结合知识蒸馏与硬件加速的长距离分布式振动感知实时事件识别

光纤传感，尤其是分布式光纤振动（DVS）感知，在物联网（IoT）应用中日益重要，如工业安全监测和入侵检测。尽管应用广泛，现有依赖深度学习模型进行DVS系统中事件识别的后处理方法在处理大量样本数据时面临实时处理的挑战，特别是在长距离应用中。为解决此问题，我们提出使用四层卷积神经网络（CNN），以ResNet作为教师模型进行知识蒸馏。这使得在先前未训练环境的数据上，准确率从83.41%显著提升至95.39%。此外，我们提出了一种基于现场可编程门阵列（FPGA）的新型硬件设计，以进一步加速模型推理。该设计用二值移位操作替代乘法运算，并对模型权重进行量化，从而实现高并行性和低延迟。我们的实现实现了对覆盖12.5米光纤长度和0.256秒时间窗口的空间-时间样本的推理时间为0.083毫秒。该性能使得对约38.55公里光纤的实时信号处理成为可能，约为英伟达GTX 4090 GPU能力的$2.14\times$。所提出的方法极大提升了振动模式识别的效率，推动DVS作为智能物联网系统的应用。数据和代码可在https://github.com/HUST-IOF/Efficient-DVS获取。