CN109945075B - 一种供水管道泄漏程度检测方法及装置 - Google Patents
一种供水管道泄漏程度检测方法及装置 Download PDFInfo
- Publication number
- CN109945075B CN109945075B CN201910171278.8A CN201910171278A CN109945075B CN 109945075 B CN109945075 B CN 109945075B CN 201910171278 A CN201910171278 A CN 201910171278A CN 109945075 B CN109945075 B CN 109945075B
- Authority
- CN
- China
- Prior art keywords
- leakage
- leakage signal
- time
- distribution map
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本发明实施例提供一种供水管道泄漏程度检测方法及装置，采集供水管道的泄漏信号；基于Wigner‑Ville分布对泄漏信号进行时频分析，获得泄漏信号对应的时频分布图；对时频分布图进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图；将二值分布图输入至预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度。该方法及装置通过Wigner‑Ville分布和单元平均恒虚警处理能够有效准确地提取有效的泄漏信号，一定程度上削减了随机干扰噪声对泄漏信号检测的影响；同时通过预设神经网络学习泄漏信号特征，以获得不同泄漏信号对应的泄漏程度，能够有效地对不同泄漏情况下的泄漏信号进行准确分类，确保了供水管道泄漏信号检测结果的准确性。
Description
技术领域
本发明实施例涉及信号处理及工程应用技术领域，更具体地，涉及一种供水管道泄漏程度检测方法及装置。
背景技术
随着经济发展和城市化进程的加快，供水管道的大范围铺设的同时也带来了大面积的供水管道泄漏问题。目前，因供水管道泄漏造成的水资源浪费十分严重。相关研究表明，全世界由于供水管道的泄漏造成的水损失量达到每年486亿立方米，相应的经济损失约为每年146亿美元。因此，解决供水管道泄漏问题对于保护水资源和促进经济发展具有重要意义。
为解决城市供水管道泄漏问题，需对供水管道泄漏进行检测。然而，通过传感器采集的供水管道的泄漏信号由于受到本身的自衰减因素、外界干扰噪声和传感器随机噪声的影响，导致难以准确地采集、提取有效的泄漏信号，大大增加供水管道泄漏检测的难度，致使难以对供水管道泄漏进行有效检测。
有鉴于此，亟需提供一种供水管道泄漏程度检测方法及装置，以对供水管道泄漏进行有效检测。
发明内容
本发明实施例为了克服现有技术中由于受到本身的自衰减因素、外界干扰噪声和传感器随机噪声的影响，导致难以准确地采集、提取有效的泄漏信号，致使难以对供水管道泄漏进行有效检测的问题，提供一种供水管道泄漏程度检测方法及装置。
第一方面，本发明实施例提供一种供水管道泄漏程度检测方法，包括：
采集供水管道的泄漏信号；
基于Wigner-Ville分布对所述泄漏信号进行时频分析，获得所述泄漏信号对应的时频分布图；
对所述时频分布图进行单元平均恒虚警处理，获得所述泄漏信号对应的二值分布图；
将所述二值分布图输入至预设神经网络，根据所述预设神经网络的输出结果，获得所述泄漏信号对应的泄漏程度；
其中，所述预设神经网络是根据带有泄漏程度标签的二值分布图进行训练后获得的，所述泄漏程度包括无损、小口泄漏、中口泄漏和大口泄漏。
第二方面，本发明实施例提供一种供水管道泄漏程度检测装置，包括：
信号采集模块，用于采集供水管道的泄漏信号；
时频分析模块，用于基于Wigner-Ville分布对所述泄漏信号进行时频分析，获得所述泄漏信号对应的时频分布图；
恒虚警处理模块，用于对所述时频分布图进行单元平均恒虚警处理，获得所述泄漏信号对应的二值分布图；
泄漏程度检测模块，用于将所述二值分布图输入至预设神经网络，根据所述预设神经网络的输出结果，获得所述泄漏信号对应的泄漏程度；
其中，所述预设神经网络是根据带有泄漏程度标签的二值分布图进行训练后获得的，所述泄漏程度包括无损、小口泄漏、中口泄漏和大口泄漏。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的供水管道泄漏程度检测方法及装置，采集供水管道的泄漏信号；基于Wigner-Ville分布对泄漏信号进行时频分析，获得泄漏信号对应的时频分布图；对时频分布图进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图；将二值分布图输入至预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度。该方法及装置通过Wigner-Ville分布和单元平均恒虚警处理能够有效准确地提取有效的泄漏信号，一定程度上削减了随机干扰噪声对泄漏信号检测的影响；同时通过预设神经网络学习泄漏信号特征，以获得不同泄漏信号对应的泄漏程度，能够有效地对不同泄漏情况下的泄漏信号进行准确分类，确保了供水管道泄漏信号检测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的供水管道泄漏程度检测方法的流程示意图；
