基于外差相干檢測的相位解調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信號落入破壞性區域，無法解調相位。針對這一問題，南京大學研發團隊聯合美國康奈爾大學，在我司Ada-5032E型外差檢測φ-OTDR的硬件結構基礎上，提出了一種基于最優位置尋峰的抑制干擾衰落的方法。由于相位解調結果為與瑞利背散射（RBS）強度相關，動態跟蹤傳感光纖每個部分的RBS強度的最佳位置，以獲得可靠的解調相位。該方法可以在很大程度上抑制衰落區域的發生概率，可為振動重構提供更高的精度，從而為后續的機器學習與模式識別提供便利，助力分布式光纖振動傳感技術的應用推廣。
團隊利用DAS設備開展多次外場試驗，共積累了如挖掘機挖土、工程車輛行駛、木樁夯擊、隧道落石、鉆機打孔共五種擾動事件的數據樣本在時域上主要提取了信號能量、平均值、平方差和擾動持續時間4個特征；在頻域上提出對信號的STFT譜圖做二值處理，對二值圖像進行面積、周長、致密性、連通域個數和歐拉數這5個特征的提取。采用SVM分類器和前饋神經網絡對5類擾動事件進行模式識別，識別準確率分別為97%和98%。
該項研究內容近日以“Classification of Interference-Fading Suppressed Φ-OTDR Signal Using Optimal Peak-Seeking and Machine Learning”為題目，應邀發表在國際著名光電子期刊《Chinese Optics Letters 》上。
