CN113780381A - 一种人工智能漏水检测方法及装置 - Google Patents

一种人工智能漏水检测方法及装置 Download PDF

Info

Publication number
CN113780381A
CN113780381A CN202110998837.XA CN202110998837A CN113780381A CN 113780381 A CN113780381 A CN 113780381A CN 202110998837 A CN202110998837 A CN 202110998837A CN 113780381 A CN113780381 A CN 113780381A
Authority
CN
China
Prior art keywords
sound information
water leakage
information
water
sound
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.)
Granted
Application number
CN202110998837.XA
Other languages
English (en)
Other versions
CN113780381B (zh
Inventor
李刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Terminus Technology Group Co Ltd
Original Assignee
Terminus Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Terminus Technology Group Co Ltd filed Critical Terminus Technology Group Co Ltd
Priority to CN202110998837.XA priority Critical patent/CN113780381B/zh
Publication of CN113780381A publication Critical patent/CN113780381A/zh
Application granted granted Critical
Publication of CN113780381B publication Critical patent/CN113780381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/45—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of analysis window
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L25/84—Detection of presence or absence of voice signals for discriminating voice from noise

Abstract

本发明提供一种人工智能漏水检测方法及装置，属于检测识别技术领域，该方法包括：获取声音采集设备采集的第一声音信息，声音采集设备设置于马桶的易漏水部位附近的预设区域内；将第一声音信息与第二声音信息进行比较，得到比较结果，第二声音信息是声音采集设备在易漏水部位未漏水且易漏水部位周围预设范围内的环境噪声满足预设条件的情况下采集得到；根据比较结果确定第一声音信息是否异常；在确定第一声音信息异常的情况下，将根据第一声音信息得到的信息输入至预先训练的神经网络，并根据神经网络的输出确定易漏水部位的漏水等级，漏水等级包括表示不漏水的等级。本发明能够准确及时检测出马桶的漏水情况。