图2为本发明实施例提供的供水管道泄漏程度检测装置的结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的供水管道泄漏程度检测方法的流程示意图，如图1所示，本发明实施例提供一种供水管道泄漏程度检测方法，包括：
S1，采集供水管道的泄漏信号；
具体地，在实际应用中，需先在供水管道上预先设置传感器，当供水管道发生泄漏时，利用传感器采集供水管道的泄漏信号。其中，传感器可以为声发射传感器。传感器的安装位置可以根据供水管道的实际泄漏位置进行设置，此处不做具体限定。
需要说明的是，由于受到外界干扰噪声和传感器随机噪声的影响，传感器实际采集的信号为有效泄漏信号和随机干扰噪声的加性组合。也就是说，传感器所采集的泄漏信号中混杂有随机干扰噪声。
S2，基于Wigner-Ville分布对泄漏信号进行时频分析，获得泄漏信号对应的时频分布图；
具体地，在上述技术方案的基础上，对传感器采集的泄漏信号进行时频分析，以使得泄漏信号的特征在时频域上突显出来，以便于后续对泄漏信号进行检测。本发明实施例中，基于Wigner-Ville分布对泄漏信号进行时频分析，并由此获得泄漏信号对应的时频分布图。其中，Wigner-Ville分布是一种有效的时频分析方法，Wigner-Ville分布对于分析大部分非稳态的随机信号具有良好的效果，故而能够对混杂有随机干扰噪声的泄漏信号进行有效地时频分析。通过时频分析获得的时频分布图中体现了泄漏信号在不同时间的瞬时频率，即从时频分布图中可以看出泄漏信号的频率随时间变化的规律。
为了便于理解本发明实施例中对泄漏信号进行时频分析的具体过程，现通过如下示例进行具体说明：
假设传感器在供水管道A点采集的泄漏信号为gA(t)，则gA(t)可表示为：
gA(t)＝fA(t)+nA(t) (1)
其中，fA(t)为有效的泄漏信号；nA(t)为随机干扰噪声信号。
在上述基础上，首先采用相关函数作滑窗处理，得到泄漏信号gA(t)的局域相关函数如下：
当窗函数取时间冲激函数
对τ不加限制，而在时域取瞬时值，此时：
对(3)式进行傅里叶变换，得到魏格纳时频分布函数，表示为：
根据(4)式中得到的魏格纳时频分布函数WVD(t,f)即可获得泄漏信号gA(t)对应的时频分布图。
需要说明的是，在其他实施例中，还可以采用其他时频分析方法对泄漏信号进行时频分析，如连续小波变换等，可以根据实际需求进行设置，此处不做具体限定。
S3，对时频分布图进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图；
具体地，由于传感器采集的泄漏信号中混杂有随机干扰噪声信号，因此对泄漏信号进行时频分析所获得的时频分布图中也同样混杂有随机干扰噪声信号。有鉴于此，需进一步对时频分布图进行去噪处理，去除时频分布图中的随机干扰噪声信号，以获得有效泄漏信号的完整特征。本发明实施例中，采用单元平均恒虚警处理方法对时频分布图进行去噪处理，即对时频分布图进行单元平均恒虚警处理，由此获得泄漏信号对应的二值分布图。其中，二值分布图中通过黑白像素点体现泄漏信号的分布情况，其中白像素点表示泄漏信号，黑像素点表示非泄漏信号。
需要说明的是，单元平均恒虚警处理方法是一种典型的恒虚警处理方法，单元平均恒虚警处理方法中需设置两个主要参数，分别为虚警率和门限因子。由于噪声总是客观存在的，当噪声信号的幅度超过设置的门限因子时，检测系统就会被误认为发现目标，这种错误称为"虚警"，它的发生概率称为虚警率。本发明实施例中，在采用单元平均恒虚警处理方法对时频分布图进行去噪处理的过程中，为了获得泄漏信号的完整特征，所设置的虚警率不应过低，而所设置的门限因子不应过高。
S4，将二值分布图输入至预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度。
具体地，在上述技术方案的基础上，将泄漏信号对应的二值分布图输入预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度。其中，预设神经网络是根据带有泄漏程度标签的二值分布图进行训练后获得的，泄漏程度包括无损、小口泄漏、中口泄漏和大口泄漏。可以理解的是，预设神经网络在通过训练之后能够有效识别泄漏信号对应的二值分布图，以获得泄漏信号对应的泄漏程度。
本发明实施例中，预设神经网络包括卷积层、池化层，全连接层和逻辑回归层。首先将泄漏信号对应的二值分布图输入至预设神经网络的卷积层和池化层，利用卷积层和池化层对二值分布图进行特征提取，输出二值分布图对应的二维特征向量；再将二维特征向量输入至预设神经网络的全连接层，利用全连接层将二维特征向量转化为一维特征向量，并输出一维特征向量；最终将一维特征向量输入至预设神经网络的逻辑回归层，输出泄漏信号对应的预测概率，根据预测概率获得泄漏信号对应的泄漏程度。
本发明实施例提供的供水管道泄漏程度检测方法，采集供水管道的泄漏信号；基于Wigner-Ville分布对泄漏信号进行时频分析，获得泄漏信号对应的时频分布图；对时频分布图进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图；将二值分布图输入至预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度。该方法通过Wigner-Ville分布和单元平均恒虚警处理能够有效准确地提取有效的泄漏信号，一定程度上削减了随机干扰噪声对泄漏信号检测的影响；同时通过预设神经网络学习泄漏信号特征，以获得不同泄漏信号对应的泄漏程度，能够有效地对不同泄漏情况下的泄漏信号进行准确分类，确保了供水管道泄漏信号检测结果的准确性。
