CN114721037A - 一种智能声学技术对管道内特征的检测、定位与识别方法 - Google Patents

一种智能声学技术对管道内特征的检测、定位与识别方法 Download PDF

Info

Publication number
CN114721037A
CN114721037A CN202210381375.1A CN202210381375A CN114721037A CN 114721037 A CN114721037 A CN 114721037A CN 202210381375 A CN202210381375 A CN 202210381375A CN 114721037 A CN114721037 A CN 114721037A
Authority
CN
China
Prior art keywords
pipeline
sensor
positioning
steps
signal
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.)
Withdrawn
Application number
CN202210381375.1A
Other languages
English (en)
Inventor
俞义成
牛旭东
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.)
Suzhou Qunxiaozhiyuan Technology Co ltd
Original Assignee
Suzhou Qunxiaozhiyuan Technology 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 Suzhou Qunxiaozhiyuan Technology Co ltd filed Critical Suzhou Qunxiaozhiyuan Technology Co ltd
Priority to CN202210381375.1A priority Critical patent/CN114721037A/zh
Publication of CN114721037A publication Critical patent/CN114721037A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
    • G01B17/06—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring contours or curvatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Mechanical Engineering (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种智能声学技术对管道内特征的检测、定位与识别方法，包括音频传感器布放、音频声学测试、降噪及定位算法、管道特征分类及识别算法和超声传感器布放及超声传感技术，本发明通过麦克风阵列及信处理技术实现更精准的自定位及管道内特征的检测、定位及识别，兼顾近距离的超声与远距离的音频传感器及传感技术，实现0~50m全距离管道区域内特征的检测、定位及识别，首次实现了可搭载机器人的管道回声特征的智能识别，多种数据同时采集，首次实现了在管道中识别堵塞的位置、大小和形状等特征。