Description

一种人工智能漏水检测方法及装置
技术领域
本发明涉及检测识别技术领域，具体涉及一种人工智能漏水检测方法及装置。
背景技术
马桶一旦出现漏水，不仅会导致水资源浪费，而且还会导致地面因浸泡导致发霉、损坏等情况出现，目前针对马桶漏水一般采用漏水检测探头来实现漏水检测。但是，漏水检测探头的布置区域有限，容易出现漏检的问题。而且马桶的安装位置，常与其他的用水区域（例如淋浴区域、洗漱区域）临近，容易出现因水被洒落或滴落至漏水检测探头的作用区域而误报的问题。另外如果空气潮湿（例如淋浴就很容易导致空气湿度过大）或因空气潮湿导致凝水现象也很容易导致漏水检测探头误报。
发明内容
因此，本发明实施例要解决的技术问题在于克服现有技术中的马桶漏水检测方案容易出现漏报和误报的缺陷，从而提供一种人工智能漏水检测方法及装置。
本发明提供一种人工智能漏水检测方法，包括以下步骤：
获取声音采集设备采集的第一声音信息，所述声音采集设备设置于马桶的易漏水部位附近的预设区域内；
将所述第一声音信息与第二声音信息进行比较，得到比较结果，所述第二声音信息是所述声音采集设备在所述易漏水部位未漏水且所述易漏水部位周围预设范围内的环境噪声满足预设条件的情况下采集得到；
根据所述比较结果确定所述第一声音信息是否异常；
在确定所述第一声音信息异常的情况下，将根据所述第一声音信息得到的信息输入至预先训练的神经网络，并根据所述神经网络的输出确定所述易漏水部位的漏水等级，所述漏水等级包括表示不漏水的等级。
可选的，所述将根据所述第一声音信息得到的信息输入至预先训练的神经网络之前，还包括：
对所述第一声音信息进行分帧和加窗处理，得到多帧声音信息；
分别获取各帧声音信息的特征向量；
分别对多帧声音信息进行离散傅里叶变换，获取对应的幅度谱数据，并根据幅度谱数据获取每帧声音信息对应的时频二维信息；
所述将根据所述第一声音信息得到的信息输入至预先训练的神经网络，包括：
将各帧声音信息的特征向量和时频二维信息作为根据所述第一声音信息得到的信息，按照帧的时间顺序依次输入至所述神经网络。
可选的，所述神经网络为循环神经网络，所述循环神经网络包括输入层、SVM层、卷积层、池化层、LSTM层、全连接层、特征融合层和softmax层；其中，
所述输入层用于接收所述时频二维信息；所述SVM层的输入为所述特征向量；所述卷积层用于进行特征提取；所述池化层用于实现特征的平移不变性；所述LSTM层用于有选择性地记忆之前输入至所述神经网络的各帧声音信息的时频二维信息和特征向量；所述全连接层用作分类器；所述特征融合层用于降低特征维度；所述softmax层用于输出各漏水等级的概率。
可选的，所述神经网络的输出包括各帧声音信息对应的各漏水等级的概率；
所述根据所述神经网络的输出确定所述易漏水部位的漏水等级，包括：
统计各帧声音信息对应的漏水等级，得出各漏水等级对应的帧数，将帧数最多的漏水等级作为所述易漏水部位的漏水等级，其中，各帧声音信息对应的漏水等级为该帧声音信息对应的概率最大的漏水等级。
可选的，所述将根据所述第一声音信息得到的信息输入至预先训练的神经网络之前，还包括：
获取作为训练样本的第三声音信息；
对所述第三声音信息进行分类，分出的类别至少包括所述易漏水部位发生各漏水等级的漏水时的声音类别、所述预设范围内的下水道流水时的声音类别和所述预设范围内的环境噪声不满足所述预设条件时的声音类别中的至少之一；
将属于同一类别的第三声音信息的特征向量经过注意力网络进行处理，得到所述类别的第三声音信息的特征注意力向量；
将所述特征注意力向量分别与所述类别的第三声音信息的特征向量相乘，作为所述类别的第三声音信息的注意力修正后的特征向量；
将各所述类别的第三声音信息的注意力修正后的特征向量，输入至待训练的神经网络进行训练。
可选的，所述将所述第一声音信息与第二声音信息进行比较之前，还包括：
判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息；
若判断出所述第一声音信息包括所述预设范围内的下水道流水的声音信息，则从所述第一声音信息中去除所述预设范围内的下水道流水的声音信息。
可选的，所述判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息，包括：
获取所述第一声音信息的频谱信息；
将所述第一声音信息的频谱信息与预先获取的所述预设范围内的下水道流水的声音信息的频谱信息进行比较，以判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息。
可选的，所述根据所述神经网络的输出确定所述易漏水部位的漏水等级之后，还包括：
若根据所述漏水等级确定所述易漏水部分发生漏水，则向控制马桶的进水阀控制器发送指示信息，所述指示信息用于指示所述进水阀控制器关闭进水阀；和/或，
若根据所述漏水等级确定所述易漏水部分发生漏水，则向目标终端发送漏水报警信息，所述漏水报警信息包括所述漏水等级，所述目标终端的使用者为物业管理人员或房主。
本发明还提供一种马桶漏水检测装置，包括：
声音获取单元，用于获取声音采集设备采集的第一声音信息，所述声音采集设备设置于马桶的易漏水部位；
声音比较单元，用于将所述第一声音信息与第二声音信息进行比较，得到比较结果，所述第二声音信息是所述声音采集设备在所述易漏水部位未漏水且所述易漏水部位周围预设范围内的环境噪声满足预设条件的情况下采集得到；
确定单元，用于根据所述比较结果确定所述第一声音信息是否异常；
第一判断单元，用于在确定所述第一声音信息异常的情况下，将根据所述第一声音信息得到的信息输入至预先训练的神经网络，并根据所述神经网络的输出确定所述易漏水部位的漏水等级，所述漏水等级包括表示不漏水的等级。
可选的，所述装置还包括：
