CN114091355B - 基于人工智能的城市管网缺陷位置定位分析系统及方法 - Google Patents
基于人工智能的城市管网缺陷位置定位分析系统及方法 Download PDFInfo
- Publication number
- CN114091355B CN114091355B CN202210019409.2A CN202210019409A CN114091355B CN 114091355 B CN114091355 B CN 114091355B CN 202210019409 A CN202210019409 A CN 202210019409A CN 114091355 B CN114091355 B CN 114091355B
- Authority
- CN
- China
- Prior art keywords
- area
- sewage pipeline
- rainwater
- unit
- defect
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Abstract
本发明公开了一种基于人工智能的城市管网缺陷位置定位分析系统及方法,属于城市管网缺陷位置定位分析技术领域。该系统包括城市区域分布模块、城市管网采集模块、异常排放点标记模块、机器学习分析模块、缺陷位置定位分析模块;所述城市区域分布模块的输出端与所述城市管网采集模块的输入端相连接;所述城市管网采集模块的输出端与所述异常排放点标记模块的输入端相连接;所述异常排放点标记模块的输出端与所述机器学习分析模块的输入端相连接;所述机器学习分析模块的输出端与所述缺陷位置定位分析模块的输入端相连接。还提供一种方法,能够实现城市管网中雨污水管道口的缺陷位置定位区域的智能化快速排查,提高排查效率,降低工作量。
Description
技术领域
本发明涉及城市管网缺陷位置定位分析技术领域,具体为一种基于人工智能的城市管网缺陷位置定位分析系统及方法。
背景技术
随着城市发展,城市地下管网规模在不断扩大,大批地下管道铺设时间久远或接近使用年限,地下管线管理水平不高等问题凸显。管道长年受到输送介质腐蚀、工程建设及自然灾害等影响,排水管道事故急剧增加。
而在城市管网中,时常有污水入河的事件发生,因此雨污水管道口的排查至关重要,雨污水管道一旦渗漏将污染土质和地下水,管道堵塞会降低管道通水能力,甚至会使污水漫溢而污染环境;雨污水管网排水不畅,则会造成路面积水,影响交通;雨污水管道错接、乱接,则会造成大量污水入河,严重影响生态平衡,因此,需要定期雨污水管道检测,查缺补漏,确保公共排水安全,保障企业正常生产和居民正常生活有着重要意义。但是传统雨污水管道检测方法不仅成本比较高,且具有一定的缺陷,例如在排查过程中,无法及时精准的确定主要区域,主要依赖人工经验判断或者进行多次的机械设备探测,影响对管道的排查效率,在当前数字化管理的时代潮流中,已然落伍。
发明内容
本发明的目的在于提供一种基于人工智能的城市管网缺陷位置定位分析系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种基于人工智能的城市管网缺陷位置定位分析系统,该系统包括城市区域分布模块、城市管网采集模块、异常排放点标记模块、机器学习分析模块、缺陷位置定位分析模块;
所述城市区域分布模块用于构建城市区域,利用正方形网格式分割方法对城市区域进行分割,构建出网格区域;所述城市管网采集模块用于采集城市区域中的雨污水管道口,并获取雨污水管道口关键数据;所述异常排放点标记模块用于获取城市区域中出现的异常排放点,并获取能够连接到异常排放点的所有雨污水管道口,进行标记;所述机器学习分析模块用于根据训练集,利用机器学习构建雨污水管道口缺陷区域分析模型;所述缺陷位置定位分析模块用于根据雨污水管道口缺陷区域分析模型,快速定位分析雨污水管道口出现缺陷的区域;
所述城市区域分布模块的输出端与所述城市管网采集模块的输入端相连接;所述城市管网采集模块的输出端与所述异常排放点标记模块的输入端相连接;所述异常排放点标记模块的输出端与所述机器学习分析模块的输入端相连接;所述机器学习分析模块的输出端与所述缺陷位置定位分析模块的输入端相连接。
根据上述技术方案,所述城市区域分布模块包括城市区域构建单元、网格分割单元;
所述城市区域构建单元用于构建城市区域;所述网格分割单元用于根据正方形网格分割方式,对城市区域进行分割,构建网格区域;