基于上述任一实施例，提供一种供水管道泄漏程度检测方法，对时频分布图进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图，具体为：将时频分布图划分为多个待检测单元；对于任意一个待检测单元，利用单元平均恒虚警处理方法判断待检测单元中是否存在泄漏信号，若存在泄漏信号，则将待检测单元对应的灰度值设置为第一数值，否则将待检测单元对应的灰度值设置为第二数值，获得泄漏信号对应的二值分布图。
具体地，本发明实施例中，对时频分布图进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图，具体实现过程如下：
首先，将时频分布图划分为多个待检测单元，在此基础上，对于任意一个待检测单元，利用单元平均恒虚警处理方法判断待检测单元中是否存在泄漏信号。其中，单元平均恒虚警处理判断待检测单元中是否存在泄漏信号所采用的自适应判决准则如下：
其中，H1、H0分别表示存在泄漏信号和不存在泄漏信号；T是门限因子；D是待检测单元的功率水平；X为随机干扰噪声的功率水平。
(5)式中待检测单元的功率水平D通过时频分布图可以获知，为了判断待检测单元中是否存在泄漏信号，还需进一步计算随机干扰噪声的功率水平X和门限因子T。
在单元平均恒虚警处理方法中，假设N个待检测单元均分在两个参考滑窗，分别称为前导参考窗和滞后参考窗，利用这两个窗内的待检测单元的采样均值估计出随机干扰噪声的功率水平X，具体表示如下：
其中，N是预先设置的待检测单元数量；xi表示第i个待检测单元。
在单元平均恒虚警处理方法中，检测概率Pd与门限因子T的关系可表示如下：
(7)式中，C表示泄漏信号与随机噪声干扰信号的功率比。C＝0时，门限因子T与虚警概率Pfd的关系为：
(8)式中，由于虚警概率Pfd是预先设置的已知参数，因此，通过(8)式即可根据虚警概率Pfd计算获知门限因子T。
通过上述方法步骤，待检测单元的功率水平D、随机干扰噪声的功率水平X和门限因子T均是已知的，在此基础上，即可通过(5)式中的自适应判决准则判断待检测单元中是否存在泄漏信号。若存在泄漏信号，则将待检测单元对应的灰度值设置为第一数值，否则将待检测单元对应的灰度值设置为第二数值，由此即可获得泄漏信号对应的二值分布图。其中，第一数值可以设置为1，第二数值可以设置为0；相应地，在二值分布图中，灰度值为1的待检测单元可以用黑像素点进行表示，灰度值为0的待检测单元可以用白像素点进行表示。
本发明实施例提供的供水管道泄漏程度检测方法，将时频分布图划分为多个待检测单元；对于任意一个待检测单元，利用单元平均恒虚警处理方法判断待检测单元中是否存在泄漏信号，若存在泄漏信号，则将待检测单元对应的灰度值设置为第一数值，否则将待检测单元对应的灰度值设置为第二数值，获得泄漏信号对应的二值分布图。该方法通过单元平均恒虚警处理方法能够有效削减随机干扰噪声对泄漏信号的影响，且所获得的二值分布图中能够有效地保留泄漏信号的完整特征，有利于后续实现泄漏信号的有效检测。
基于上述任一实施例，提供一种供水管道泄漏程度检测方法，将二值分布图输入至预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度，具体为：将二值分布图输入至预设神经网络的卷积层和池化层，利用卷积层和池化层对二值分布图进行特征提取，输出二值分布图对应的二维特征向量；将二维特征向量输入至预设神经网络的全连接层，利用全连接层将二维特征向量转化为一维特征向量，输出一维特征向量；将一维特征向量输入至预设神经网络的逻辑回归层，输出泄漏信号对应的预测概率，根据预测概率获得泄漏信号对应的泄漏程度。
具体地，本发明实施例中，将二值分布图输入至预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度，具体实现过程如下：
首先，将二值分布图输入至预设神经网络的卷积层和池化层，利用卷积层和池化层对二值分布图进行特征提取，输出二值分布图对应的二维特征向量。本发明实施例中，预设神经网络的卷积层包括第一卷积层和第二卷积层，池化层包括第一池化层和第二池化层。首先将二值分布图输入至预设神经网络的第一卷积层进行卷积计算，第一卷积层采用8个滤波器，大小为[3,3]，移动步长为1，第一卷积层的输出结果通过激活函数ReLU(整形线性单元)进行运算。再将第一卷积层的输出结果输入至第一池化层，第一池化层所采用的池化函数为最大池化函数，其大小为[2,4]，移动步长为1。然后，将第一池化层的输出结果输入至第二卷积层进行卷积计算，第二卷积层采用16个滤波器，大小为[3,3]，移动步长为1，第二卷积层的输出结果通过激活函数ReLU进行运算。再将第二卷积层的输出结果输入至第二池化层，第二池化层所采用的池化函数为最大池化函数，其大小为[2,4]，移动步长为1。由此，通过第一卷积层、第一池化层、第二卷积层和第二池化层对二值分布图进行处理之后，最终通过第二池化层输出二值分布图对应的二维特征向量。