处理单元，用于对所述第一声音信息进行分帧和加窗处理，得到多帧声音信息；
第一获取模块，用于分别获取各帧声音信息的特征向量；
第二获取模块，用于分别对多帧声音信息进行离散傅里叶变换，获取对应的幅度谱数据，并根据幅度谱数据获取每帧声音信息对应的时频二维信息；
所述第一判断单元，用于将各帧声音信息的特征向量和时频二维信息作为根据所述第一声音信息得到的信息，按照帧的时间顺序依次输入至所述神经网络。
可选的，所述神经网络为循环神经网络，所述循环神经网络包括输入层、SVM层、卷积层、池化层、LSTM层、全连接层、特征融合层和softmax层；其中，
所述输入层用于接收所述时频二维信息；所述SVM层的输入为所述特征向量；所述卷积层用于进行特征提取；所述池化层用于实现特征的平移不变性；所述LSTM层用于有选择性地记忆之前输入至所述神经网络的各帧声音信息的时频二维信息和特征向量；所述全连接层用作分类器；所述特征融合层用于降低特征维度；所述softmax层用于输出各漏水等级的概率。
可选的，所述神经网络的输出包括各帧声音信息对应的各漏水等级的概率；
所述第一判断单元，用于统计各帧声音信息对应的漏水等级，得出各漏水等级对应的帧数，将帧数最多的漏水等级作为所述易漏水部位的漏水等级，其中，各帧声音信息对应的漏水等级为该帧声音信息对应的概率最大的漏水等级。
可选的，所述装置还包括：
第三获取单元，用于获取作为训练样本的第三声音信息；
分类单元，用于对所述第三声音信息进行分类，分出的类别至少包括所述易漏水部位发生各漏水等级的漏水时的声音类别、所述预设范围内的下水道流水时的声音类别和所述预设范围内的环境噪声不满足所述预设条件时的声音类别中的至少之一；
注意力网络处理单元，用于将属于同一类别的第三声音信息的特征向量经过注意力网络进行处理，得到所述类别的第三声音信息的特征注意力向量；
修正单元，用于将所述特征注意力向量分别与所述类别的第三声音信息的特征向量相乘，作为所述类别的第三声音信息的注意力修正后的特征向量；
训练单元，用于将各所述类别的第三声音信息的注意力修正后的特征向量，输入至待训练的神经网络进行训练。
可选的，所述装置还包括：
第二判断单元，用于判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息；
去除单元，用于若判断出所述第一声音信息包括所述预设范围内的下水道流水的声音信息，则从所述第一声音信息中去除所述预设范围内的下水道流水的声音信息。
可选的，所述第二判断单元包括：
频谱信息获取子单元，用于获取所述第一声音信息的频谱信息；
比较子单元，用于将所述第一声音信息的频谱信息与预先获取的所述预设范围内的下水道流水的声音信息的频谱信息进行比较，以判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息。
可选的，所述装置还包括：
第一发送单元，用于若根据所述漏水等级确定所述易漏水部分发生漏水，则向控制马桶的进水阀控制器发送指示信息，所述指示信息用于指示所述进水阀控制器关闭进水阀；和/或，
第二发送单元，用于若根据所述漏水等级确定所述易漏水部分发生漏水，则向目标终端发送漏水报警信息，所述漏水报警信息包括所述漏水等级，所述目标终端的使用者为物业管理人员或房主。
本发明还提供一种马桶漏水检测装置，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任一种人工智能漏水检测方法。
本发明还提供一种存储介质，所述存储介质上存储有指令，所述指令被处理器执行时实现上述任一种人工智能漏水检测方法。
本发明实施例的技术方案，具有如下优点：
本发明中，基于马桶易漏水部位附近的声音信息，采用神经网络来确定马桶易漏水部位的漏水等级，不仅可以及时准确地识别出马桶是否漏水，还可以确定漏水的程度，以便于后续可以根据漏水程度进行不同的处理，从而可以避免漏水导致的水资源浪费以及地面因浸泡导致发霉、损坏的问题。与现有技术中的漏水检测方案相比，声音采集设备的采集范围大，不容易出现声音漏采集的情况，因此漏报的概率低，而且也不会因偶然的水滴落或洒落、或因空气湿度过大导致误报，也即可靠性高。另外，本发明实施例在使用神经网络进行漏水等级识别之前，还将采集到的声音信息与所述易漏水部位未漏水且所述易漏水部位周围预设范围内的环境噪声满足一定条件的情况下的声音信息进行比较，只有根据比较结果确定采集到的声音信息有异常时才使用神经网络进行漏水等级的识别，可以大大降低识别的计算量，降低识别处理器的能耗。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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1中人工智能漏水检测方法的一个具体示例的流程图；
图2为本发明实施例1中人工智能漏水检测方法的另一个具体示例的流程图；
图3为本发明实施例2中马桶漏水检测装置的一个具体示例的原理框图；
图4为本发明实施例3中马桶漏水检测装置的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明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做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。
在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通；可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
请参阅图1，本实施例提供一种人工智能漏水检测方法，包括以下步骤：