Description

一种智能声学技术对管道内特征的检测、定位与识别方法
技术领域：
本发明属于智能声学技术领域，尤其涉及一种智能声学技术对管道内特征的检测、定位与识别方法。
背景技术：
随着城市建设进程的加速，城市供水，排污，油气等管道网络规划建设日趋复杂。这些管道中，普遍存在地下基础设施腐蚀、老化，管道具体信息匮乏，过度的交通负载，监测及检测手段落后等问题。管道的损坏，泄露等又引起环境污染，资源流失等问题。而智慧城市的建设迫切需要一种准确测定管道堵塞或泄露，及其位置的方法。
目前针对城市排水管道堵塞检测，通常使用机器人视频拍照进行，然而此类方法一般需要人工观看并分析视频，同时拍摄视频时也需机器人提供持续照明，因此功耗极大。智能化的视频处理及管道堵塞识别方法，则需要处理大量的图形化数据，对机器人的功率和计算能力要求极高。而声学的检测技术则可大大提高测量及分析效率，且功耗小，检测范围长，稳定性强。
目前声学测量的方法进行管道检测，主要存在三点不足：（1）目前管道检测一般采用单个扬声器单元激励，单个麦克风接受声信号，从而通过分析回声的方法，定位管道的堵塞，沙井或管道连接处等。然而这种技术一般仅用单一的声学系统测试（一般低于20kHz），而没有结合超声检测单元，因此存在近距离（2m内）的管道信息检测盲区。（2）由于声波在管道中传播的复杂性，一般声波激励与采集的频率范围小于1kHz，因此这种方法能提取到的声信息有限。而因为频率较低，定位的精准度亦有不足。（3）目前管道中采用声信号进行智能定位，及识别堵塞等管道特征的方法，还没有有效的解决方案。
本发明主要解决的技术问题在于音频声学与超声技术的结合运用，针对管道特征如堵塞等实现准确的智能化检测、定位和识别。其中核心在于声学传感器的布置，声学信号采集的硬件设计，声学信号的降噪处理技术，声学信号中的特征提取（如提取管道堵塞或管道连接信息）及识别的机器学习算法。
发明内容：
针对上述问题，本发明要解决的技术问题是提供一种智能声学技术对管道内特征的检测、定位与识别方法，包括音频传感器布放、音频声学测试、降噪及定位算法、管道特征分类及识别算法和超声传感器布放及超声传感技术；
所述音频传感器布放具体包括以下步骤：
（1）扬声器布放在管道横截面中心；
（2）麦克风阵列布放成圆形，阵列中心即为管道横截面中心，麦克风阵列包含若干个麦克风；
所述音频声学测试具体包括以下步骤：
（1）使用扫频信号激励扬声器；
（2）扬声器激励同时，麦克风阵列采集的声信号，麦克风阵列采集的信号，可以通过解卷积求得冲击响应，解卷积的公式如下：
Figure DEST_PATH_IMAGE001
其中
Figure 717282DEST_PATH_IMAGE002
表示冲击响应，
Figure DEST_PATH_IMAGE003
表示逆傅里叶变换，
Figure 714057DEST_PATH_IMAGE004
表示频域下的单个通道麦克风信号，
Figure DEST_PATH_IMAGE005
表示频域下的激励信号，即扫频信号，
Figure 363213DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
分别表示时间和圆频率；
所述降噪及定位算法具体包括以下步骤：
（1）将麦克风阵列测试数据解卷积，得到每个麦克风的冲击响应
Figure 570072DEST_PATH_IMAGE008
，然后求和得到总冲击响应
Figure DEST_PATH_IMAGE009
；
（2）用sym4小波构建小波矩阵；
（3）通过IHT算法，得到降噪后得冲击响应
Figure 244767DEST_PATH_IMAGE010
；
（4）将降噪后得冲击响应进行希尔伯特变换，求得波形包络；
（5）波形包络的峰值横坐标，即对应为管道特征的位置；
所述管道特征分类及识别算法具体包括以下步骤：
（1）通过IHT算法，得到降噪后得冲击响应
Figure DEST_PATH_IMAGE011
，及小波系数
Figure 938791DEST_PATH_IMAGE012
；
（2）对小波系数进行分割及特征提取，得到对应于管道特征的系数
Figure DEST_PATH_IMAGE013
；
（3）将系数
Figure 306319DEST_PATH_IMAGE013
与管道特征的标识组成训练数据；
（4）训练SVM分类器；
（5）将测试的数据，进行降噪，小波分析及系数提取，导入已训练的SVM分类器，即可得到分类结果；
所述超声传感器布放及超声传感技术具体包括以下步骤：
（1）超声传感器为空气耦合超声传感器组，包括一个主动激发和一个被动接受传感器，传感器组布放靠近管道内壁，在每一个特定角度，通过超声信号生成和采集器控制超声传感器激励一个瞬时包络信号和采集从管道特征反射回来的信号包络；