进一步地，将二维特征向量输入至预设神经网络的全连接层，利用全连接层将二维特征向量转化为一维特征向量，并输出一维特征向量；最终将一维特征向量输入至预设神经网络的逻辑回归层，本发明实施例中，逻辑回归层具体为softmax分类器，softmax分类器的输出网元为4个，4个输出网元分别对应无损、小口泄漏、中口泄漏和大口泄漏4种泄漏程度，每个输出网元将输出对应的预测概率，从4个输出网元输出的预测概率中筛选出最大预测概率，将预测概率最大的输出网元对应的泄漏程度确定为泄漏信号对应的泄漏程度。例如，若第二个输出网元输出的预测概率最大，且第二个输出网元对应的泄漏程度为小口泄漏，则可确定泄漏信号对应的泄漏程度为小口泄漏。
本发明实施例提供的供水管道泄漏程度检测方法，将二值分布图输入至预设神经网络的卷积层和池化层，利用卷积层和池化层对二值分布图进行特征提取，输出二值分布图对应的二维特征向量；将二维特征向量输入至预设神经网络的全连接层，利用全连接层将二维特征向量转化为一维特征向量，输出一维特征向量；将一维特征向量输入至预设神经网络的逻辑回归层，输出泄漏信号对应的预测概率，根据预测概率获得泄漏信号对应的泄漏程度。该方法通过预设神经网络学习泄漏信号特征，以获得不同泄漏信号对应的泄漏程度，能够有效地对不同泄漏情况下的泄漏信号进行准确分类，确保了供水管道泄漏信号检测结果的准确性。
基于上述任一实施例，提供一种供水管道泄漏程度检测方法，将二值分布图输入至预设神经网络，之前还包括：获取多个泄漏信号样本和每个泄漏信号样本对应的泄漏程度标签；基于Wigner-Ville分布对每个泄漏信号样本进行时频分析，获得每个泄漏信号样本对应的时频分布图；对每个泄漏信号样本对应的时频分布图进行单元平均恒虚警处理，获得每个泄漏信号样本对应的二值分布图；将每个泄漏信号样本对应的二值分布图和泄漏程度标签的组合作为一个训练样本，获得多个训练样本，利用多个训练样本对预设神经网络进行训练。
具体地，在将二值分布图输入至预设神经网络之前，还需对预设神经网络进行训练，具体训练过程如下：
首先，获取多个泄漏信号样本和每个泄漏信号样本对应的泄漏程度标签，即每个泄漏信号样本对应的泄漏程度是已知的，且已通过泄漏程度标签进行标注。其中，泄漏程度标签包括无损、小口泄漏、中口泄漏和大口泄漏。在此基础上，基于Wigner-Ville分布对每个泄漏信号样本进行时频分析，获得每个泄漏信号样本对应的时频分布图，并对每个泄漏信号样本对应的时频分布图进行单元平均恒虚警处理，获得每个泄漏信号样本对应的二值分布图。其中，Wigner-Ville分布和单元平均恒虚警处理的具体实现过程可以参见上述方法实施例，此处不再赘述。
进一步地，将每个泄漏信号样本对应的二值分布图和泄漏程度标签的组合作为一个训练样本，即将每个带有泄漏程度标签的二值分布图作为一个训练样本，由此即可获得多个训练样本。在获得多个训练样本之后，再将多个训练样本依次输入至预设神经网络，即将每个训练样本中的二值分布图和泄漏程度标签同时输入至预设神经网络，根据预设神经网络的每一次输出结果对预设神经网络中的模型参数进行调整，最终完成预设神经网络的训练过程。
本发明实施例中，针对4种泄漏程度，每种泄漏程度采用800个训练样本进行预设神经网络训练；之后，采用200个测试样本进行测试，由此获得的预设神经网络能够获得准确的泄漏程度检测结果，具体如下表1所示：
表1水管泄漏程度检测结果
本发明实施例提供的供水管道泄漏程度检测方法，在将二值分布图输入至预设神经网络之前，获取多个泄漏信号样本和每个泄漏信号样本对应的泄漏程度标签；基于Wigner-Ville分布对每个泄漏信号样本进行时频分析，获得每个泄漏信号样本对应的时频分布图；对每个泄漏信号样本对应的时频分布图进行单元平均恒虚警处理，获得每个泄漏信号样本对应的二值分布图；将每个泄漏信号样本对应的二值分布图和泄漏程度标签的组合作为一个训练样本，获得多个训练样本，利用多个训练样本对预设神经网络进行训练。该方法基于深度学习的思想对预设神经网络进行训练，使得预设神经网络学习不同泄漏程度对应的二值分布图的特征，有利于利用训练好的预设神经网络对泄漏信号的泄漏程度进行检测。
基于上述任一实施例，提供一种供水管道泄漏程度检测方法，利用多个训练样本对预设神经网络进行训练，具体为：对于任意一个训练样本，将训练样本输入至预设神经网络，输出训练样本对应的预测概率；利用预设损失函数根据训练样本对应的预测概率和训练样本中的泄漏程度标签计算损失值；若损失值小于预设阈值，则预设神经网络训练完成。
具体地，在获得多个训练样本之后，对于任意一个训练样本，将该训练样本中的二值分布图和泄漏程度标签同时输入至预设神经网络，输出该训练样本对应的预测概率，其中预测概率指的是该训练样本针对不同泄漏程度对应的预测概率。在此基础上，利用预设损失函数根据训练样本对应的预测概率和训练样本中的泄漏程度标签计算损失值。其中，泄漏程度标签可以表示为one-hot向量，预设损失函数可以为交叉熵损失函数。在其他实施例中，泄漏程度标签的表示方式和预设损失函数可以根据实际需求进行设置，此处不做具体限定。在计算获得损失值之后，本次训练过程结束，再利用误差反向传播算法更新预设神经网络中的模型参数，之后再进行下一次训练。在训练的过程中，若针对某个训练样本计算获得的损失值小于预设阈值，则预设神经网络训练完成。
本发明实施例提供的供水管道泄漏程度检测方法，对于任意一个训练样本，将训练样本输入至预设神经网络，输出训练样本对应的预测概率；利用预设损失函数根据训练样本对应的预测概率和训练样本中的泄漏程度标签计算损失值；若损失值小于预设阈值，则预设神经网络训练完成。该方法通过对预设神经网络进行训练，有利于将预设神经网络的损失值控制在预设的范围内，从而有利于提高预设神经网络进行泄漏程度检测的精度。
