南科大数据标注
监控视频先识别汽车、摩托车与人员事件，再按统一时间戳与节点地震仪波形对齐，形成带类别和起止时间的训练样本。
01
归一化振幅 ±1.5连续振动波形
最新数据从右侧进入 · 90 秒历史波形持续向左移动正在加载连续信号…
00:00
02
STFT实时频谱图
与波形同步从右侧进入 · 统一显示 0–200 Hz200 Hz150100500
00:00
离线流式模拟
CONTINUOUS SIGNAL CLASSIFICATION
基于节点地震仪的
连续波形信号分类系统
已处理时长00:00 / 34:40
已确认事件0
地面模型0
飞机模型0
当前状态连续监听中
01数据集构建→
02波形预处理→
03滑动切窗→
04STFT→
05双模型推理→
06分类结果
汽车摩托车人员飞机未知播放头固定在最右侧，最新数据进入后，历史记录持续向左移动。
DATASET & MODEL PIPELINE
数据集构建与模型识别原理
系统以节点地震仪记录的连续波形为输入，通过事件标注、信号预处理、时频变换和双模型神经网络完成汽车、摩托车、人员与飞机分类。
惠州与南加州数据
惠州和南加州使用节点地震仪记录的连续波形，从长记录中提取目标事件，并结合模型检出与人工复核建立事件样本。
波形预处理与切窗
连续波形先去均值、去趋势，并按模型需要进行滤波或重采样；随后使用滑动时间窗生成连续输入片段。
STFT 时频特征
每个波形窗口通过短时傅里叶变换转换为时频图，使神经网络同时学习事件的持续时间、能量和频带结构。
双模型神经网络
地面 YOLO 模型接收 250 Hz、0–100 Hz 时频图，识别汽车、摩托车和人员；飞机 YOLO 模型接收约 500 Hz、0–200 Hz 时频图。
检测合并与分类输出
网络输出事件时间框、类别和置信度；相邻检测经事件合并与阈值筛选后，形成最终分类结果和累计数量。
地面目标模型统一识别汽车、摩托车和人员三类地面振动事件。
飞机目标模型保留更高采样率与 0–200 Hz 频带，独立识别飞机振动事件。
结果解释当前候选显示阈值为 30%；置信度用于候选筛选与排序，不等同于校准后的绝对概率。