過預設機器學習方法訓練報警分類器；
[0010]所述數據處理器獲取所述前端探測設備采集的當前鐵路周界的探測數據，并根據所述探測數據和所述預設報警閾值進行報警狀態判斷，以根據所述報警狀態的判斷結果獲取第一報警信息；
[0011]所述數據處理器利用所述報警分類器對所述第一報警信息進行分類，以獲取所述當前鐵路周界的最終報警信息。
[0012]優選地，所述監控中心的數據處理器獲取前端探測設備采集的探測樣本數據，包括:
[0013]所述監控中心的數據處理器獲取振動光纖探測設備采集的光纖探測樣本數據和天氣環境傳感器采集的天氣環境樣本數據，所述天氣環境傳感器位于所述鐵路周界的預設范圍內。
[0014]優選地，所述監控中心的數據處理器獲取振動光纖探測設備采集的光纖探測樣本數據和天氣環境傳感器采集的天氣環境樣本數據，包括:
[0015]所述監控中心的數據處理器獲取風速傳感器采集的風速數據、降雨量傳感器采集的降雨量數據以及雪深傳感器采集的雪深數據中的至少一種以及所述振動光纖探測設備采集的光纖探測樣本數據。
[0016]優選地，所述數據處理器根據所述第一報警信息樣本以及該第一報警信息樣本的核實情況確定最終報警信息樣本，包括:
[0017]所述數據處理器獲取所述視頻監控系統的、與所述第一報警信息樣本對應的視頻監控信息，并根據所述視頻監控信息核實所述第一報警信息樣本的真實性，以確定所述最終報警信息樣本，所述視頻監控系統位于所述鐵路周界的預設位置。
[0018]優選地，所述數據處理器利用所述報警數據訓練樣本通過預設機器學習方法訓練報警分類器，包括:
[0019]所述數據處理器利用所述報警數據訓練樣本通過支持向量機SVM機器學習方法訓練所述報警分類器。
[0020]另一方面，本發明還提供了一種鐵路周界入侵振動光纖報警裝置，該裝置包括:
[0021]探測樣本數據獲取單元，用于獲取前端探測設備采集的探測樣本數據，所述前端探測設備位于所述鐵路周界的預設范圍內；
[0022]第一報警信息樣本獲取單元，用于根據所述探測樣本數據和預設報警閾值進行報警狀態判斷，以根據所述報警狀態的判斷結果獲取第一報警信息樣本；
[0023]報警數據訓練樣本確定單元，用于根據所述第一報警信息樣本以及該第一報警信息樣本的核實情況確定最終報警信息樣本，以根據所述第一報警信息樣本和所述最終報警信息樣本確定報警數據訓練樣本；
[0024]報警分類器訓練單元，用于利用所述報警數據訓練樣本通過預設機器學習方法訓練報警分類器；
[0025]第一報警信息獲取單元，用于獲取所述前端探測設備采集的當前鐵路周界的探測數據，并根據所述探測數據和所述預設報警閾值進行報警狀態判斷，以根據所述報警狀態的判斷結果獲取第一報警信息；
[0026]最終報警信息獲取單元，用于利用所述報警分類器對所述第一報警信息進行分類，以獲取所述當前鐵路周界的最終報警信息。
[0027]優選地，所述前端探測設備包括振動光纖探測設備和天氣環境傳感器；
[0028]相應地，所述探測樣本數據獲取單元，進一步用于獲取所述振動光纖探測設備采集的光纖探測樣本數據和所述天氣環境傳感器采集的天氣環境樣本數據，所述天氣環境傳感器位于所述鐵路周界的預設范圍內。
[0029]優選地，所述天氣環境傳感器包括風速傳感器、降雨量傳感器以及雪深傳感器中的至少一種；
[0030]相應地，所述探測樣本數據獲取單元，進一步用于獲取所述風速傳感器采集的風速數據、所述降雨量傳感器采集的降雨量數據以及所述雪深傳感器采集的雪深數據中的至少一種以及所述振動光纖探測設備采集的光纖探測樣本數據。
[0031]優選地，所述報警數據訓練樣本確定單元，進一步用于獲取所述視頻監控系統的、與所述第一報警信息樣本對應的視頻監控信息，并根據所述視頻監控信息核實所述第一報警信息樣本的真實性，以確定所述最終報警信息樣本，所述視頻監控系統位于所述鐵路周界的預設位置。
[0032]優選地，所述報警分類器訓練單元，進一步用于利用所述報警數據訓練樣本通過支持向量機SVM機器學習方法訓練所述報警分類器。
[0033]本發明可靠性高，可有效降低人員工作強度，提高工作效率，并可有效降低錯誤報警的概率，通過在報警判斷過程中綜合考慮風速、雨量、雪深等天氣因素，對振動光纖模式匹配原始報警結果進行校正，過濾由于極端天氣因素產生的監測數據，提高了人為入侵報警準確率。此外，本發明通過機器學習算法訓練報警分類器，可以有效識別小動物碰撞以及極端天氣、氣候等非入侵狀況，進一步提高了報警準確率。
【附圖說明】
[