S1：获取声音采集设备采集的第一声音信息，所述声音采集设备设置于马桶的易漏水部位附近的预设区域内；具体的，所述声音采集设备可以设置在该易漏水部位发生漏水后由于漏出来的水的流动或滴落而产生声音的区域；
S2：将所述第一声音信息与第二声音信息进行比较，得到比较结果，所述第二声音信息是所述声音采集设备在所述易漏水部位未漏水且所述易漏水部位周围预设范围内的环境噪声满足预设条件的情况下采集得到；
其中，所述易漏水部位周围预设范围内的环境噪声需要满足的预设条件可根据马桶的使用环境确定，例如噪声强度低于预设值。另外，所述易漏水部位周围预设范围内的环境噪声需要满足的预设条件还可根据当前的时间确定，例如白天和晚上可设置不同的预设条件；该环境噪声可以利用所述声音采集设备采集，因此，所述易漏水部位周围预设范围可根据所述声音采集设备的采集性能确定；
S3：根据所述比较结果确定所述第一声音信息是否异常；
具体的，可以基于以下至少之一项比较所述第一声音信息和所述第二声音信息：频谱、幅度、能量和功率等，并针对每项分别设置比较阈值，若其中有N（N为正整数）项的比较结果超过对应的比较阈值，则确定所述第一声音信息异常；
或者，可以通过以下至少之一项计算所述第一声音信息和所述第二声音信息的相似度，然后根据计算出的相似度确定所述第一声音信息是否异常。
S4：在确定所述第一声音信息异常的情况下，将根据所述第一声音信息得到的信息输入至预先训练的神经网络，并根据所述神经网络的输出确定所述易漏水部位的漏水等级，所述漏水等级包括表示不漏水的等级。
本实施例中，基于马桶易漏水部位附近的声音信息，采用神经网络来确定马桶易漏水部位的漏水等级，不仅可以及时准确地识别出马桶是否漏水，还可以确定漏水的程度，以便于后续可以根据漏水程度进行不同的处理，从而可以避免漏水导致的水资源浪费以及地面因浸泡导致发霉、损坏的问题。与现有技术中的漏水检测方案相比，声音采集设备的采集范围大，不容易出现声音漏采集的情况，因此漏报的概率低，而且也不会因偶然的水滴落或洒落、或因空气湿度过大导致误报，也即可靠性高。另外，本发明实施例在使用神经网络进行漏水等级识别之前，还将采集到的声音信息与所述易漏水部位未漏水且所述易漏水部位周围预设范围内的环境噪声满足一定条件的情况下的声音信息进行比较，只有根据比较结果确定采集到的声音信息有异常时才使用神经网络进行漏水等级的识别，可以大大降低识别的计算量，降低识别处理器的能耗。
可选的，请参阅图2，S4中所述将根据所述第一声音信息得到的信息输入至预先训练的神经网络之前，还包括：
S41:对所述第一声音信息进行分帧和加窗处理，得到多帧声音信息；
S42:分别获取各帧声音信息的特征向量；例如可以通过获得各帧声音信息的梅尔频谱倒数和线性倒谱系数得到各帧声音信息的特征向量；
S43:分别对多帧声音信息进行离散傅里叶变换，获取对应的幅度谱数据，并根据幅度谱数据获取每帧声音信息对应的时频二维信息；
其中，步骤S42和步骤S43的执行顺序不限，还可以同时进行；
所述将根据所述第一声音信息得到的信息输入至预先训练的神经网络，包括：
S44:将各帧声音信息的特征向量和时频二维信息作为根据所述第一声音信息得到的信息，按照帧的时间顺序依次输入至所述神经网络。
本实施例中，通过对所述第一声音信息进行分帧和加窗处理得到多帧声音信息，将根据多帧声音信息得到的信息依次输入至神经网络进行漏水识别，而不是将第一声音信息作为一个整体去进行漏水识别，可以降低外界干扰（尤其是偶发的声音干扰）对识别精度的影响。另外，本实施例中，在使用神经网络进行漏水识别时还输入了各帧声音信息的时频二维信息，也即还根据各帧声音信息的时间和频率两个维度的信息进行漏水识别，提升了识别的精度。
可选的，所述神经网络为循环神经网络，所述循环神经网络包括输入层、支持向量机（Support Vector Machine，SVM）层、卷积层、池化层、长短期记忆（Long Short-TermMemory，LSTM）层、全连接层、特征融合层和softmax层；其中，
所述输入层用于接收所述时频二维信息；所述SVM层的输入为所述特征向量；所述卷积层用于进行特征提取；所述池化层用于实现特征的平移不变性；所述LSTM层用于有选择性地记忆之前输入至所述神经网络的各帧声音信息的时频二维信息和特征向量；所述全连接层用作分类器；所述特征融合层用于降低特征维度；所述softmax层用于输出各漏水等级的概率。
本实施例中，基于马桶漏水的持续不间断且漏水程度只会逐渐增大的特征，在神经网络中增加LSTM层，以基于前面帧声音信息的一些特征进行漏水识别，提高识别精度。
可选的，所述神经网络的输出包括各帧声音信息对应的各漏水等级的概率；
所述根据所述神经网络的输出确定所述易漏水部位的漏水等级，包括：
统计各帧声音信息对应的漏水等级，得出各漏水等级对应的帧数，将帧数最多的漏水等级作为所述易漏水部位的漏水等级，其中，各帧声音信息对应的漏水等级为该帧声音信息对应的概率最大的漏水等级。举例来说，其中某一帧声音信息对应的第一漏水等级（表示无漏水）的概率为0.1、对应第二漏水等级的概率为0.2、对应第三漏水等级的概率为0.7，则第三漏水等级为该帧声音信息对应的漏水等级。
其他可选的具体实施方式中，所述根据所述神经网络的输出确定所述易漏水部位的漏水等级，包括：
分别计算各帧声音信息对应的各漏水等级的概率的平均值；
确定平均值最大的概率对应的漏水等级为所述易漏水部位的漏水等级。
例如，总共有三帧声音信息（此处仅举例说明易漏水部位的漏水等级的确定方法，实际的帧数一般较多），第一帧声音信息对应的第一漏水等级的概率为0.1、第二漏水等级的概率为0.66、第三漏水等级的概率为0.24，第二帧声音信息对应的第一漏水等级的概率为0.15、第二漏水等级的概率为0.6、第三漏水等级的概率为0.25，第三帧声音信息对应的第一漏水等级的概率为0.08、第二漏水等级的概率为0.7、第三漏水等级的概率为0.22。分别计算各帧声音信息对应的各漏水等级的概率的平均值时，第一漏水等级的概率平均值为（0.1+0.15+0.08）/3=0.11，第二漏水等级的概率平均值为（0.66+0.6+0.7）/3≈0.653，第三漏水等级的概率平均值为（0.24+0.25+0.22）/3≈0.237，第二漏水等级的概率的平均值最大，因此确定第二漏水等级为所述易漏水部位的漏水等级。
