Real-Time Distributed Optical Fiber Vibration Recognition via Extreme Lightweight Model and Cross-Domain Distillation
作者: Zhongyao Luo, Hao Wu, Zhao Ge, Ming Tang
分类: eess.SP, eess.SY
发布日期: 2025-07-28
备注: 12 pages, 8 figures
💡 一句话要点
提出一种基于极轻量级模型和跨域蒸馏的实时分布式光纤振动识别方法
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 分布式光纤传感 振动识别 深度学习 知识蒸馏 轻量级模型 边缘计算 实时处理
📋 核心要点
- 现有DVS系统在动态环境下识别精度下降，且海量数据实时处理面临计算瓶颈。
- 提出一种基于FPGA加速的极轻量级模型和跨域知识蒸馏框架，提升识别精度和处理速度。
- 实验结果表明，该方法在未见环境下识别精度从51.93%提升至95.72%，并实现168.68km光纤的实时处理。
📝 摘要（中文）
分布式光纤振动传感(DVS)系统为大规模监测和入侵事件识别提供了一种有前景的解决方案。然而，其在实际部署中仍然受到两个主要挑战的阻碍：动态条件下识别精度的下降，以及海量传感数据实时处理的计算瓶颈。本文提出了一种新的解决方案，通过FPGA加速的极轻量级模型以及新提出的知识蒸馏框架来应对这些挑战。所提出的三层深度可分离卷积网络仅包含4141个参数，是迄今为止该领域最紧凑的架构，并且对于覆盖12.5米光纤长度的每个样本，实现了0.019毫秒的最大处理速度，对应于对长达168.68公里的传感光纤的实时处理能力。为了提高在变化环境下的泛化能力，本文使用由物理先验指导的跨域蒸馏框架，将频域的见解嵌入到时域模型中。这允许在不增加复杂性的情况下进行时频表示学习，并将识别精度从51.93%提高到95.72%。该方法提供关键进展，包括一个结合可解释信号处理技术与深度学习的框架，以及DVS系统（以及更通用的分布式光纤传感(DOFS)领域）中实时处理和边缘计算的参考架构。它缓解了传感范围和实时能力之间的权衡，弥合了理论能力和实际部署需求之间的差距。此外，这项工作揭示了为DOFS技术构建更高效、更鲁棒和更可解释的人工智能系统的新方向。
🔬 方法详解
问题定义：分布式光纤振动传感(DVS)系统在实际应用中面临两个主要问题：一是动态环境下识别精度降低，二是海量传感数据实时处理的计算量巨大。现有方法难以兼顾识别精度和实时性，限制了DVS系统的实际部署范围。
核心思路：本文的核心思路是设计一个极轻量级的深度学习模型，并利用知识蒸馏技术，将频域信息融入到时域模型中，从而在不增加模型复杂度的前提下，提高模型的泛化能力和识别精度。通过FPGA加速，进一步提升模型的实时处理能力。
技术框架：该方法主要包含两个核心模块：极轻量级深度可分离卷积网络和跨域知识蒸馏框架。首先，构建一个三层深度可分离卷积网络，用于时域振动信号的特征提取。然后，利用物理先验知识，设计跨域知识蒸馏框架，将频域信息（通过信号处理获得）作为指导，训练时域模型。最后，在FPGA上部署该模型，实现实时处理。
关键创新：该方法的主要创新点在于：1) 提出了一个极轻量级的深度可分离卷积网络，参数量极低，适合边缘计算；2) 提出了一个跨域知识蒸馏框架，将频域信息融入到时域模型中，提高了模型的泛化能力；3) 结合可解释信号处理技术与深度学习，为DOFS技术构建更高效、更鲁棒和更可解释的人工智能系统提供了新方向。
关键设计：该模型采用三层深度可分离卷积网络，包含4141个参数。跨域知识蒸馏框架利用频域信息作为teacher model，时域模型作为student model，通过最小化teacher model和student model的输出差异，实现知识迁移。损失函数包括分类损失和蒸馏损失两部分。FPGA加速采用Xilinx FPGA，通过优化数据通路和并行计算，提升模型的实时处理能力。
🖼️ 关键图片
📊 实验亮点
该方法提出的极轻量级模型仅包含4141个参数，是目前该领域最紧凑的架构。在未见环境下，识别精度从51.93%提升至95.72%。该模型实现了0.019毫秒的单样本处理速度，能够实时处理长达168.68公里的传感光纤数据。这些结果表明，该方法在精度、速度和模型大小方面均取得了显著的提升。
🎯 应用场景
该研究成果可广泛应用于周界安防、油气管道监测、桥梁健康监测、地震预警等领域。通过实时识别和分析光纤振动信号，可以及时发现入侵事件、设备故障或自然灾害，从而保障基础设施安全和人民生命财产安全。未来，该技术有望应用于更广泛的分布式光纤传感领域，推动智能城市和物联网的发展。
📄 摘要（原文）
Distributed optical fiber vibration sensing (DVS) systems offer a promising solution for large-scale monitoring and intrusion event recognition. However, their practical deployment remains hindered by two major challenges: degradation of recognition accuracy in dynamic conditions, and the computational bottleneck of real-time processing for mass sensing data. This paper presents a new solution to these challenges, through a FPGA-accelerated extreme lightweight model along with a newly proposed knowledge distillation framework. The proposed three-layer depthwise separable convolution network contains only 4141 parameters, which is the most compact architecture in this field to date, and achieves a maximum processing speed of 0.019 ms for each sample covering a 12.5 m fiber length over 0.256 s. This performance corresponds to real-time processing capabilities for sensing fibers extending up to 168.68 km. To improve generalizability under changing environments, the proposed cross-domain distillation framework guided by physical priors is used here to embed frequency-domain insights into the time-domain model. This allows for time-frequency representation learning without increasing complexity and boosts recognition accuracy from 51.93% to 95.72% under unseen environmental conditions. The proposed methodology provides key advancements including a framework combining interpretable signal processing technique with deep learning and a reference architecture for real-time processing and edge-computing in DVS systems, and more general distributed optical fiber sensing (DOFS) area. It mitigates the trade-off between sensing range and real-time capability, bridging the gap between theoretical capabilities and practical deployment requirements. Furthermore, this work reveals a new direction for building more efficient, robust and explainable artificial intelligence systems for DOFS technologies.