所述城市区域构建单元的输出端与所述网格分割单元的输入端相连接;所述网格分割单元的输出端与所述城市管网采集模块的输入端相连接。
根据上述技术方案,所述城市管网采集模块包括信息采集单元、关键数据确立单元;
所述信息采集单元用于采集城市区域内的雨污水管道口位置数据;所述关键数据确立单元用于确立城市区域内所有雨污水管道口的关键数据;
所述关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况;
所述信息采集单元的输出端与所述异常排放点标记模块的输入端相连接;所述关键数据确立单元的输出端与所述异常排放点标记模块的输入端相连接。
根据上述技术方案,所述异常排放点标记模块包括异常点上报单元、标记单元;
所述异常点上报单元用于根据排查或举报数据,上报污水排放异常点;所述标记单元用于根据异常点位置,获取所有能够到达异常排放点的雨污水管道口,进行标记;
所述异常点上报单元的输出端与所述标记单元的输入端相连接;所述标记单元的输出端与所述机器学习分析模块的输入端相连接。
根据上述技术方案,所述机器学习分析模块包括模型训练单元、机器学习单元;
所述模型训练单元用于获取雨污水管道口关键数据,构架训练集,训练得出雨污水管道口缺陷区域分析模型;所述机器学习单元用于根据雨污水管道口缺陷区域分析模型进行机器学习,构建智能化排查;
所述模型训练单元的输出端与所述机器学习单元的输入端相连接;所述机器学习单元的输出端与所述缺陷位置定位分析模块的输入端相连接。
根据上述技术方案,所述缺陷位置定位分析模块包括缺陷分析单元、定位单元;
所述缺陷分析单元用于根据机器学习分析模块构建的模型作出缺陷分析结论;所述定位单元用于根据缺陷分析单元的结论定位高概率缺陷雨污水管道口,所述高概率缺陷雨污水管道口为模型分析下的高精度解;
所述缺陷分析单元的输出端与所述定位单元的输入端相连接。
一种基于人工智能的城市管网缺陷位置定位分析方法,该方法包括以下步骤:
S1、构建城市区域A,对城市区域A进行正方形网格式分割,构建网格区域,任意一网格区域边长不小于r,且网格区域内至少存在一处雨污水管道口;
S2、获取城市区域A内出现的异常排放点,对异常排放点所连接的所有雨污水管道口进行标记;
S3、获取城市区域A内的所有雨污水管道口关键数据,构建训练集,构建雨污水管道口缺陷区域分析模型;
S4、根据雨污水管道口缺陷区域分析模型,利用机器智能化,快速找到可能的雨污水管道错接、乱接或出现故障的网格区域。
根据上述技术方案,在步骤S3中,所述雨污水管道口关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况;
所述雨污水管道口区域类型包括居民区域与工业区域,其中,有超出b家工厂利用一雨污水管道口进行排放时,认定雨污水管道口所在区域为工业区域,其他为居民区域。
在上述技术方案中,对雨污水管道口的关键数据进行了分析,各关键数据都能够对雨污水管道口出现错接、乱接或故障带来一定影响,例如雨污水管道区域类型能够对污水的排放量造成影响,例如一异常排放点排放的污水量特别巨大,那么初步认定情况大概率为一个工业区域出现了问题,因为普通的居民区域很难造成大规模的污水排放;又比如雨污水管道口区域在时间T内的路面工程,由于各项路面工程均需要申报,因此数据可以直接获取,时间T作为一个可设置的系统参数,在时间T内若存在大量的路面工程,然后又出现了异常排放点,那么就存在在路面工程施工阶段,对雨污水管道口造成了破坏,各类因素数据聚总分析,最终就可以获得一个网格区域的最大可能值,就认定该区域为雨污水管道口缺陷区域,采用技术手段对其进行排查。
根据上述技术方案,在步骤S3中,还包括:
根据训练集构建雨污水管道口缺陷区域分析模型:
寻找分离超平面以获取雨污水管道口存在缺陷区域的分类平面;
设置超平面表示为:
其中C为惩罚参数,C>0;
根据拉格朗日对偶性,可得:
约束条件为:
由于数据为线性不可分训练数据,以核函数代替内积;
获得分类决策函数为:
根据分类决策函数对雨污水管道口缺陷区域进行分析,距离分离超平面越远的点代表分类越准确,即其对应的雨污水管道口存在缺陷的概率越大,进行标记,优先排查。