可选的，所述将根据所述第一声音信息得到的信息输入至预先训练的神经网络之前，还包括：
获取作为训练样本的第三声音信息；
对所述第三声音信息进行分类，分出的类别至少包括所述易漏水部位发生各漏水等级的漏水时的声音类别、所述预设范围内的下水道流水时的声音类别和所述预设范围内的环境噪声不满足所述预设条件时的声音类别中的至少之一；
将属于同一类别的第三声音信息的特征向量经过注意力网络进行处理，得到所述类别的第三声音信息的特征注意力向量；
将所述特征注意力向量分别与所述类别的第三声音信息的特征向量相乘，作为所述类别的第三声音信息的注意力修正后的特征向量；
将各所述类别的第三声音信息的注意力修正后的特征向量，输入至待训练的神经网络进行训练。
本实施例中，马桶漏水的声音相对来说是比较固定的，特征种类不会太多。因此，本实施例可以基于注意力机制放大各种类别声音的特征，例如针对预设频段内的信号的特征进行放大处理，弱化声音中的其他信息。
为避免训练样本的数量不足导致训练出的神经网络的识别精度不足，本实施例中在神经网络训练时，将属于同一类别的第三声音信息的特征向量经过注意力网络进行处理，得到所述类别的第三声音信息的特征注意力向量，将所述特征注意力向量分别与所述类别的第三声音信息的特征向量相乘，作为所述类别的第三声音信息的注意力修正后的特征向量，将各所述类别的第三声音信息的注意力修正后的特征向量，输入至待训练的神经网络进行训练，也即本发明实施例通过注意力机制提升神经网络的训练效率和训练效果，避免小样本训练导致训练出的神经网络精度不足的问题。
具体的，所述注意力网络包括卷积层和注意力块，所述卷积层和所述注意力块端对端连接，卷积层的输出端连接注意力块的输入端，同时卷积层的输出端与注意力块的输出端相乘构成所述注意力网络的输出。
另外，所述注意力网络的参数可以根据人工分析出的各类声音信息的频率特征确定。
可选的，本实施例中，上述的环境噪声不包括下水道流水的声音信息；若所述声音采集设备所设置的位置能够采集到下水道流水的声音信息，那么为了减少下水道流水声音信息对神经网络识别结果的影响，所述将所述第一声音信息与第二声音信息进行比较之前，还包括：
判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息；
若判断出所述第一声音信息包括所述预设范围内的下水道流水的声音信息，则从所述第一声音信息中去除所述预设范围内的下水道流水的声音信息。
其中，所述下水道流水的声音信息包括马桶冲水时的声音信息，和/或其他用水区域的下水产生的下水道流水声。
进一步可选的，所述判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息，包括：
获取所述第一声音信息的频谱信息；
将所述第一声音信息的频谱信息与预先获取的所述预设范围内的下水道流水的声音信息的频谱信息进行比较，以判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息。
本实施例中，由于下水道流水声的频谱相对固定，因此根据频谱信息即可以比较容易地判断出所述第一声音信息中是否包括下水道流水的声音信息。
在其他可选的具体实施方式中，还可以计算出第一声音信息的功率谱，然后通过累积功率谱中预设频段（根据预先获取的下水道流水声音信息的频段确定）的信号能量，通过加权平均进行归一化生成累积信号，根据所述累积信号的稳定度和功率判断是否存在下水道流水的声音信息。
另外，本实施例中，在判断出所述第一声音信息包括所述预设范围内的下水道流水的声音信息时，可以直接根据预先获取的所述预设范围内的下水道流水的声音信息的频谱信息去除所述第一声音信息中相应频谱的部分以去除下水道流水的声音信息。还可以利用另一神经网络从所述第一声音信息中去除所述预设范围内的下水道流水的声音信息。具体的，可以基于预先采集的下水道流水的声音信息对该用于去除下水道流水的声音信息的神经网络进行训练。
可选的，所述根据所述神经网络的输出确定所述易漏水部位的漏水等级之后，还包括：
若根据所述漏水等级确定所述易漏水部分发生漏水，则向控制马桶的进水阀控制器发送指示信息，所述指示信息用于指示所述进水阀控制器关闭进水阀；和/或，
若根据所述漏水等级确定所述易漏水部分发生漏水，则向目标终端发送漏水报警信息，所述漏水报警信息包括所述漏水等级，所述目标终端的使用者为物业管理人员或房主。所述目标终端的使用者在接收到漏水报警信息之后可对易漏水部位进行检修处理。
具体的，所述漏水报警信息可采用无线的方式发送至目标终端，目标终端上可以安装相关的应用程序（app）来接收漏水报警信息。
本实施例可以有效改善因马桶漏水侵泡造成的地面腐蚀、发霉等情况，因漏水造成的水资源浪费也可得到控制。
另外，为了进一步提高漏水检测的可靠性，本实施例还可以利用通过导电线缆对漏水进行检测。具体的，利用一对导电线缆盘绕在易漏水部位，也可以设置在漏水时水容易汇聚的位置，例如地面，当有漏水发生时，导电线缆接触到漏水从而产生线路短路。可以利用控制器对导电线缆的通断情况进行判断，从而判断是否发生漏水情况。本实施例中，只要根据第一声音信息和根据导电线缆中的一个确定所述易漏水部位发生漏水，即认为所述易漏水部位发生漏水，防止漏检。
实施例2
请参阅图3，本施例提供一种马桶漏水检测装置300，包括：