基于上述任一实施例，提供一种供水管道泄漏程度检测方法，对时频分布图进行单元平均恒虚警处理，之前还包括：对时频分布图进行灰度化处理，获得泄漏信号对应的时频灰度图像；相应地，对时频分布图进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图，具体为：对时频灰度图像进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图。
具体地，本发明实施例中，在对时频分布图进行单元平均恒虚警处理之前，需先对时频分布图进行灰度化处理，获得泄漏信号对应的时频灰度图像。其中，时频灰度图像的像素范围设置在0-255之间，在其他实施例中，时频灰度图像的像素范围可以根据实际需求进行设置，此处不做具体限定。在获得泄漏信号对应的时频灰度图像之后，再对时频灰度图像进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图。需要说明的是，本发明实施例中，时频分布图进行灰度化处理之后的图像相较于灰度化处理之前的图像更便于进行单元平均恒虚警处理，有利于提高单元平均恒虚警处理的效率。
本发明实施例提供的供水管道泄漏程度检测方法，在对时频分布图进行单元平均恒虚警处理之前，需先对时频分布图进行灰度化处理，获得泄漏信号对应的时频灰度图像，再对时频灰度图像进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图。该方法通过对时频分布图进行灰度化处理，以使得时频分布图进行灰度化处理之后的图像相较于灰度化处理之前的图像更便于进行单元平均恒虚警处理，有利于提高单元平均恒虚警处理的效率。
基于上述任一实施例，提供一种供水管道泄漏程度检测方法，对时频分布图进行灰度化处理，之前还包括：将时频分布图的大小调整至预设尺寸，获得调整后的时频分布图；相应地，对时频分布图进行灰度化处理，获得泄漏信号对应的时频灰度图像，具体为：对调整后的时频分布图进行灰度化处理，获得泄漏信号对应的时频灰度图像。
具体地，本发明实施例中，在对时频分布图进行灰度化处理之前，需先将时频分布图的大小调整至预设尺寸，获得调整后的时频分布图。调整后的时频分布图相较于调整前的时频分布图的大小进行了一定的缩减。在此基础上，再对调整后的时频分布图进行灰度化处理，获得泄漏信号对应的时频灰度图像。需要说明的是，本发明实施例中，在对时频分布图进行灰度化处理之前，先将时频分布图的大小调整至预设尺寸，有利于缩短整个灰度化处理过程的程序运行时间，进而有效提高灰度化处理的效率。
本发明实施例提供的供水管道泄漏程度检测方法，在对时频分布图进行灰度化处理之前，需先将时频分布图的大小调整至预设尺寸，获得调整后的时频分布图，再对调整后的时频分布图进行灰度化处理，获得泄漏信号对应的时频灰度图像。该方法在对时频分布图进行灰度化处理之前，先将时频分布图的大小调整至预设尺寸，有利于缩短整个灰度化处理过程的程序运行时间，进而有效提高灰度化处理的效率。
图2为本发明实施例提供的供水管道泄漏程度检测装置的结构示意图，如图2所示，该检测装置包括：信号采集模块21和时频分析模块22、恒虚警处理模块23和泄漏程度检测模块24，其中：
信号采集模块21用于采集供水管道的泄漏信号；
具体地，在实际应用中，需先在供水管道上预先设置传感器，当供水管道发生泄漏时，通过信号采集模块21利用传感器采集供水管道的泄漏信号。其中，传感器可以为声发射传感器。传感器的安装位置可以根据供水管道的实际泄漏位置进行设置，此处不做具体限定。
需要说明的是，由于受到外界干扰噪声和传感器随机噪声的影响，传感器实际采集的信号为有效泄漏信号和随机干扰噪声的加性组合。也就是说，传感器所采集的泄漏信号中混杂有随机干扰噪声。
时频分析模块22用于基于Wigner-Ville分布对泄漏信号进行时频分析，获得泄漏信号对应的时频分布图；
具体地，在上述技术方案的基础上，利用时频分析模块22对传感器采集的泄漏信号进行时频分析，以使得泄漏信号的特征在时频域上突显出来，以便于后续对泄漏信号进行检测。本发明实施例中，利用时频分析模块22基于Wigner-Ville分布对泄漏信号进行时频分析，并由此获得泄漏信号对应的时频分布图。其中，Wigner-Ville分布是一种有效的时频分析方法，Wigner-Ville分布对于分析大部分非稳态的随机信号具有良好的效果，故而能够对混杂有随机干扰噪声的泄漏信号进行有效地时频分析。通过时频分析获得的时频分布图中体现了泄漏信号在不同时间的瞬时频率，即从时频分布图中可以看出泄漏信号的频率随时间变化的规律。
需要说明的是，在其他实施例中，还可以采用其他时频分析方法对泄漏信号进行时频分析，如连续小波变换等，可以根据实际需求进行设置，此处不做具体限定。
恒虚警处理模块23用于对时频分布图进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图；
具体地，由于传感器采集的泄漏信号中混杂有随机干扰噪声信号，因此对泄漏信号进行时频分析所获得的时频分布图中也同样混杂有随机干扰噪声信号。有鉴于此，需进一步对时频分布图进行去噪处理，去除时频分布图中的随机干扰噪声信号，以获得有效泄漏信号的完整特征。本发明实施例中，利用恒虚警处理模块23采用单元平均恒虚警处理方法对时频分布图进行去噪处理，即对时频分布图进行单元平均恒虚警处理，由此获得泄漏信号对应的二值分布图。其中，二值分布图中通过黑白像素点体现泄漏信号的分布情况，其中白像素点表示泄漏信号，黑像素点表示非泄漏信号。