在上述技术方案中,以线性支持向量机为基础,一个点距离超平面的远近能够表示分类预测的确信程度。在超平面确定的情况下,距离能够相对地表示点到达超平面的远,在分类正确的情况下,距离越远,则代表确信度越高。在本申请中,借助这一思想,将分离超平面视作一个概率值,即通过训练数据集对分离超平面进行定义,进行分析,例如通过各关键数据对雨污水管道口进行分析,可得出各雨污水管道口在维度上的各个点的位置,分离超平面可定义为一个缺陷为百分之五十的概率,那么对所有点进行分析,其距离分离超平面越远,则代表其在这一平面上的置信度越高,就说明其存在缺陷的可能性越大,那么在出现问题的情况下,只要按照置信度的大小进行排查,就可以优先找到存在性缺陷的位置,利用这样的方式能够极大减少工作量,快速得出一个雨污水管道口出现缺陷的区域,重点排查。
与现有技术相比,本发明所达到的有益效果是:
本发明利用城市区域分布模块构建城市区域,利用正方形网格式分割方法对城市区域进行分割,构建出网格区域;利用城市管网采集模块采集城市区域中的雨污水管道口,并获取雨污水管道口关键数据;利用异常排放点标记模块获取城市区域中出现的异常排放点,并获取能够连接到异常排放点的所有雨污水管道口,进行标记;利用机器学习分析模块构建雨污水管道口缺陷区域分析模型;利用缺陷位置定位分析模块快速定位分析雨污水管道口出现缺陷的区域;本发明能够在城市区域内出现异常排放点时,利用机器学习方式快速得出雨污水管道口出现缺陷位置的定位区域,提高排查效率,降低高经验技术人种的需求量,同时避免人工主观错误,符合智能化发展观念。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于人工智能的城市管网缺陷位置定位分析系统及方法的流程示意图;
图2是本发明一种基于人工智能的城市管网缺陷位置定位分析方法的步骤示意图。
具体实施方式
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,所描述的实施例仅仅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。
请参阅图1-图2,本发明提供技术方案:
一种基于人工智能的城市管网缺陷位置定位分析系统,该系统包括城市区域分布模块、城市管网采集模块、异常排放点标记模块、机器学习分析模块、缺陷位置定位分析模块;
所述城市区域分布模块用于构建城市区域,利用正方形网格式分割方法对城市区域进行分割,构建出网格区域;所述城市管网采集模块用于采集城市区域中的雨污水管道口,并获取雨污水管道口关键数据;所述异常排放点标记模块用于获取城市区域中出现的异常排放点,并获取能够连接到异常排放点的所有雨污水管道口,进行标记;所述机器学习分析模块用于根据训练集,利用机器学习构建雨污水管道口缺陷区域分析模型;所述缺陷位置定位分析模块用于根据雨污水管道口缺陷区域分析模型,快速定位分析雨污水管道口出现缺陷的区域;
所述城市区域分布模块的输出端与所述城市管网采集模块的输入端相连接;所述城市管网采集模块的输出端与所述异常排放点标记模块的输入端相连接;所述异常排放点标记模块的输出端与所述机器学习分析模块的输入端相连接;所述机器学习分析模块的输出端与所述缺陷位置定位分析模块的输入端相连接。
所述城市区域分布模块包括城市区域构建单元、网格分割单元;
所述城市区域构建单元用于构建城市区域;所述网格分割单元用于根据正方形网格分割方式,对城市区域进行分割,构建网格区域;
所述城市区域构建单元的输出端与所述网格分割单元的输入端相连接;所述网格分割单元的输出端与所述城市管网采集模块的输入端相连接。
所述城市管网采集模块包括信息采集单元、关键数据确立单元;
所述信息采集单元用于采集城市区域内的雨污水管道口位置数据;所述关键数据确立单元用于确立城市区域内所有雨污水管道口的关键数据;
所述关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况;
所述信息采集单元的输出端与所述异常排放点标记模块的输入端相连接;所述关键数据确立单元的输出端与所述异常排放点标记模块的输入端相连接。
所述异常排放点标记模块包括异常点上报单元、标记单元;
所述异常点上报单元用于根据排查或举报数据,上报污水排放异常点;所述标记单元用于根据异常点位置,获取所有能够到达异常排放点的雨污水管道口,进行标记;
所述异常点上报单元的输出端与所述标记单元的输入端相连接;所述标记单元的输出端与所述机器学习分析模块的输入端相连接。
所述机器学习分析模块包括模型训练单元、机器学习单元;
所述模型训练单元用于获取雨污水管道口关键数据,构架训练集,训练得出雨污水管道口缺陷区域分析模型;所述机器学习单元用于根据雨污水管道口缺陷区域分析模型进行机器学习,构建智能化排查;
所述模型训练单元的输出端与所述机器学习单元的输入端相连接;所述机器学习单元的输出端与所述缺陷位置定位分析模块的输入端相连接。
