这篇文档属于类型a，是一篇关于光纤振动传感技术的原创研究论文。以下是针对该研究的学术报告：
作者及发表信息
本研究由Sascha Liehr（通讯作者）、Christopher Borchardt和Sven Münzenberger合作完成，三位作者均来自德国联邦材料研究与测试研究所（Bundesanstalt für Materialforschung und -prüfung, BAM）。论文题为《Long-distance fiber optic vibration sensing using convolutional neural networks as real-time denoisers》，发表于Optics Express期刊2020年12月21日的第28卷第26期。
学术背景
研究领域为分布式光纤传感（Distributed Acoustic Sensing, DAS），具体聚焦于相位敏感光时域反射技术（Phase-sensitive Optical Time Domain Reflectometry, φ-OTDR）的应用。传统φ-OTDR技术受限于长距离传输中的信号衰减和噪声干扰，难以在数十公里范围内实现高精度应变测量。尽管已有研究通过硬件增强（如拉曼/布里渊放大、散射增强光纤）提升信噪比（SNR），但这些方法成本高且部署复杂。因此，本研究提出一种基于卷积神经网络（Convolutional Neural Networks, CNNs）的实时降噪算法，旨在通过纯软件方法突破距离限制，实现100公里级的高分辨率振动传感。
研究流程
1. 数据采集与实验设计
- 技术基础：采用波长扫描相干光时域反射技术（WS-COTDR），通过调制激光频率生成二维瑞利背向散射数据（距离-频率域）。
- 实验设置：
- 光纤：100.1公里标准单模光纤（Corning SMF-28 ULL，衰减系数0.161 dB/km）。
- 脉冲参数：100 ns脉宽（空间分辨率10 m），1 kHz重复频率，10 Hz激光频率扫描速率。
- 噪声模拟：通过叠加实测噪声数据集（低通滤波光电探测器噪声）与低噪声背向散射数据，生成训练所需的“噪声-干净”图像对。
2. CNN降噪模型开发
- 架构设计：
- DNOCNN*：基于残差学习的14层CNN（参考DNCNN架构），含16个滤波器，无批归一化层。
- DNOTDR：轻量化模型，仅4层卷积，滤波器形状为3×13以匹配背向散射结构的纵横比，引入“下采样-上采样”模块提升效率。
- 训练方法：
- 数据集：64,008张96×96像素图像，包含12种激光中心频率下的背向散射数据。
- 损失函数：均方误差（MSE）和负皮尔逊相关系数（NPCC）。
- 优化目标：最小化应变振幅谱密度（ASD）噪声，确保应变调制幅度准确性。
3. 性能验证与对比
- 测试场景：在60–100公里距离范围内，施加67 nε的等效应变调制（1 Hz频率）。
- 对比算法：与经典图像降噪算法BM3D对比，评估指标包括：
- 应变ASD噪声：衡量降噪后信号的稳定性。
- 应变幅度误差：反映信号保真度。
主要结果
降噪性能：
- DNOTDR在100公里处将应变ASD噪声从原始数据的不可测水平降至5.772 nε/√Hz，优于DNOCNN*（5.862 nε/√Hz）和BM3D（无效）。
- 应变幅度恢复：在90公里处，DNOTDR恢复的应变幅度为67.374 nε（接近真实值67 nε），而BM3D仅恢复60.073 nε。
实时性：
- DNOTDR的推理速度达1.2 GB/s（每张图像15.4 μs），支持127.8公里光纤的实时处理（20.4 cm采样间隔）。
距离突破：
- 仅通过软件降噪，无需硬件增强，首次实现100公里级纳米级应变分辨率（33 dB回波损耗预算）。
结论与价值
科学价值：
- 证明了CNN在光纤传感降噪中的优越性，尤其是针对高噪声、结构特定的二维信号。
- 为长距离分布式传感提供了可扩展的算法框架，未来可通过调整CNN架构适配不同测量参数（如脉宽、采样率）。
应用价值：
- 适用于海底电缆监测、地震预警等需超长距离高精度传感的场景，显著降低硬件成本。
- 开源模型可快速部署至现有φ-OTDR系统，提升现有设备性能。
研究亮点
方法创新：
- 首次将CNN应用于DAS原始数据降噪，而非传统的事件分类后处理。
- 设计轻量化DNOTDR模型，通过滤波器形状匹配背向散射特征，实现高效率与高精度平衡。
技术突破：
- 在标准光纤上实现100公里应变测量，打破硬件增强的依赖。
- 实时处理能力为工业级应用奠定基础。
其他价值
- 数据公开：训练数据集与噪声模型可复现，促进后续研究。
- 扩展性：方法可迁移至其他多维光纤传感数据（如布里渊散射频谱）。