需要说明的是，单元平均恒虚警处理方法是一种典型恒虚警处理方法，单元平均恒虚警处理方法中需设置两个主要参数，分别为虚警率和门限因子。由于噪声总是客观存在的，当噪声信号的幅度超过设置的门限因子时，检测系统就会被误认为发现目标，这种错误称为"虚警"，它的发生概率称为虚警率。本发明实施例中，在采用单元平均恒虚警处理方法对时频分布图进行去噪处理的过程中，为了获得泄漏信号的完整特征，所设置的虚警率不应过低，而所设置的门限因子不应过高。
泄漏程度检测模块24用于将二值分布图输入至预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度。
具体地，在上述技术方案的基础上，利用泄漏程度检测模块24将泄漏信号对应的二值分布图输入预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度。其中，预设神经网络是根据带有泄漏程度标签的二值分布图进行训练后获得的，泄漏程度包括无损、小口泄漏、中口泄漏和大口泄漏。可以理解的是，预设神经网络在通过训练之后能够有效识别泄漏信号对应的二值分布图，以获得泄漏信号对应的泄漏程度。
本发明实施例中，预设神经网络包括卷积层、池化层，全连接层和逻辑回归层。首先将泄漏信号对应的二值分布图输入至预设神经网络的卷积层和池化层，利用卷积层和池化层对二值分布图进行特征提取，输出二值分布图对应的二维特征向量；再将二维特征向量输入至预设神经网络的全连接层，利用全连接层将二维特征向量转化为一维特征向量，并输出一维特征向量；最终将一维特征向量输入至预设神经网络的逻辑回归层，输出泄漏信号对应的预测概率，根据预测概率获得泄漏信号对应的泄漏程度。
本发明实施例提供的供水管道泄漏程度检测装置，具体执行上述各检测方法实施例流程，具体请详见上述各检测方法实施例的内容，在此不再赘述。
本发明实施例提供的供水管道泄漏程度检测装置，采集供水管道的泄漏信号；基于Wigner-Ville分布对泄漏信号进行时频分析，获得泄漏信号对应的时频分布图；对时频分布图进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图；将二值分布图输入至预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度。该装置通过Wigner-Ville分布和单元平均恒虚警处理能够有效准确地提取有效的泄漏信号，一定程度上削减了随机干扰噪声对泄漏信号检测的影响；同时通过预设神经网络学习泄漏信号特征，以获得不同泄漏信号对应的泄漏程度，能够有效地对不同泄漏情况下的泄漏信号进行准确分类，确保了供水管道泄漏信号检测结果的准确性。
图3为本发明实施例提供的电子设备的实体结构示意图。参照图3，所述电子设备，包括：处理器(processor)31、存储器(memory)32和总线33；其中，所述处理器31和存储器32通过所述总线33完成相互间的通信；所述处理器31用于调用所述存储器32中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：采集供水管道的泄漏信号；基于Wigner-Ville分布对泄漏信号进行时频分析，获得泄漏信号对应的时频分布图；对时频分布图进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图；将二值分布图输入至预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度。
此外，上述的存储器32中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的检测方法，例如包括：采集供水管道的泄漏信号；基于Wigner-Ville分布对泄漏信号进行时频分析，获得泄漏信号对应的时频分布图；对时频分布图进行单元平均恒虚警处理，获得泄漏信号对应的二值分布图；将二值分布图输入至预设神经网络，根据预设神经网络的输出结果，获得泄漏信号对应的泄漏程度。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种供水管道泄漏程度检测方法，其特征在于，包括：
采集供水管道的泄漏信号；
基于Wigner-Ville分布对所述泄漏信号进行时频分析，获得所述泄漏信号对应的时频分布图；
设置虚警率和门限因子，并根据所述虚警率和门限因子对所述时频分布图进行单元平均恒虚警处理，获得所述泄漏信号对应的二值分布图，其中，存在泄漏信号时，所述二值分布图中对应位置的灰度值为第一数值，否则为第二数值；将所述时频分布图划分为多个待检测单元；对于任意一个待检测单元，利用单元平均恒虚警处理方法判断所述待检测单元中是否存在泄漏信号，若存在泄漏信号，则将所述待检测单元对应的灰度值设置为第一数值，否则将所述待检测单元对应的灰度值设置为第二数值，获得所述泄漏信号对应的二值分布图；