声音获取单元301，用于获取声音采集设备采集的第一声音信息，所述声音采集设备设置于马桶的易漏水部位；
声音比较单元302，用于将所述第一声音信息与第二声音信息进行比较，得到比较结果，所述第二声音信息是所述声音采集设备在所述易漏水部位未漏水且所述易漏水部位周围预设范围内的环境噪声满足预设条件的情况下采集得到；
确定单元303，用于根据所述比较结果确定所述第一声音信息是否异常；
第一判断单元304，用于在确定所述第一声音信息异常的情况下，将根据所述第一声音信息得到的信息输入至预先训练的神经网络，并根据所述神经网络的输出确定所述易漏水部位的漏水等级，所述漏水等级包括表示不漏水的等级。
本实施例中，基于马桶易漏水部位附近的声音信息，采用神经网络来确定马桶易漏水部位的漏水等级，不仅可以及时准确地识别出马桶是否漏水，还可以确定漏水的程度，以便于后续可以根据漏水程度进行不同的处理，从而可以避免漏水导致的水资源浪费以及地面因浸泡导致发霉、损坏的问题。与现有技术中的漏水检测方案相比，声音采集设备的采集范围大，不容易出现声音漏采集的情况，因此漏报的概率低，而且也不会因偶然的水滴落或洒落、或因空气湿度过大导致误报，也即可靠性高。另外，本发明实施例在使用神经网络进行漏水等级识别之前，还将采集到的声音信息与所述易漏水部位未漏水且所述易漏水部位周围预设范围内的环境噪声满足一定条件的情况下的声音信息进行比较，只有根据比较结果确定采集到的声音信息有异常时才使用神经网络进行漏水等级的识别，可以大大降低识别的计算量，降低识别处理器的能耗。
可选的，所述装置300还包括：
处理单元，用于对所述第一声音信息进行分帧和加窗处理，得到多帧声音信息；
第一获取模块，用于分别获取各帧声音信息的特征向量；
第二获取模块，用于分别对多帧声音信息进行离散傅里叶变换，获取对应的幅度谱数据，并根据幅度谱数据获取每帧声音信息对应的时频二维信息；
所述第一判断单元304，用于将各帧声音信息的特征向量和时频二维信息作为根据所述第一声音信息得到的信息，按照帧的时间顺序依次输入至所述神经网络。
可选的，所述神经网络为循环神经网络，所述循环神经网络包括输入层、SVM层、卷积层、池化层、LSTM层、全连接层、特征融合层和softmax层；其中，
所述输入层用于接收所述时频二维信息；所述SVM层的输入为所述特征向量；所述卷积层用于进行特征提取；所述池化层用于实现特征的平移不变性；所述LSTM层用于有选择性地记忆之前输入至所述神经网络的各帧声音信息的时频二维信息和特征向量；所述全连接层用作分类器；所述特征融合层用于降低特征维度；所述softmax层用于输出各漏水等级的概率。
可选的，所述神经网络的输出包括各帧声音信息对应的各漏水等级的概率；
所述第一判断单元304，用于统计各帧声音信息对应的漏水等级，得出各漏水等级对应的帧数，将帧数最多的漏水等级作为所述易漏水部位的漏水等级，其中，各帧声音信息对应的漏水等级为该帧声音信息对应的概率最大的漏水等级。
可选的，所述装置300还包括：
第三获取单元，用于获取作为训练样本的第三声音信息；
分类单元，用于对所述第三声音信息进行分类，分出的类别至少包括所述易漏水部位发生各漏水等级的漏水时的声音类别、所述预设范围内的下水道流水时的声音类别和所述预设范围内的环境噪声不满足所述预设条件时的声音类别中的至少之一；
注意力网络处理单元，用于将属于同一类别的第三声音信息的特征向量经过注意力网络进行处理，得到所述类别的第三声音信息的特征注意力向量；
修正单元，用于将所述特征注意力向量分别与所述类别的第三声音信息的特征向量相乘，作为所述类别的第三声音信息的注意力修正后的特征向量；
训练单元，用于将各所述类别的第三声音信息的注意力修正后的特征向量，输入至待训练的神经网络进行训练。
可选的，所述装置300还包括：
第二判断单元，用于判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息；
去除单元，用于若判断出所述第一声音信息包括所述预设范围内的下水道流水的声音信息，则从所述第一声音信息中去除所述预设范围内的下水道流水的声音信息。
可选的，所述第二判断单元包括：
频谱信息获取子单元，用于获取所述第一声音信息的频谱信息；
比较子单元，用于将所述第一声音信息的频谱信息与预先获取的所述预设范围内的下水道流水的声音信息的频谱信息进行比较，以判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息。
可选的，所述装置300还包括：
第一发送单元，用于若根据所述漏水等级确定所述易漏水部分发生漏水，则向控制马桶的进水阀控制器发送指示信息，所述指示信息用于指示所述进水阀控制器关闭进水阀；和/或，
第二发送单元，用于若根据所述漏水等级确定所述易漏水部分发生漏水，则向目标终端发送漏水报警信息，所述漏水报警信息包括所述漏水等级，所述目标终端的使用者为物业管理人员或房主。
实施例3
请参阅图4，本实施例提供一种马桶漏水检测装置400，包括：
一个或多个处理器401；
存储装置402，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器401执行时，使得所述一个或多个处理器401实现上述实施例1所述的任一种人工智能漏水检测方法。
实施例4
本实施例提供一种存储介质，所述存储介质上存储有指令，所述指令被处理器执行时实现上述实施例1所述的任一种人工智能漏水检测方法。
本发明是参照根据本发明实施例的方法、装置、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种人工智能漏水检测方法，其特征在于，包括以下步骤：
获取声音采集设备采集的第一声音信息，所述声音采集设备设置于马桶的易漏水部位附近的预设区域内；
