Detekce významných událostí v systémech využívajících princip fázových OTDR

Abstract

Diplomová práce se zabývá návrhem, implementací a testováním systému klasifikujícího události snímané optickým vláknem podél perimetru střežených objektů. V teoretické části jsou objasněny fyzikální principy, základní struktury měřících systémů, metody měření, formát dat, způsoby předzpracování a klasifikace konvolučními neuronovými sítěmi. Praktická část popisuje implementaci softwaru pro učení a testování konvolučních neuronových sítí, proces extrahování vzorků z naměřených dat, jejich anotaci a převod do formátu požadovaného neuronovou sítí. Jsou prezentovány výsledky analýzy snímaných dat a výsledky dosažené úrovně klasifikace konvolučními neuronovými sítěmi jak při zpracování naměřených datasetů, tak při nasazení hotového klasifikátoru na systém pracující v reálném čase.

This diploma thesis concerns the design, implementation and testing of a system that classifies events captured using optic fiber along a perimeter of guarded objects. A theoretical part introduces physical principles, main structures of measuring systems, methods of measuring, data format, pre-processing options and classification using convolutional neural networks. A practical part describes implementation of a software for convolutional neural networks training and testing, process of samples extraction from measured data, its annotation and conversion to format required by neural networks. Results of measured data analysis and results of achieved classification accuracy using convolutional neural networks for both post processing of measured data and for deployment of neural network into real time processing system are presented.