所述缺陷位置定位分析模块包括缺陷分析单元、定位单元;
所述缺陷分析单元用于根据机器学习分析模块构建的模型作出缺陷分析结论;所述定位单元用于根据缺陷分析单元的结论定位高概率缺陷雨污水管道口,所述高概率缺陷雨污水管道口为模型分析下的高精度解;
所述缺陷分析单元的输出端与所述定位单元的输入端相连接。
一种基于人工智能的城市管网缺陷位置定位分析方法,该方法包括以下步骤:
S1、构建城市区域A,对城市区域A进行正方形网格式分割,构建网格区域,任意一网格区域边长不小于r,且网格区域内至少存在一处雨污水管道口;
S2、获取城市区域A内出现的异常排放点,对异常排放点所连接的所有雨污水管道口进行标记;
S3、获取城市区域A内的所有雨污水管道口关键数据,构建训练集,构建雨污水管道口缺陷区域分析模型;
S4、根据雨污水管道口缺陷区域分析模型,利用机器智能化,快速找到可能的雨污水管道错接、乱接或出现故障的网格区域。
在步骤S3中,所述雨污水管道口关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况;
所述雨污水管道口区域类型包括居民区域与工业区域,其中,有超出b家工厂利用一雨污水管道口进行排放时,认定雨污水管道口所在区域为工业区域,其他为居民区域。
在步骤S3中,还包括:
根据训练集构建雨污水管道口缺陷区域分析模型:
寻找分离超平面以获取雨污水管道口存在缺陷区域的分类平面;
设置超平面表示为:
其中C为惩罚参数,C>0;
根据拉格朗日对偶性,可得:
约束条件为:
由于数据为线性不可分训练数据,以核函数代替内积;
获得分类决策函数为:
根据分类决策函数对雨污水管道口缺陷区域进行分析,距离分离超平面越远的点代表分类越准确,即其对应的雨污水管道口存在缺陷的概率越大,进行标记,优先排查。
在本实施例中:
根据市政排查,发现一污水异常排放点,对其进行分析:
构建城市区域,对城市区域进行正方形网格式分割,构建网格区域,任意一网格区域边长不小于r,且网格区域内至少存在一处雨污水管道口;
根据训练集构建雨污水管道口缺陷区域分析模型:
寻找分离超平面以获取雨污水管道口存在缺陷区域的分类平面;
设置超平面表示为:
可得:
对系数进行放缩处理可得:
借助支持向量机数学算法,表示为:
即新的约束条件为:
其中C为惩罚参数;
分别对a、b进行求导,可得:
根据拉格朗日对偶性,可得:
其中,约束条件为:
设置惩罚参数C>0;C值越大对误分类的惩处越大,当C为无穷大时,即成为了线性可分问题。
可得新的约束条件为:
获得分类决策函数为:
根据分类决策函数对雨污水管道口缺陷区域进行分析,距离分离超平面越远的点代表分类越准确,即其对应的雨污水管道口存在缺陷的概率越大,进行标记,优先排查。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于人工智能的城市管网缺陷位置定位分析方法,其特征在于:该方法包括以下步骤:
S1、构建城市区域A,对城市区域A进行正方形网格式分割,构建网格区域,任意一网格区域边长不小于r,且网格区域内至少存在一处雨污水管道口;
S2、获取城市区域A内出现的异常排放点,对异常排放点所连接的所有雨污水管道口进行标记;
S3、获取城市区域A内的所有雨污水管道口关键数据,构建训练集,构建雨污水管道口缺陷区域分析模型;
S4、根据雨污水管道口缺陷区域分析模型,利用机器智能化,快速找到可能的雨污水管道错接、乱接或出现故障的网格区域,输出到维修端口,进行优先排查;
在步骤S3中,还包括:
根据训练集构建雨污水管道口缺陷区域分析模型:
寻找分离超平面以获取雨污水管道口存在缺陷区域的分类平面;
设置超平面表示为:
其中C为惩罚参数,C>0;
根据拉格朗日对偶性,可得:
约束条件为:
由于数据为线性不可分训练数据,以核函数代替内积;
获得分类决策函数为:
根据分类决策函数对雨污水管道口缺陷区域进行分析,距离分离超平面越远的点代表分类越准确,即其对应的雨污水管道口存在缺陷的概率越大,进行标记,优先排查;
在步骤S3中,所述雨污水管道口关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况;
时间T作为一个设置的系统参数,在时间T内若存在大量的路面工程,然后又出现了异常排放点,就存在在路面工程施工阶段,对雨污水管道口造成了破坏,对雨污水管道口关键数据聚总分析,最终获得一个网格区域的最大可能值,则认定该区域为雨污水管道口缺陷区域,采用技术手段进行排查;