（2）通过电机或机器臂控制使传感器沿着管道内壁以角度方向转动一周，即0~360度，重复步骤1；
（3）采集到的每组数据进行数据后处理，在时间域里提取特征信号包络的最大值，并转为距离域后计算出传感器表面和管道内特征的距离，实现空气耦合超声传感器对管道内特征的定位；
（4）每个角度重复步骤3；
（5）通过极坐标图画出0~360度每一个角度的归一化幅值分布图，从而得到不同堵塞面积对应的极坐标归一化幅值分布图，实现管道内特征识别；
（6）此装置可搭载机器人或机器臂控制平台沿着管道方向移动到任意指定距离，之后再次重复步骤1-5。
优选的，所述音频传感器布放中麦克风数目应大于或等于四个，且应为偶数个。
优选的，所述音频声学测试中使用扫频信号激励扬声器，频率范围为100~5000Hz，激励持续时间5~10s。
优选的，所述管道特征分类及识别算法中管道特征主要包括有堵塞、三通连接、沙井和转弯连接四种分类。
本发明有益效果：
（1）针对管道中单一声系统检测盲区的问题，本发明提出了一种音频声学与超声检测结合的方法，有效避免近距离测量时回声与直达声混叠的问题。
（2）针对管道中声波的复杂性，如多模态的声波在管道中传播速度不同，尤其是频率较高时，声波会出现混叠的问题，从而难以分离出回声信号，本发明提出了一种麦克风阵列测量的方案，可以有效排除高模态声波的采集，从而仅提取出最低模态的声信号，避免测量到的声波出现混叠与色散。
（3）针对管道特征如堵塞沙井等，本发明提出了一种基于声信号的智能定位及识别的机器学习算法，此算法运行时间仅需10ms，相较于视频识别效率大大提高，且测量范围一般可以达到50m，远远超过视频处理方法。
本发明通过麦克风阵列及先进信号处理技术实现更精准的自定位及管道内特征（堵塞，沙井等）的检测，定位及识别，兼顾近距离的超声与远距离的音频传感器及传感技术，实现0~50m全距离管道区域内特征（堵塞，沙井等）的检测，定位及识别，相较于现有技术，如视频处理等，本技术发明实现了快速、高效及稳定的检测方案，基于声学感知及人工智能技术，首次实现了可搭载机器人的管道回声特征的智能识别，多种数据（音频和超声信号）同时采集，可基于数据融合方法进行算法优化，基于超声感知技术，首次实现了在管道中识别堵塞的位置、大小和形状等特征。
附图说明：
图1为音频传感器布放的侧面图；
图2为音频传感器布放的截面图；
图3为降噪及定位算法图；
图4为管道特征分类及识别算法图；
图5为超声传感器布放的侧视图；
图6为超声传感器布放的截面图；
图7为声学测试实验示意图；
图8为实验所得麦克风阵列对管道堵塞的定位及识别示意图；
图9为实验所得超声传感器组通过图6对管道堵塞的堵塞识别后管道堵塞占管道和截面积比例(%)示意图；
图10为实验所得超声传感器组通过图6对管道堵塞的堵塞识别后不同堵塞面积的信号反射归一化的最大幅值在角度上分布示意图。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚明了，下面通过具体实施例及附图来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
如图1-10所示，本发明的一种智能声学技术对管道内特征的检测、定位与识别方法，包括音频传感器布放、音频声学测试、降噪及定位算法、管道特征分类及识别算法和超声传感器布放及超声传感技术；
音频传感器布放具体包括以下步骤，如图1-2所示：
（1）扬声器布放在管道横截面中心；
（2）麦克风阵列布放成圆形，阵列中心即为管道横截面中心，麦克风阵列包含若6个麦克风，实际测试时，麦克风数目可以改变，音频传感器布放中麦克风数目应大于或等于四个，且应为偶数个。
音频声学测试具体包括以下步骤：
（1）使用扫频信号激励扬声器，频率范围为100~5000Hz，激励持续时间5~10s即可；
（2）扬声器激励同时，麦克风阵列采集的声信号，麦克风阵列采集的信号，可以通过解卷积求得冲击响应，解卷积的公式如下：
Figure 813523DEST_PATH_IMAGE014
其中
Figure DEST_PATH_IMAGE015
表示冲击响应，
Figure 682122DEST_PATH_IMAGE016
表示逆傅里叶变换，
Figure DEST_PATH_IMAGE017
表示频域下的单个通道麦克风信号，
Figure 778123DEST_PATH_IMAGE018
表示频域下的激励信号，即扫频信号，
Figure 519814DEST_PATH_IMAGE006
和
Figure 100002_DEST_PATH_IMAGE019
分别表示时间和圆频率；
本发明主要采用压缩感知算法IHT算法，其基函数采用Symlet小波函数。由于压缩感知算法中，将与噪声有关的小波系数消除，因此可以实现降噪效果。得到降噪后的冲击响应，即可通过希尔伯特变换，从而得到波形包络。包络的峰值所在的位置，即为管道堵塞或沙井等信息的位置。降噪及定位算法如图3所示。
降噪及定位算法具体包括以下步骤：
（1）将麦克风阵列测试数据解卷积，得到每个麦克风的冲击响应
Figure 435686DEST_PATH_IMAGE020
，然后求和得到总冲击响应
Figure 45659DEST_PATH_IMAGE021
；
（2）用sym4小波构建小波矩阵（如matlab函数wmpdictionary）；
（3）通过IHT算法，得到降噪后得冲击响应
Figure 950161DEST_PATH_IMAGE011
，算法的详细步骤可参照图3；
（4）将降噪后得冲击响应进行希尔伯特变换，求得波形包络（如matlab函数envelope）；
（5）波形包络的峰值横坐标，即对应为管道特征的位置。
声信号进行解卷积及降噪处理后，其小波系数可用于特征提取与模式识别算法的进行。本发明采用SVM（支持向量机）算法对管道特征进行分类：主要有堵塞，三通连接，沙井，转弯连接四种。管道分类及识别算法如图4所示。
管道特征分类及识别算法具体包括以下步骤：
（1）通过IHT算法，得到降噪后得冲击响应
Figure 252967DEST_PATH_IMAGE011
，及小波系数
Figure DEST_PATH_IMAGE022
；
（2）对小波系数进行分割及特征提取，得到对应于管道特征（如堵塞）的系数
Figure 124977DEST_PATH_IMAGE013
；
（3）将系数
Figure 273061DEST_PATH_IMAGE013
与管道特征的标识（如沙井，堵塞，三通连接，二通连接）组成训练数据；
（4）训练SVM分类器（如matlab函数fitcecoc）；
（5）将测试的数据，进行降噪，小波分析及系数提取，导入已训练的SVM分类器，即可得到分类结果；
超声传感器布放及超声传感技术具体包括以下步骤：
（1）如图5-6所示，超声传感器为空气耦合超声传感器组，包括一个主动激发和一个被动接受传感器，传感器组布放靠近管道内壁，在每一个特定角度，通过超声信号生成和采集器控制超声传感器激励一个瞬时包络信号和采集从管道特征（如堵塞或沙井）反射回来的信号包络；
（2）通过电机或机器臂控制使传感器沿着管道内壁以角度方向转动一周，即0~360度，重复步骤1；
（3）采集到的每组数据进行数据后处理，在时间域里提取特征信号包络的最大值，并转为距离域后计算出传感器表面和管道内特征的距离，实现空气耦合超声传感器对管道内特征的定位；
（4）每个角度重复步骤3；
（5）通过极坐标图画出0~360度每一个角度的归一化幅值分布图，从而得到不同堵塞面积对应的极坐标归一化幅值分布图，实现管道内特征识别；
（6）此装置可搭载机器人或机器臂控制平台沿着管道方向移动到任意指定距离，之后再次重复步骤1-5。
具体的，麦克风和超声传感器阵列：可以改变数目和位置；机器学习算法：可以用KNN等其他机器学习算法进行识别；压缩感知算法：可以用其他压缩感知算法，其他L1或L0正则化算法，如SPARSA等。
实施例：声学测试过程如图7所示：
扬声器与麦克风阵列搭载在小型机器人上，可以在150mm的管道中，进行移动检测。当机器人前方有堵塞物体时，即可以通过声学的算法进行定位及识别出来。堵塞物尺寸为30mm*40mm*150mm，测试时，机器人距离堵塞物约为4.2m。测试结果如图8所示。
如图8所示，用麦克风阵列及发明所提出的信号处理技术，可以显著降低噪声影响，从而提取出堵塞或其他连接处的声回波。相较于传统的但麦克风测试，麦克风阵列可以显著增强堵塞物，及管道末端的回波信号。通过SVM分类器后，堵塞处即可分辨并标出在示意图中。
而经过希尔伯特变换得到包络图，包络的峰值点检测，即可自动预测堵塞位置。如图8所示，堵塞处的峰值点横坐标约为4.2m，此即堵塞与机器人之间的距离。
如图9所示，超声感知技术对管道堵塞三维方向的定量分析包括不同的堵塞面积和传感器与堵塞特征的不同检测距离 (0.5~1m)。通过使用空气耦合超声传感器组对不同横截面（10%，30%和50%）的管道堵塞进行检测，图10展示了在不同距离下的信号反射在角度方向的最大幅值的归一化图示。从极坐标图展示，我们很容易识别出不同堵塞的大小。通过不同位置的测试也验证了空气耦合传感器对在管道内部进行特征检测，定位及识别的可能性和稳定性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种智能声学技术对管道内特征的检测、定位与识别方法，其特征在于：包括音频传感器布放、音频声学测试、降噪及定位算法、管道特征分类及识别算法和超声传感器布放及超声传感技术；
所述音频传感器布放具体包括以下步骤：
（1）扬声器布放在管道横截面中心；
（2）麦克风阵列布放成圆形，阵列中心即为管道横截面中心，麦克风阵列包含若干个麦克风；
所述音频声学测试具体包括以下步骤：
（1）使用扫频信号激励扬声器；
（2）扬声器激励同时，麦克风阵列采集的声信号，麦克风阵列采集的信号，可以通过解卷积求得冲击响应，解卷积的公式如下：
Figure DEST_PATH_IMAGE002
其中
Figure DEST_PATH_IMAGE004
表示冲击响应，表示逆傅里叶变换，
Figure DEST_PATH_IMAGE006
表示频域下的单个通道麦克风信号，
Figure DEST_PATH_IMAGE008
表示频域下的激励信号，即扫频信号，
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE012
分别表示时间和圆频率；
所述降噪及定位算法具体包括以下步骤：
（1）将麦克风阵列测试数据解卷积，得到每个麦克风的冲击响应
Figure DEST_PATH_IMAGE014
，然后求和得到总冲击响应
Figure DEST_PATH_IMAGE016
；
（2）用sym4小波构建小波矩阵；
（3）通过IHT算法，得到降噪后得冲击响应
Figure DEST_PATH_IMAGE018
；
（4）将降噪后得冲击响应进行希尔伯特变换，求得波形包络；
（5）波形包络的峰值横坐标，即对应为管道特征的位置；
所述管道特征分类及识别算法具体包括以下步骤：
（1）通过IHT算法，得到降噪后得冲击响应
Figure DEST_PATH_IMAGE019
，及小波系数
Figure DEST_PATH_IMAGE021
；
（2）对小波系数进行分割及特征提取，得到对应于管道特征的系数
Figure DEST_PATH_IMAGE023
；
（3）将系数
Figure 26928DEST_PATH_IMAGE023
与管道特征的标识组成训练数据；
（4）训练SVM分类器；
（5）将测试的数据，进行降噪，小波分析及系数提取，导入已训练的SVM分类器，即可得到分类结果；
所述超声传感器布放及超声传感技术具体包括以下步骤：
（1）超声传感器为空气耦合超声传感器组，包括一个主动激发和一个被动接受传感器，传感器组布放靠近管道内壁，在每一个特定角度，通过超声信号生成和采集器控制超声传感器激励一个瞬时包络信号和采集从管道特征反射回来的信号包络；
（2）通过电机或机器臂控制使传感器沿着管道内壁以角度方向转动一周，即0~360度，重复步骤1；
（3）采集到的每组数据进行数据后处理，在时间域里提取特征信号包络的最大值，并转为距离域后计算出传感器表面和管道内特征的距离，实现空气耦合超声传感器对管道内特征的定位；
（4）每个角度重复步骤3；
（5）通过极坐标图画出0~360度每一个角度的归一化幅值分布图，从而得到不同堵塞面积对应的极坐标归一化幅值分布图，实现管道内特征识别；
（6）此装置可搭载机器人或机器臂控制平台沿着管道方向移动到任意指定距离，之后再次重复步骤1-5。
2.根据权利要求1所述的一种智能声学技术对管道内特征的检测、定位与识别方法，其特征在于：所述音频传感器布放中麦克风数目应大于或等于四个，且应为偶数个。
3.根据权利要求1所述的一种智能声学技术对管道内特征的检测、定位与识别方法，其特征在于：所述音频声学测试中使用扫频信号激励扬声器，频率范围为100~5000Hz，激励持续时间5~10s。
4.根据权利要求1所述的一种智能声学技术对管道内特征的检测、定位与识别方法，其特征在于：所述管道特征分类及识别算法中管道特征主要包括有堵塞、三通连接、沙井和转弯连接四种分类。
CN202210381375.1A 2022-04-13 2022-04-13 一种智能声学技术对管道内特征的检测、定位与识别方法 Withdrawn CN114721037A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210381375.1A CN114721037A (zh) 2022-04-13 2022-04-13 一种智能声学技术对管道内特征的检测、定位与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210381375.1A CN114721037A (zh) 2022-04-13 2022-04-13 一种智能声学技术对管道内特征的检测、定位与识别方法

Publications (1)

Publication Number Publication Date
CN114721037A true CN114721037A (zh) 2022-07-08

Family

ID=82244215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210381375.1A Withdrawn CN114721037A (zh) 2022-04-13 2022-04-13 一种智能声学技术对管道内特征的检测、定位与识别方法

Country Status (1)

Country Link
CN (1) CN114721037A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115560795A (zh) * 2022-12-02 2023-01-03 小米汽车科技有限公司 适用于充电设备的风道阻塞检测方法及装置
CN116624793A (zh) * 2023-07-25 2023-08-22 上海电机学院 一种双指向性超低压气体管道泄漏声波信号检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115560795A (zh) * 2022-12-02 2023-01-03 小米汽车科技有限公司 适用于充电设备的风道阻塞检测方法及装置
CN116624793A (zh) * 2023-07-25 2023-08-22 上海电机学院 一种双指向性超低压气体管道泄漏声波信号检测方法
CN116624793B (zh) * 2023-07-25 2023-10-31 上海电机学院 一种双指向性超低压气体管道泄漏声波信号检测方法

Similar Documents

Publication Publication Date Title
CN114721037A (zh) 一种智能声学技术对管道内特征的检测、定位与识别方法
CN104020495B (zh) 一种基于探地雷达的地下管线参数自识别方法
CN102927451B (zh) 输油管道微泄漏检测方法
US11900630B2 (en) Method for detecting leakage of water supply pipe based on ground-penetrating radar three-dimensional image attribute analysis
CN106287240B (zh) 一种基于声发射的管道泄漏检测装置及单传感器定位方法
CN108397692B (zh) 基于噪声信号时域分段频谱分析的管道泄漏识别方法
CN106441272B (zh) 一种管道清堵机器人自动快速定位系统及方法
CN113009447B (zh) 基于深度学习和探地雷达的道路地下空洞检测预警方法
CN115854271B (zh) 城市地下管网损伤监测与修复系统及损伤识别修复方法
CN109063762A (zh) 一种基于dt-cwt和s4vm的管道堵塞故障识别方法
CN103196991B (zh) 连续诊断管体金属腐蚀与缺陷的全覆盖瞬变电磁检测方法
He et al. A fast acoustic emission beamforming localization method based on Hilbert curve
CN109538946B (zh) 一种城市自来水管道泄漏检测定位方法
Geng et al. Identifying void defects behind Tunnel composite lining based on transient electromagnetic radar method
CN102879715A (zh) 变压器局部放电检测定位方法
KR101556389B1 (ko) 무선통신을 기반으로 이루어진 관로분석제어모듈과 스마트 관로로봇 사이의 무선데이터송수신장치
CN101957458B (zh) 一种处理超低频数据的方法
CN202402950U (zh) 便携式管道腐蚀、渗漏现场检测装置
CN106066472B (zh) 一种二维振速梯度水听器的被动目标相关检测方法
CN115452670B (zh) 一种流动水体中泥沙含量的测定方法及装置
CN113933220B (zh) 一种光纤管道砂粒特征信息监测方法及系统
CN207180585U (zh) 一种地下管道尺寸测量装置
CN115978464A (zh) 基于变分模态分解和神经网络的管网泄漏检测与定位方法
CN110440144B (zh) 一种基于压力信号幅值衰减的定位方法
Guo et al. Research on tunnel lining image target recognition method based on YOLOv3

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220708

WW01 Invention patent application withdrawn after publication