将所述二值分布图输入至预设神经网络，根据所述预设神经网络的输出结果，获得所述泄漏信号对应的泄漏程度；获取多个泄漏信号样本和每个泄漏信号样本对应的泄漏程度标签；基于Wigner-Ville分布对每个泄漏信号样本进行时频分析，获得每个泄漏信号样本对应的时频分布图；对每个泄漏信号样本对应的时频分布图进行单元平均恒虚警处理，获得每个泄漏信号样本对应的二值分布图；将每个泄漏信号样本对应的二值分布图和泄漏程度标签的组合作为一个训练样本，获得多个训练样本，利用多个训练样本对所述预设神经网络进行训练；对于任意一个训练样本，将所述训练样本输入至所述预设神经网络，输出所述训练样本对应的预测概率；利用预设损失函数根据所述训练样本对应的预测概率和所述训练样本中的泄漏程度标签计算损失值；若所述损失值小于预设阈值，则所述预设神经网络训练完成；
其中，所述预设神经网络是根据每个泄漏信号样本对应的二值分布图和泄漏程度标签的组合作为训练样本对所述预设神经网络进行训练得到，所述泄漏程度包括无损、小口泄漏、中口泄漏和大口泄漏。
2.根据权利要求1所述的方法，其特征在于，将所述二值分布图输入至预设神经网络，根据所述预设神经网络的输出结果，获得所述泄漏信号对应的泄漏程度，具体为：
将所述二值分布图输入至所述预设神经网络的卷积层和池化层，利用所述卷积层和池化层对所述二值分布图进行特征提取，输出所述二值分布图对应的二维特征向量；
将所述二维特征向量输入至所述预设神经网络的全连接层，利用所述全连接层将所述二维特征向量转化为一维特征向量，输出所述一维特征向量；
将所述一维特征向量输入至所述预设神经网络的逻辑回归层，输出所述泄漏信号对应的预测概率，根据所述预测概率获得所述泄漏信号对应的泄漏程度。
3.根据权利要求1所述的方法，其特征在于，对所述时频分布图进行单元平均恒虚警处理，之前还包括：
对所述时频分布图进行灰度化处理，获得所述泄漏信号对应的时频灰度图像；
相应地，对所述时频分布图进行单元平均恒虚警处理，获得所述泄漏信号对应的二值分布图，具体为：
对所述时频灰度图像进行单元平均恒虚警处理，获得所述泄漏信号对应的二值分布图。
4.根据权利要求3所述的方法，其特征在于，对所述时频分布图进行灰度化处理，之前还包括：
将所述时频分布图的大小调整至预设尺寸，获得调整后的时频分布图；
相应地，对所述时频分布图进行灰度化处理，获得所述泄漏信号对应的时频灰度图像，具体为：
对调整后的时频分布图进行灰度化处理，获得所述泄漏信号对应的时频灰度图像。
5.一种供水管道泄漏程度检测装置，其特征在于，包括：
信号采集模块，用于采集供水管道的泄漏信号；
时频分析模块，用于基于Wigner-Ville分布对所述泄漏信号进行时频分析，获得所述泄漏信号对应的时频分布图；
恒虚警处理模块，用于设置虚警率和门限因子，并根据所述虚警率和门限因子对所述时频分布图进行单元平均恒虚警处理，获得所述泄漏信号对应的二值分布图，其中，存在泄漏信号时，所述二值分布图中对应位置的灰度值为第一数值，否则为第二数值；将所述时频分布图划分为多个待检测单元；对于任意一个待检测单元，利用单元平均恒虚警处理方法判断所述待检测单元中是否存在泄漏信号，若存在泄漏信号，则将所述待检测单元对应的灰度值设置为第一数值，否则将所述待检测单元对应的灰度值设置为第二数值，获得所述泄漏信号对应的二值分布图；
泄漏程度检测模块，用于将所述二值分布图输入至预设神经网络，根据所述预设神经网络的输出结果，获得所述泄漏信号对应的泄漏程度；获取多个泄漏信号样本和每个泄漏信号样本对应的泄漏程度标签；基于Wigner-Ville分布对每个泄漏信号样本进行时频分析，获得每个泄漏信号样本对应的时频分布图；对每个泄漏信号样本对应的时频分布图进行单元平均恒虚警处理，获得每个泄漏信号样本对应的二值分布图；将每个泄漏信号样本对应的二值分布图和泄漏程度标签的组合作为一个训练样本，获得多个训练样本，利用多个训练样本对所述预设神经网络进行训练；对于任意一个训练样本，将所述训练样本输入至所述预设神经网络，输出所述训练样本对应的预测概率；利用预设损失函数根据所述训练样本对应的预测概率和所述训练样本中的泄漏程度标签计算损失值；若所述损失值小于预设阈值，则所述预设神经网络训练完成；
其中，所述预设神经网络是根据每个泄漏信号样本对应的二值分布图和泄漏程度标签的组合作为训练样本对所述预设神经网络进行训练得到，所述泄漏程度包括无损、小口泄漏、中口泄漏和大口泄漏。
6.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910171278.8A CN109945075B (zh) | 2019-03-07 | 2019-03-07 | 一种供水管道泄漏程度检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910171278.8A CN109945075B (zh) | 2019-03-07 | 2019-03-07 | 一种供水管道泄漏程度检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109945075A CN109945075A (zh) | 2019-06-28 |
| CN109945075B true CN109945075B (zh) | 2021-03-02 |
Family