所述雨污水管道口区域类型包括居民区域与工业区域,其中,有超出b家工厂利用一雨污水管道口进行排放时,认定雨污水管道口所在区域为工业区域,其他为居民区域。
2.应用权利要求1所述的一种基于人工智能的城市管网缺陷位置定位分析方法的一种基于人工智能的城市管网缺陷位置定位分析系统,其特征在于:该系统包括城市区域分布模块、城市管网采集模块、异常排放点标记模块、机器学习分析模块、缺陷位置定位分析模块;
所述城市区域分布模块用于构建城市区域,利用正方形网格式分割方法对城市区域进行分割,构建出网格区域;所述城市管网采集模块用于采集城市区域中的雨污水管道口,并获取雨污水管道口关键数据;所述异常排放点标记模块用于获取城市区域中出现的异常排放点,并获取能够连接到异常排放点的所有雨污水管道口,进行标记;所述机器学习分析模块用于根据训练集,利用机器学习构建雨污水管道口缺陷区域分析模型;所述缺陷位置定位分析模块用于根据雨污水管道口缺陷区域分析模型,快速定位分析雨污水管道口出现缺陷的区域;
所述城市区域分布模块的输出端与所述城市管网采集模块的输入端相连接;所述城市管网采集模块的输出端与所述异常排放点标记模块的输入端相连接;所述异常排放点标记模块的输出端与所述机器学习分析模块的输入端相连接;所述机器学习分析模块的输出端与所述缺陷位置定位分析模块的输入端相连接;
所述城市区域分布模块包括城市区域构建单元、网格分割单元;
所述城市区域构建单元用于构建城市区域;所述网格分割单元用于根据正方形网格分割方式,对城市区域进行分割,构建网格区域;
所述城市区域构建单元的输出端与所述网格分割单元的输入端相连接;所述网格分割单元的输出端与所述城市管网采集模块的输入端相连接。
3.根据权利要求2所述的系统,其特征在于:所述城市管网采集模块包括信息采集单元、关键数据确立单元;
所述信息采集单元用于采集城市区域内的雨污水管道口位置数据;所述关键数据确立单元用于确立城市区域内所有雨污水管道口的关键数据;
所述关键数据包括雨污水管道口区域类型、雨污水管道口施工单位、雨污水管道口竣工日期、雨污水管道口维护数据、雨污水管道口区域在时间T内的路面工程、雨污水管道口路面的载重情况;
所述信息采集单元的输出端与所述异常排放点标记模块的输入端相连接;所述关键数据确立单元的输出端与所述异常排放点标记模块的输入端相连接。
4.根据权利要求2所述的系统,其特征在于:所述异常排放点标记模块包括异常点上报单元、标记单元;
所述异常点上报单元用于根据排查或举报数据,上报污水排放异常点;所述标记单元用于根据异常点位置,获取所有能够到达异常排放点的雨污水管道口,进行标记;
所述异常点上报单元的输出端与所述标记单元的输入端相连接;所述标记单元的输出端与所述机器学习分析模块的输入端相连接。
5.根据权利要求2所述的系统,其特征在于:所述机器学习分析模块包括模型训练单元、机器学习单元;
所述模型训练单元用于获取雨污水管道口关键数据,构架训练集,训练得出雨污水管道口缺陷区域分析模型;所述机器学习单元用于根据雨污水管道口缺陷区域分析模型进行机器学习,构建智能化排查;
所述模型训练单元的输出端与所述机器学习单元的输入端相连接;所述机器学习单元的输出端与所述缺陷位置定位分析模块的输入端相连接。
6.根据权利要求2所述的系统,其特征在于:所述缺陷位置定位分析模块包括缺陷分析单元、定位单元;
所述缺陷分析单元用于根据机器学习分析模块构建的模型作出缺陷分析结论;所述定位单元用于根据缺陷分析单元的结论定位高概率缺陷雨污水管道口,所述高概率缺陷雨污水管道口为模型分析下的高精度解;
所述缺陷分析单元的输出端与所述定位单元的输入端相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210019409.2A CN114091355B (zh) | 2022-01-10 | 2022-01-10 | 基于人工智能的城市管网缺陷位置定位分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210019409.2A CN114091355B (zh) | 2022-01-10 | 2022-01-10 | 基于人工智能的城市管网缺陷位置定位分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091355A CN114091355A (zh) | 2022-02-25 |
CN114091355B true CN114091355B (zh) | 2022-06-17 |
Family
ID=80308425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210019409.2A Active CN114091355B (zh) | 2022-01-10 | 2022-01-10 | 基于人工智能的城市管网缺陷位置定位分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091355B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562060B (zh) * | 2023-07-10 | 2023-11-21 | 中建安装集团有限公司 | 基于智慧城市的雨污管网数据分析系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678427A (zh) * | 2016-02-04 | 2016-06-15 | 南京信息工程大学 | 一种基于gis的城市雨水管网密度计算方法 |
CN108038850A (zh) * | 2017-12-08 | 2018-05-15 | 天津大学 | 一种基于深度学习的排水管道异常类型自动检测方法 |
CN109671071A (zh) * | 2018-12-19 | 2019-04-23 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷定位及等级判定方法 |
CN110276145A (zh) * | 2019-06-26 | 2019-09-24 | 天津神州海创科技有限公司 | 城市排水系统仿真建模与调度方法 |
CN110852318A (zh) * | 2019-10-21 | 2020-02-28 | 武汉众智鸿图科技有限公司 | 一种排水管道缺陷精准定位方法及系统 |
CN110852458A (zh) * | 2019-11-08 | 2020-02-28 | 重庆工商职业学院 | 一种基于大数据的城市管网监管方法 |
CN113269469A (zh) * | 2021-06-21 | 2021-08-17 | 安徽金晥泵业科技股份有限公司 | 一种用于城市地下排水的管道远程监控系统 |
CN113641774A (zh) * | 2021-08-13 | 2021-11-12 | 安徽天诚交通工程有限公司 | 一种数字城管网格化管理方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886433A (zh) * | 2019-02-01 | 2019-06-14 | 常州大学 | 智能识别城市燃气管道缺陷的方法 |
EP3966728A4 (en) * | 2019-05-07 | 2023-05-17 | The Joan and Irwin Jacobs Technion-Cornell Institute | SYSTEMS AND METHODS FOR DETECTING ANOMALIES IN CIVIL INFRASTRUCTURE USING CONTEXT-SENSITIVE SEMANTIC ARTIFICIAL VISION TECHNIQUES |
-
2022
- 2022-01-10 CN CN202210019409.2A patent/CN114091355B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678427A (zh) * | 2016-02-04 | 2016-06-15 | 南京信息工程大学 | 一种基于gis的城市雨水管网密度计算方法 |
CN108038850A (zh) * | 2017-12-08 | 2018-05-15 | 天津大学 | 一种基于深度学习的排水管道异常类型自动检测方法 |
CN109671071A (zh) * | 2018-12-19 | 2019-04-23 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷定位及等级判定方法 |
CN110276145A (zh) * | 2019-06-26 | 2019-09-24 | 天津神州海创科技有限公司 | 城市排水系统仿真建模与调度方法 |