将所述第一声音信息与第二声音信息进行比较，得到比较结果，所述第二声音信息是所述声音采集设备在所述易漏水部位未漏水且所述易漏水部位周围预设范围内的环境噪声满足预设条件的情况下采集得到；
根据所述比较结果确定所述第一声音信息是否异常；
在确定所述第一声音信息异常的情况下，将根据所述第一声音信息得到的信息输入至预先训练的神经网络，并根据所述神经网络的输出确定所述易漏水部位的漏水等级，所述漏水等级包括表示不漏水的等级。
2.根据权利要求1所述的方法，其特征在于，所述将根据所述第一声音信息得到的信息输入至预先训练的神经网络之前，还包括：
对所述第一声音信息进行分帧和加窗处理，得到多帧声音信息；
分别获取各帧声音信息的特征向量；
分别对多帧声音信息进行离散傅里叶变换，获取对应的幅度谱数据，并根据幅度谱数据获取每帧声音信息对应的时频二维信息；
所述将根据所述第一声音信息得到的信息输入至预先训练的神经网络，包括：
将各帧声音信息的特征向量和时频二维信息作为根据所述第一声音信息得到的信息，按照帧的时间顺序依次输入至所述神经网络。
3.根据权利要求2所述的方法，其特征在于，所述神经网络为循环神经网络，所述循环神经网络包括输入层、SVM层、卷积层、池化层、LSTM层、全连接层、特征融合层和softmax层；其中，
所述输入层用于接收所述时频二维信息；所述SVM层的输入为所述特征向量；所述卷积层用于进行特征提取；所述池化层用于实现特征的平移不变性；所述LSTM层用于有选择性地记忆之前输入至所述神经网络的各帧声音信息的时频二维信息和特征向量；所述全连接层用作分类器；所述特征融合层用于降低特征维度；所述softmax层用于输出各漏水等级的概率。
4.根据权利要求2所述的方法，其特征在于，所述神经网络的输出包括各帧声音信息对应的各漏水等级的概率；
所述根据所述神经网络的输出确定所述易漏水部位的漏水等级，包括：
统计各帧声音信息对应的漏水等级，得出各漏水等级对应的帧数，将帧数最多的漏水等级作为所述易漏水部位的漏水等级，其中，各帧声音信息对应的漏水等级为该帧声音信息对应的概率最大的漏水等级。
5.根据权利要求1所述的方法，其特征在于，所述将根据所述第一声音信息得到的信息输入至预先训练的神经网络之前，还包括：
获取作为训练样本的第三声音信息；
对所述第三声音信息进行分类，分出的类别至少包括所述易漏水部位发生各漏水等级的漏水时的声音类别、所述预设范围内的下水道流水时的声音类别和所述预设范围内的环境噪声不满足所述预设条件时的声音类别中的至少之一；
将属于同一类别的第三声音信息的特征向量经过注意力网络进行处理，得到所述类别的第三声音信息的特征注意力向量；
将所述特征注意力向量分别与所述类别的第三声音信息的特征向量相乘，作为所述类别的第三声音信息的注意力修正后的特征向量；
将各所述类别的第三声音信息的注意力修正后的特征向量，输入至待训练的神经网络进行训练。
6.根据权利要求1所述的方法，其特征在于，所述将所述第一声音信息与第二声音信息进行比较之前，还包括：
判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息；
若判断出所述第一声音信息包括所述预设范围内的下水道流水的声音信息，则从所述第一声音信息中去除所述预设范围内的下水道流水的声音信息。
7.根据权利要求6所述的方法，其特征在于，所述判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息，包括：
获取所述第一声音信息的频谱信息；
将所述第一声音信息的频谱信息与预先获取的所述预设范围内的下水道流水的声音信息的频谱信息进行比较，以判断所述第一声音信息是否包括所述预设范围内的下水道流水的声音信息。
8.根据权利要求1所述的方法，其特征在于，所述根据所述神经网络的输出确定所述易漏水部位的漏水等级之后，还包括：
若根据所述漏水等级确定所述易漏水部分发生漏水，则向控制马桶的进水阀控制器发送指示信息，所述指示信息用于指示所述进水阀控制器关闭进水阀；和/或，
若根据所述漏水等级确定所述易漏水部分发生漏水，则向目标终端发送漏水报警信息，所述漏水报警信息包括所述漏水等级，所述目标终端的使用者为物业管理人员或房主。
9.一种马桶漏水检测装置，其特征在于，包括：
声音获取单元，用于获取声音采集设备采集的第一声音信息，所述声音采集设备设置于马桶的易漏水部位；
声音比较单元，用于将所述第一声音信息与第二声音信息进行比较，得到比较结果，所述第二声音信息是所述声音采集设备在所述易漏水部位未漏水且所述易漏水部位周围预设范围内的环境噪声满足预设条件的情况下采集得到；
确定单元，用于根据所述比较结果确定所述第一声音信息是否异常；
第一判断单元，用于在确定所述第一声音信息异常的情况下，将根据所述第一声音信息得到的信息输入至预先训练的神经网络，并根据所述神经网络的输出确定所述易漏水部位的漏水等级，所述漏水等级包括表示不漏水的等级。
10.一种马桶漏水检测装置，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的人工智能漏水检测方法。
CN202110998837.XA 2021-08-28 2021-08-28 一种人工智能漏水检测方法及装置 Active CN113780381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110998837.XA CN113780381B (zh) 2021-08-28 2021-08-28 一种人工智能漏水检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110998837.XA CN113780381B (zh) 2021-08-28 2021-08-28 一种人工智能漏水检测方法及装置