ID=67008615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910171278.8A Active CN109945075B (zh) | 2019-03-07 | 2019-03-07 | 一种供水管道泄漏程度检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109945075B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110440148B (zh) * | 2019-07-15 | 2021-07-13 | 清华大学 | 一种漏损声信号分类识别方法、装置及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS56162029A (en) * | 1980-05-19 | 1981-12-12 | Hitachi Ltd | Water leakage detecting method |
| JP3295682B2 (ja) * | 1996-12-20 | 2002-06-24 | 東京瓦斯株式会社 | 配管漏洩位置特定方法における信号処理方法 |
| JP4795669B2 (ja) * | 2004-11-10 | 2011-10-19 | 晃 幸田 | 漏洩探知における雑音除去方法 |
| CN103216731B (zh) * | 2013-05-08 | 2015-02-04 | 西安理工大学 | 一种管道泄漏判定方法及其系统 |
| CN104747912B (zh) * | 2015-04-23 | 2017-04-12 | 重庆邮电大学 | 流体输送管道泄漏声发射时频定位方法 |
| CN106874888A (zh) * | 2017-03-13 | 2017-06-20 | 无锡亚天光电科技有限公司 | 一种将分布式光纤振动信号图像化的特征增强和信号处理方法 |
| CN107590516B (zh) * | 2017-09-16 | 2020-09-22 | 电子科技大学 | 基于光纤传感数据挖掘的输气管道泄漏检测识别方法 |
-
2019
- 2019-03-07 CN CN201910171278.8A patent/CN109945075B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109945075A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
| CN112446378B (zh) | 目标检测方法及装置、存储介质、终端 | |
| CN111238814A (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
| CN109472285B (zh) | 井漏识别方法、装置及计算机设备 | |
| CN108564002B (zh) | 一种遥感影像时间序列变化检测方法及系统 | |
| CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
| CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
| CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 | |
| CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
| CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
| CN104156929A (zh) | 基于全局滤波的红外弱小目标背景抑制方法及其装置 | |
| CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
| CN113901927B (zh) | 一种基于流场压力时程的水下物体外形识别方法 | |
| CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
| CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| CN110657807B (zh) | 基于小波变换检测不连续性的室内定位位移测量方法 | |
| CN117633588A (zh) | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 | |
| CN116772122A (zh) | 一种天然气管道泄漏故障诊断方法、系统、设备及介质 | |
| CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
| CN111259926A (zh) | 肉品新鲜度检测方法、装置、计算设备和存储介质 | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
| CN116167936A (zh) | 一种用于洪水监测的山体阴影去除方法及装置 | |
| CN112014821B (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
| CN114972871A (zh) | 基于图像配准的少样本图像异常检测方法及系统 | |
| CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |