CN114877264A - 一种基于声纹识别的天然气管体泄露识别方法和系统 - Google Patents
一种基于声纹识别的天然气管体泄露识别方法和系统 Download PDFInfo
- Publication number
- CN114877264A CN114877264A CN202210652407.7A CN202210652407A CN114877264A CN 114877264 A CN114877264 A CN 114877264A CN 202210652407 A CN202210652407 A CN 202210652407A CN 114877264 A CN114877264 A CN 114877264A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- natural gas
- pipe body
- identification
- model
- 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.)
- Pending
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 232
- 239000003345 natural gas Substances 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 60
- 230000001755 vocal effect Effects 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000011897 real-time detection Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于声纹识别的天然气管体泄露识别方法和系统，涉及天然气泄露识别领域。该方法包括：输入采集的天然气管体的声纹信息，通过优化后的DFCNN模型对所述天然气管体的声纹信息进行实时检测，当检测结果为识别匹配到标注有泄露天然气类别的声纹，且匹配度高于预设值时，则判断出有天然气泄露时，则记录当前时刻，并推送报警，实现管体天然气泄漏的声纹的的智能识别，能够帮助人工智能识别出管体天然气泄漏声纹的情况，降低管道破裂的安全风险，提升管道安全管控能力。
Description
技术领域
本发明涉及天然气泄露识别领域，尤其涉及一种基于声纹识别的天然气管体泄露识别方法和系统。
背景技术
随着经济发展，各地区经济发展需要而开展的施工建设随之增加，不可避免的与日益增加的管网叠加而相互影响。近年来因管道质量或者环境变化导致天然气管道发生破裂气体泄漏的事故时有发生。为管道安全管理和运行带来很大压力。
为了加强管道质量管理，近年来开展了智能小球内检测，小球中有声音采集器，对管道发生天然气泄漏点的声音采集后，工程师进行分析，当看到有泄漏的声纹频谱，发出报警，找到相关泄漏点位进行修复。
但是工程师需要人工一点一点的查看声纹频谱，当数据量大时，往往导致工作量大，容易产生漏查。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种基于声纹识别的天然气管体泄露识别方法和系统。
本发明解决上述技术问题的技术方案如下：
一种基于声纹识别的天然气管体泄露识别方法，包括：
S1，输入采集的天然气管体的声纹信息；
S2，通过优化后的DFCNN模型对所述天然气管体的声纹信息进行实时检测；
S3，当检测结果为识别匹配到标注有泄露天然气类别的声纹，且匹配度高于预设值时，则判断出有天然气泄露时，则记录当前时刻，并推送报警。
本发明的有益效果是：本方案通过优化后的DFCNN模型对所述天然气管体的声纹信息进行实时检测，当检测结果为识别匹配到标注有泄露天然气类别的声纹，且匹配度高于预设值时，则判断出有天然气泄露时，则记录当前时刻，并推送报警，实现管体天然气泄漏的声纹的的智能识别，能够帮助人工智能识别出管体天然气泄漏声纹的情况，降低管道破裂的安全风险，提升管道安全管控能力。
通过本方案实现管体天然气泄漏的智能识别报警，实现智能化数据分析。
进一步地，通过声纹训练集对DFCNN模型进行训练，获得优化后的DFCNN模型。
采用上述进一步方案的有益效果是：通过优化后的DFCNN模型，可以实现降低计算复杂度，让模型具有较好的鲁棒性。
进一步地，还包括：采集包括天然气的声纹数据；
将所述声纹数据根据声纹类别进行数据集划分，并对泄露天然气类别的声纹进行标注，获得声纹训练集。
进一步地，还包括：将标注好的声纹数据进行高斯滤波去噪。
采用上述进一步方案的有益效果是：通过将标注好的声纹数据进行高斯滤波，可以有效提高数据的清晰度且放大细节。
进一步地，还包括：
通过傅里叶变换提取所述声纹训练集的声纹频谱特征，获取特征提取后的声纹训练集；
所述通过所述声纹训练集对DFCNN模型进行训练，具体包括：
通过特征提取后的所述声纹训练集对DFCNN模型进行训练。
采用上述进一步方案的有益效果是：本方案通过对不同声纹频谱特征进行提取，以提升模型的检测性能。
本发明解决上述技术问题的另一种技术方案如下：
一种基于声纹识别的天然气管体泄露识别系统，包括：输入模块、检测模块和告警模块；
所述输入模块用于输入采集的天然气管体的声纹信息；
所述检测模块用于通过优化后的DFCNN模型对所述天然气管体的声纹信息进行实时检测；
所述告警模块用于当检测结果为识别匹配到标注有泄露天然气类别的声纹，且匹配度高于预设值时，则判断出有天然气泄露时，则记录当前时刻，并推送报警。
本发明的有益效果是：本方案通过优化后的DFCNN模型对所述天然气管体的声纹信息进行实时检测，当检测结果为识别匹配到标注有泄露天然气类别的声纹，且匹配度高于预设值时，则判断出有天然气泄露时，则记录当前时刻，并推送报警，实现管体天然气泄漏的声纹的的智能识别，能够帮助人工智能识别出管体天然气泄漏声纹的情况，降低管道破裂的安全风险，提升管道安全管控能力。
通过本方案实现管体天然气泄漏的智能识别报警，实现智能化数据分析。
进一步地，还包括：优化模块，用于通过声纹训练集对DFCNN模型进行训练，获得优化后的DFCNN模型。
采用上述进一步方案的有益效果是：通过优化后的DFCNN模型，可以实现降低计算复杂度，让模型具有较好的鲁棒性。
进一步地，还包括：训练集获取模块，用于采集包括天然气的声纹数据；
将所述声纹数据根据声纹类别进行数据集划分，并对泄露天然气类别的声纹进行标注，获得声纹训练集。
进一步地，还包括：训练集优化模块，用于将标注好的声纹数据进行高斯滤波去噪。
采用上述进一步方案的有益效果是：通过将标注好的声纹数据进行高斯滤波，可以有效提高数据的清晰度且放大细节。
进一步地，还包括：特征提取模块，用于通过傅里叶变换提取所述声纹训练集的声纹频谱特征，获取特征提取后的声纹训练集；
所述优化模块具体用于通过特征提取后的所述声纹训练集对DFCNN模型进行训练。
采用上述进一步方案的有益效果是：本方案通过对不同声纹频谱特征进行提取，以提升模型的检测性能。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明的实施例提供的一种基于声纹识别的天然气管体泄露识别方法的流程示意图；
图2为本发明的实施例提供的一种基于声纹识别的天然气管体泄露识别系统的结构框图；
图3为本发明的其他实施例提供的DFCNN识别天然气泄漏的声纹流程示意图；
图4为本发明的其他实施例提供的泄漏和非泄漏声纹图片标记的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，为本发明实施例提供的一种基于声纹识别的天然气管体泄露识别方法，包括：
S1，输入采集的天然气管体的声纹信息；
S2，通过优化后的DFCNN模型对所述天然气管体的声纹信息进行实时检测；
S3，当检测结果为识别匹配到标注有泄露天然气类别的声纹，且匹配度高于预设值时，则判断出有天然气泄露时，则记录当前时刻，并推送报警。其中，预设值可以为匹配度高于80％。
在某一实施例中，将训练好的模型用于现场的管体天然气泄漏声纹检测，检测中出现的目标框进行如下匹配：出现管体正常目标框时会继续检测是否出管体天然气泄漏目标框，若没有出现，则不报警；当检测出管体天然气泄漏目标框时，匹配度高于80％时判断有管体天然气泄漏现象。
在某一实施例中，如图3所示，一种基于卷积神经网络的识别天然气管道泄漏的声纹的预警方法，它采用傅里叶变换FFP提取天然气泄漏的声纹的频谱特征，标记后训练DFCNN模型，形成训练好的多分类器，然后对声纹进行智能实时检测。提出了基于DFCNN智能识别天然气泄漏的声纹的算法；对于其它声纹进行过滤，识别到天然气泄漏的声纹后实时报警，降低管道破裂的安全风险。
本方案通过优化后的DFCNN模型对所述天然气管体的声纹信息进行实时检测，当检测结果为识别匹配到标注有泄露天然气类别的声纹，且匹配度高于预设值时，则判断出有天然气泄露时，则记录当前时刻，并推送报警，实现管体天然气泄漏的声纹的的智能识别，能够帮助人工智能识别出管体天然气泄漏声纹的情况，降低管道破裂的安全风险，提升管道安全管控能力。
通过本方案实现管体天然气泄漏的智能识别报警，实现智能化数据分析。
优选地，在上述任意实施例中，通过声纹训练集对DFCNN模型进行训练，获得优化后的DFCNN模型。
在另一实施例中，在原有声纹中使用傅里叶变换提取声纹频谱特征，对不同声纹频谱特征进行提取，以提升模型的检测性能；
将标记好的管体正常、管体天然气泄漏等声纹进入DFCNN卷积网络进行训练，修改参数优化，降低计算复杂度；具有较好鲁棒性时，训练结束。
通过优化后的DFCNN模型，可以实现降低计算复杂度，让模型具有较好的鲁棒性。
优选地，在上述任意实施例中，还包括：采集包括天然气的声纹数据；声纹数据的类别包括：未泄露天然气状态的声纹数据和泄露天然气状态的声纹数据；
将所述声纹数据根据声纹类别进行数据集划分，并对泄露天然气类别的声纹进行标注，获得声纹训练集。
在某一实施例中，采集天然气泄漏的声纹数据，声纹数据包括：正常状态声纹，天然气泄漏的声纹数据。
对采集到的声纹数据进行数据集划分、对天然气泄漏的特征声纹目标框标注，获得声纹训练集。
在另一实施例中，对获取到的管体各种声纹频谱特征进行目标框标注，目标框种类为：管体正常、管体天然气泄漏；
将标注好的声纹进行高斯滤波去噪，提高数据的清晰度且放大细节；
对获取到标记好的声纹使用DFCNN进行模型训练。
优选地，在上述任意实施例中，还包括：将标注好的声纹数据进行高斯滤波去噪。
通过将标注好的声纹数据进行高斯滤波，可以有效提高数据的清晰度且放大细节。
优选地，在上述任意实施例中，还包括：
通过傅里叶变换提取所述声纹训练集的声纹频谱特征，获取特征提取后的声纹训练集；
所述通过所述声纹训练集对DFCNN模型进行训练，具体包括：
通过特征提取后的所述声纹训练集对DFCNN模型进行训练。
本方案通过对不同声纹频谱特征进行提取，以提升模型的检测性能。
在某一实施例中，基于DFCNN的天然气泄漏的声纹识别，可以包括：声纹采集、泄漏声纹标记、泄漏声纹训练、泄漏声纹识别。
s1.声纹采集
利用采集天然气泄漏的声纹数据，包括正常状态声纹，天然气泄漏的声纹数据；
s2.泄漏声纹标记
(1)对采集到的声纹数据进行数据集划分，以进行后续模型训练及测试验证。划分标准为：70％数据作为训练集，20％数据作为测试集，10％数据作为验证集。
(2)将非天然气泄漏的声纹数据和天然气泄漏的声纹数据进行数据标注，对天然气泄漏的特征声纹，用目标框标注为“leak”标记，如图4所示；s3.泄漏声纹训练
将标记好的声纹数据进入DFCNN进行模型训练，模型会自动不断循环迭代训练结果。
s4.泄漏声纹识别
将训练好的DFCNN模型用于实时检测识别，具体检测过程如下：
(1)将声音采集设备即麦克风采集到的声纹导入已训练完成的模型(2)模型对声纹数据进行识别，当出现管体正常目标框(no leak目标框)时会继续检测是否出现管体天然气泄漏目标框(leak目标框)，若没有出现，则不报警；
(3)当检测出管体天然气泄漏目标框时，匹配度高于80％时判断有管体天然气泄漏现象。
在某一实施例中，如图2所示，一种基于声纹识别的天然气管体泄露识别系统，包括：输入模块1101、检测模块1102和告警模块1103；
所述输入模块1101用于输入采集的天然气管体的声纹信息；
所述检测模块1102用于通过优化后的DFCNN模型对所述天然气管体的声纹信息进行实时检测；
所述告警模块1103用于当检测结果为识别匹配到标注有泄露天然气类别的声纹，且匹配度高于预设值时，则判断出有天然气泄露时，则记录当前时刻，并推送报警。
本方案通过优化后的DFCNN模型对所述天然气管体的声纹信息进行实时检测，当检测结果为识别匹配到标注有泄露天然气类别的声纹，且匹配度高于预设值时，则判断出有天然气泄露时，则记录当前时刻，并推送报警，实现管体天然气泄漏的声纹的的智能识别，能够帮助人工智能识别出管体天然气泄漏声纹的情况，降低管道破裂的安全风险，提升管道安全管控能力。
通过本方案实现管体天然气泄漏的智能识别报警，实现智能化数据分析。
优选地，在上述任意实施例中，还包括：优化模块，用于通过声纹训练集对DFCNN模型进行训练，获得优化后的DFCNN模型。
通过优化后的DFCNN模型，可以实现降低计算复杂度，让模型具有较好的鲁棒性。
优选地，在上述任意实施例中，还包括：训练集获取模块，用于采集包括天然气的声纹数据；
将所述声纹数据根据声纹类别进行数据集划分，并对泄露天然气类别的声纹进行标注，获得声纹训练集。
优选地，在上述任意实施例中，还包括：训练集优化模块，用于将标注好的声纹数据进行高斯滤波去噪。
通过将标注好的声纹数据进行高斯滤波，可以有效提高数据的清晰度且放大细节。
优选地，在上述任意实施例中，还包括：特征提取模块，用于通过傅里叶变换提取所述声纹训练集的声纹频谱特征，获取特征提取后的声纹训练集；
所述优化模块具体用于通过特征提取后的所述声纹训练集对DFCNN模型进行训练。
本方案通过对不同声纹频谱特征进行提取，以提升模型的检测性能。
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
上述方法如果以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，或者该技术方案的全部或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-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于声纹识别的天然气管体泄露识别方法，其特征在于，包括：
S1，输入采集的天然气管体的声纹信息；
S2，通过优化后的DFCNN模型对所述天然气管体的声纹信息进行实时检测；
S3，当检测结果为识别匹配到标注有泄露天然气类别的声纹，且匹配度高于预设值时，则判断出有天然气泄露，记录当前时刻，并推送报警。
2.根据权利要求1所述的一种基于声纹识别的天然气管体泄露识别方法，其特征在于，通过声纹训练集对DFCNN模型进行训练，获得优化后的DFCNN模型。
3.根据权利要求2所述的一种基于声纹识别的天然气管体泄露识别方法，其特征在于，还包括：
采集包括天然气泄露信息的声纹数据；
将所述声纹数据根据声纹类别进行数据集划分，并对泄露天然气类别的声纹进行标注，获得声纹训练集。
4.根据权利要求3所述的一种基于声纹识别的天然气管体泄露识别方法，其特征在于，还包括：将标注好的声纹数据进行高斯滤波去噪。
5.根据权利要求2-4任一项所述的一种基于声纹识别的天然气管体泄露识别方法，其特征在于，还包括：
通过傅里叶变换提取所述声纹训练集的声纹频谱特征，获取特征提取后的声纹训练集；
所述通过所述声纹训练集对DFCNN模型进行训练，具体包括：
通过特征提取后的所述声纹训练集对DFCNN模型进行训练。
6.一种基于声纹识别的天然气管体泄露识别系统，其特征在于，包括：输入模块、检测模块和告警模块；
所述输入模块用于输入采集的天然气管体的声纹信息；
所述检测模块用于通过优化后的DFCNN模型对所述天然气管体的声纹信息进行实时检测；
所述告警模块用于当检测结果为识别匹配到标注有泄露天然气类别的声纹，且匹配度高于预设值时，则判断出有天然气泄露时，则记录当前时刻，并推送报警。
7.根据权利要求6所述的一种基于声纹识别的天然气管体泄露识别系统，其特征在于，还包括：优化模块，用于通过声纹训练集对DFCNN模型进行训练，根据训练结果对所述DFCNN模型的模型参数进行优化，获得优化后的DFCNN模型。
8.根据权利要求7所述的一种基于声纹识别的天然气管体泄露识别系统，其特征在于，还包括：训练集获取模块，用于采集包括天然气的声纹数据；
将所述声纹数据根据声纹类别进行数据集划分，并对泄露天然气类别的声纹进行标注，获得声纹训练集。
9.根据权利要求8所述的一种基于声纹识别的天然气管体泄露识别系统，其特征在于，还包括：训练集优化模块，用于将标注好的声纹数据进行高斯滤波去噪。
10.根据权利要求7-9任一项所述的一种基于声纹识别的天然气管体泄露识别系统，其特征在于，还包括：特征提取模块，用于通过傅里叶变换提取所述声纹训练集的声纹频谱特征，获取特征提取后的声纹训练集；
所述优化模块具体用于通过特征提取后的所述声纹训练集对DFCNN模型进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210652407.7A CN114877264A (zh) | 2022-06-06 | 2022-06-06 | 一种基于声纹识别的天然气管体泄露识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210652407.7A CN114877264A (zh) | 2022-06-06 | 2022-06-06 | 一种基于声纹识别的天然气管体泄露识别方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114877264A true CN114877264A (zh) | 2022-08-09 |
Family
ID=82682094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210652407.7A Pending CN114877264A (zh) | 2022-06-06 | 2022-06-06 | 一种基于声纹识别的天然气管体泄露识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114877264A (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3508433A (en) * | 1965-12-14 | 1970-04-28 | Exxon Research Engineering Co | Pipeline leak detector |
| CN101270853A (zh) * | 2008-05-15 | 2008-09-24 | 中国石油大学(北京) | 基于次声波的天然气管道泄漏远程检测装置、方法及系统 |
| CN107066882A (zh) * | 2017-03-17 | 2017-08-18 | 平安科技（深圳）有限公司 | 信息泄露检测方法及装置 |
| WO2018077069A1 (zh) * | 2016-10-27 | 2018-05-03 | 珠海格力电器股份有限公司 | 新风系统故障判断方法、装置和告警系统 |
| CN109357167A (zh) * | 2018-10-30 | 2019-02-19 | 长春市万易科技有限公司 | 一种燃气管道漏点检测装置及检测方法 |
| CN109737309A (zh) * | 2019-01-09 | 2019-05-10 | 慧感(上海)物联网科技有限公司 | 一种基于风险识别的风险源定漏溯源方法及其系统 |
| CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
| CN111022941A (zh) * | 2019-12-27 | 2020-04-17 | 重庆科技学院 | 一种基于lstm循环神经网络的天然气管道泄漏检测方法 |
| CN111664365A (zh) * | 2020-06-07 | 2020-09-15 | 东北石油大学 | 基于改进vmd和1dcnn的油气管道泄漏检测方法 |
| WO2021069633A1 (de) * | 2019-10-11 | 2021-04-15 | BSH Hausgeräte GmbH | Messsystem zur überwachung eines leitungssystems und verfahren zu dessen betrieb |
| CN112665801A (zh) * | 2021-01-14 | 2021-04-16 | 浙江浙能技术研究院有限公司 | 基于卷积神经网络的输气管线阀门内漏识别装置及方法 |
| CN112784980A (zh) * | 2021-01-05 | 2021-05-11 | 中国石油天然气集团有限公司 | 一种智能化测井层位划分方法 |
| CN113124328A (zh) * | 2021-03-15 | 2021-07-16 | 湖南匡楚科技有限公司 | 一种天然气管道泄漏检测方法及系统 |
| CN113375063A (zh) * | 2021-06-07 | 2021-09-10 | 国家石油天然气管网集团有限公司西气东输分公司 | 一种天然气管道泄漏智能监测方法及系统 |
| CN113919395A (zh) * | 2021-10-12 | 2022-01-11 | 大连理工大学 | 基于一维卷积神经网络的给水管网渗漏事故诊断方法 |
| CN114202892A (zh) * | 2021-11-16 | 2022-03-18 | 北京航天试验技术研究所 | 一种氢泄漏监测方法 |
| CN114391827A (zh) * | 2022-01-06 | 2022-04-26 | 普昶钦 | 一种基于卷积神经网络的院前肺气肿诊断装置 |
| WO2022105340A1 (zh) * | 2020-11-23 | 2022-05-27 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于声波的管道监测系统及监测方法 |
-
2022
- 2022-06-06 CN CN202210652407.7A patent/CN114877264A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3508433A (en) * | 1965-12-14 | 1970-04-28 | Exxon Research Engineering Co | Pipeline leak detector |
| CN101270853A (zh) * | 2008-05-15 | 2008-09-24 | 中国石油大学(北京) | 基于次声波的天然气管道泄漏远程检测装置、方法及系统 |
| WO2018077069A1 (zh) * | 2016-10-27 | 2018-05-03 | 珠海格力电器股份有限公司 | 新风系统故障判断方法、装置和告警系统 |
| CN107066882A (zh) * | 2017-03-17 | 2017-08-18 | 平安科技（深圳）有限公司 | 信息泄露检测方法及装置 |
| CN109357167A (zh) * | 2018-10-30 | 2019-02-19 | 长春市万易科技有限公司 | 一种燃气管道漏点检测装置及检测方法 |
| CN109737309A (zh) * | 2019-01-09 | 2019-05-10 | 慧感(上海)物联网科技有限公司 | 一种基于风险识别的风险源定漏溯源方法及其系统 |
| CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
| WO2021069633A1 (de) * | 2019-10-11 | 2021-04-15 | BSH Hausgeräte GmbH | Messsystem zur überwachung eines leitungssystems und verfahren zu dessen betrieb |
| CN111022941A (zh) * | 2019-12-27 | 2020-04-17 | 重庆科技学院 | 一种基于lstm循环神经网络的天然气管道泄漏检测方法 |
| CN111664365A (zh) * | 2020-06-07 | 2020-09-15 | 东北石油大学 | 基于改进vmd和1dcnn的油气管道泄漏检测方法 |
| WO2022105340A1 (zh) * | 2020-11-23 | 2022-05-27 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于声波的管道监测系统及监测方法 |
| CN112784980A (zh) * | 2021-01-05 | 2021-05-11 | 中国石油天然气集团有限公司 | 一种智能化测井层位划分方法 |
| CN112665801A (zh) * | 2021-01-14 | 2021-04-16 | 浙江浙能技术研究院有限公司 | 基于卷积神经网络的输气管线阀门内漏识别装置及方法 |
| CN113124328A (zh) * | 2021-03-15 | 2021-07-16 | 湖南匡楚科技有限公司 | 一种天然气管道泄漏检测方法及系统 |
| CN113375063A (zh) * | 2021-06-07 | 2021-09-10 | 国家石油天然气管网集团有限公司西气东输分公司 | 一种天然气管道泄漏智能监测方法及系统 |
| CN113919395A (zh) * | 2021-10-12 | 2022-01-11 | 大连理工大学 | 基于一维卷积神经网络的给水管网渗漏事故诊断方法 |
| CN114202892A (zh) * | 2021-11-16 | 2022-03-18 | 北京航天试验技术研究所 | 一种氢泄漏监测方法 |
| CN114391827A (zh) * | 2022-01-06 | 2022-04-26 | 普昶钦 | 一种基于卷积神经网络的院前肺气肿诊断装置 |
Non-Patent Citations (3)
| Title |
|---|
| 刘奇锋等: ""基于YOLOv3算法的轨道扣件自动定位与检测"", 《铁道建筑》, no. 9, 30 September 2020 (2020-09-30), pages 128 - 132 * |
| 杜玉红等: ""改进Faster RCNN模型在棉花异性纤维识别中的应用"", 《激光与光电子学进展》, no. 12, 30 September 2020 (2020-09-30), pages 132 - 141 * |
| 贾磊等: ""基于深度学习的危化品车辆货物类型识别技术研究"", 《山西交通科技》, no. 4, 31 August 2020 (2020-08-31), pages 164 - 166 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353395B (zh) | 一种基于长短期记忆网络的换脸视频检测方法 | |
| CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
| CN109615116A (zh) | 一种电信诈骗事件检测方法和检测系统 | |
| CN111199213B (zh) | 一种变电站用设备缺陷检测方法及装置 | |
| CN112504673B (zh) | 基于机器学习的托辊故障诊断方法、系统及存储介质 | |
| CN112599134A (zh) | 一种基于声纹识别的变压器声音事件检测方法 | |
| CN109063433B (zh) | 虚假用户的识别方法、装置及可读存储介质 | |
| CN107274912B (zh) | 一种手机录音的设备来源辨识方法 | |
| US9672677B2 (en) | Method and apparatus for detecting magnetic signal of paper money | |
| CN115618205A (zh) | 一种便携式声纹故障检测系统及方法 | |
| CN116735170A (zh) | 一种基于自注意力多尺度特征提取的智能故障诊断方法 | |
| CN117955863A (zh) | 基于人工智能的数据安全检测方法及系统 | |
| CN114067829A (zh) | 一种电抗器故障诊断方法、装置、计算机设备及存储介质 | |
| CN118172693A (zh) | 一种视频智能识别液化气瓶违规充装的方法 | |
| CN114877264A (zh) | 一种基于声纹识别的天然气管体泄露识别方法和系统 | |
| CN112634945A (zh) | 一种基于云平台的智能漏水声识别方法 | |
| CN111967575A (zh) | 一种半自动化模型更新系统及模型更新方法 | |
| CN116386648A (zh) | 跨域语音鉴伪方法和系统 | |
| CN113380273B (zh) | 异常声音检测及判断形成原因的系统 | |
| CN113572555B (zh) | 一种基于零样本学习的黑广播监测方法 | |
| CN112818150B (zh) | 一种图片内容审核方法、装置、设备和介质 | |
| CN112660746B (zh) | 基于大数据技术的托辊故障诊断方法、系统及存储介质 | |
| CN114629681B (zh) | 一种基于随机傅里叶核函数的异常流量检测方法及电子设备与存储介质 | |
| CN118410497B (zh) | 一种基于深度学习的智能化渗透测试方法及系统 | |
| CN115389121B (zh) | 一种基于随机森林的电动阀门泄漏模式识别方法及装置 |
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 |