CN110852318A (zh) * | 2019-10-21 | 2020-02-28 | 武汉众智鸿图科技有限公司 | 一种排水管道缺陷精准定位方法及系统 |
CN110852458A (zh) * | 2019-11-08 | 2020-02-28 | 重庆工商职业学院 | 一种基于大数据的城市管网监管方法 |
CN113269469A (zh) * | 2021-06-21 | 2021-08-17 | 安徽金晥泵业科技股份有限公司 | 一种用于城市地下排水的管道远程监控系统 |
CN113641774A (zh) * | 2021-08-13 | 2021-11-12 | 安徽天诚交通工程有限公司 | 一种数字城管网格化管理方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于机器学习方法的直流电弧故障检测;丁鑫等;《传感器与微系统》;20171120(第11期);第124-126页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114091355A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Laucelli et al. | Detecting anomalies in water distribution networks using EPR modelling paradigm | |
Younis et al. | A probability model for investigating the trend of structural deterioration of wastewater pipelines | |
CN115545678A (zh) | 一种基于水环境画像与污染物溯源的水质监测方法 | |
CN114091355B (zh) | 基于人工智能的城市管网缺陷位置定位分析系统及方法 | |
CN111027730B (zh) | 一种基于阀门操作和在线用水计量的供水管网漏失高效定位方法 | |
CN108278491A (zh) | 一种发现排水管网运行异常的方法以及系统 | |
CN115577506B (zh) | 污水管网问题预诊断及精准排查的方法 | |
CN114444259A (zh) | 一种雨污管网溯源追踪系统及方法 | |
CN110929359A (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
CN111928120A (zh) | 一种雨污管网监控系统 | |
CN114662895A (zh) | 管网综合风险评估方法及装置 | |
CN107038287A (zh) | 一种检查排水管网拓补结构关系的模型分析方法及介质 | |
CN113739082B (zh) | 一种基于多区域联合评估的供水管网漏损监测方法 | |
CN112780953B (zh) | 一种基于模式检测的独立计量区域管网漏损检测方法 | |
CN114997555A (zh) | 一种城镇排水管网系统污水收集效能问题诊断与整治技术方法 | |
CN116502805B (zh) | 基于围区水网提升量化评价模型的调度方案快速筛选方法 | |
CN212620879U (zh) | 一种市政污水管网健康状况的监控设备 | |
CN116562060B (zh) | 基于智慧城市的雨污管网数据分析系统及方法 | |
CN116109174A (zh) | 一种智能水务信息化处理平台 | |
CN116029460A (zh) | 一种基于大数据的市政建筑工程节水管理平台 | |
CN115650327A (zh) | 一种城镇污水系统旱天外水入流的剥离方法 | |
CN115356260A (zh) | 一种高水位运行管道健康状况高效检测方法 | |
CN115162496A (zh) | 一种基于智能化的市政排水管网智能在线监测分析管理系统 | |
CN115660160A (zh) | 一种污水管网排水智能优化系统及方法 | |
CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 |
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 |