Publications (2)

Publication Number Publication Date
CN113780381A true CN113780381A (zh) 2021-12-10
CN113780381B CN113780381B (zh) 2022-07-01

Family

ID=78839925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110998837.XA Active CN113780381B (zh) 2021-08-28 2021-08-28 一种人工智能漏水检测方法及装置

Country Status (1)

Country Link
CN (1) CN113780381B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060085477A1 (en) * 2004-10-01 2006-04-20 Ricoh Company, Ltd. Techniques for retrieving documents using an image capture device
CN106195649A (zh) * 2016-09-08 2016-12-07 上海申达自动防范系统工程有限公司 漏水检测自动报警设备
CN107061996A (zh) * 2017-03-10 2017-08-18 内蒙古大学 一种供水管道泄漏检测定位方法
CN109062756A (zh) * 2018-07-09 2018-12-21 何思阳 一种数据中心集中预警监测的方法和系统
CN109616140A (zh) * 2018-12-12 2019-04-12 浩云科技股份有限公司 一种异常声音分析系统
CN109668058A (zh) * 2018-12-24 2019-04-23 哈尔滨工业大学 基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法
CN109949826A (zh) * 2019-03-15 2019-06-28 安徽工程大学 一种基于环境声音识别的厕所漏水智能监控系统
CN109961222A (zh) * 2019-03-20 2019-07-02 南昌大学 一种基于云计算的村镇智慧水务管理系统
CN110325982A (zh) * 2017-11-24 2019-10-11 微软技术许可有限责任公司 在会话中提供多媒体文档的摘要
CN110689042A (zh) * 2019-08-20 2020-01-14 中国矿业大学(北京) 隧道渗漏等级的识别方法和装置、存储介质、电子装置
CN110821560A (zh) * 2019-10-18 2020-02-21 中国铁道科学研究院集团有限公司电子计算技术研究所 隧道巡检系统
CN111933188A (zh) * 2020-09-14 2020-11-13 电子科技大学 一种基于卷积神经网络的声音事件检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060085477A1 (en) * 2004-10-01 2006-04-20 Ricoh Company, Ltd. Techniques for retrieving documents using an image capture device
CN106195649A (zh) * 2016-09-08 2016-12-07 上海申达自动防范系统工程有限公司 漏水检测自动报警设备
CN107061996A (zh) * 2017-03-10 2017-08-18 内蒙古大学 一种供水管道泄漏检测定位方法
CN110325982A (zh) * 2017-11-24 2019-10-11 微软技术许可有限责任公司 在会话中提供多媒体文档的摘要
CN109062756A (zh) * 2018-07-09 2018-12-21 何思阳 一种数据中心集中预警监测的方法和系统
CN109616140A (zh) * 2018-12-12 2019-04-12 浩云科技股份有限公司 一种异常声音分析系统
CN109668058A (zh) * 2018-12-24 2019-04-23 哈尔滨工业大学 基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法
CN109949826A (zh) * 2019-03-15 2019-06-28 安徽工程大学 一种基于环境声音识别的厕所漏水智能监控系统
CN109961222A (zh) * 2019-03-20 2019-07-02 南昌大学 一种基于云计算的村镇智慧水务管理系统
CN110689042A (zh) * 2019-08-20 2020-01-14 中国矿业大学(北京) 隧道渗漏等级的识别方法和装置、存储介质、电子装置
CN110821560A (zh) * 2019-10-18 2020-02-21 中国铁道科学研究院集团有限公司电子计算技术研究所 隧道巡检系统
CN111933188A (zh) * 2020-09-14 2020-11-13 电子科技大学 一种基于卷积神经网络的声音事件检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHIGERU TERUHI 等: "Water Leakage Detection System for Underground Pipes by UsingWireless Sensors and Machine Learning", 《JOURNAL OF DISASTER RESEARCH》 *
季舒瑶 等: "基于声传播特性的供水管道泄漏检测与分类", 《南京大学学报（自然科学）》 *

Also Published As

Publication number Publication date
CN113780381B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
US11830479B2 (en) Voice recognition method and apparatus, and air conditioner
CN111436944B (zh) 一种基于智能移动终端的跌倒检测方法
US20200066257A1 (en) Event sensing system
US10359335B2 (en) Methods and apparatus to analyze recordings in leak detection
CN110428810A (zh) 一种语音唤醒的识别方法、装置及电子设备
CN109373518B (zh) 空调器及其语音控制装置和语音控制方法
CN112331231B (zh) 基于音频技术的肉鸡采食量检测系统
CN105872156A (zh) 一种回声时延跟踪方法及装置
CN113595251B (zh) 一种变电站电力设备的自动监测预警系统与方法
CN104143341A (zh) 爆音检测方法和装置
CN110568515A (zh) 基于红外阵列的人体存在检测方法、装置、存储介质
CN111833902A (zh) 唤醒模型训练方法、唤醒词识别方法、装置及电子设备
CN116386649A (zh) 一种基于云边协同的野外鸟类监测系统和方法
CN113780381B (zh) 一种人工智能漏水检测方法及装置
CN108538290A (zh) 一种基于音频信号检测的智能家居控制方法
CN114999527A (zh) 一种变压器异常检测模型训练和部署方法及装置
CN113066488B (zh) 语音唤醒智能控制方法、装置、电子设备及存储介质
CN106531193B (zh) 一种背景噪声自适应的异常声音检测方法及系统
CN111613243A (zh) 一种语音检测的方法及其装置
CN116907029A (zh) 检测室外机内风扇异常的方法、控制装置以及空调室外机
CN115547352A (zh) 电子设备及其噪音的处理方法、装置及介质
WO2023102527A1 (en) System and method for gas detection at a field site using multiple sensors
US20240052810A1 (en) Blade fault diagnosis method, apparatus and system, and storage medium
US20180293441A1 (en) Method and apparatus for real-time detection of a scene
CN114898527A (zh) 一种基于声音辅助的可穿戴式老人跌倒检测系统与方法

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