一种基于深度学习的供水管网漏损识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114692699A(43)申请公布日2022.07.01(21)申请号202210434067.0(22)申请日2022.04.24(71)申请人杭州电子科技大学地址310018浙江省杭州市钱塘新区白杨街道2号大街1158号(72)发明人彭浩王海涛周东徐哲陈晖何必仕(51)Int.Cl.G06K9/00(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)G06Q50/06(2012.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于深度学习的供水管网漏损识别方法(57)摘要本发明属于供水管网漏损检测技术领域，为解决噪音计常规处理方法存在的泄漏特征难提取、参数敏感等问题，本发明提供一种基于深度学习的供水管网漏损识别方法，首先将音频信号转换为频谱热力图，充分保留原信号的时频域信息；其次，利用既有的大量实际样本，通过CNN模型自学习能力自行抽取特征进行识别，突破人为经验限制，较常规信号处理方法具有更精准的检漏能力和更强的泛化特性。CN114692699ACN114692699A权利要求书1/2页1.一种基于深度学习的供水管网漏损识别方法，其特征在于，包括以下步骤：步骤1建立噪音计音频信号检漏样本库步骤1‑1收集供水管网各噪音计监测点的音频信号，步骤1‑2对收集的音频信号按漏损与正常两种标签进行标识，建立噪音计音频信号检漏样本库；步骤2音频信号转换成频谱热力图步骤2‑1根据式(1)，对音频信号进行预加重处理：y[n]＝x[n]‑a*x[n‑1](1)式(1)中，x[n]为原始信号，y[n]为预加重后信号，a为接近1的参数；步骤2‑2对预加重处理后的信号进行分帧处理：将信号按固定时间段分为若干帧；按一定比例设置帧移和帧长；步骤2‑3对分帧之后的信号进行加窗操作；步骤2‑4对分帧、加窗处理后的信号进行快速傅里叶变换FFT，得到频谱信息；步骤2‑5将时间帧的序号作为横坐标、频率值作为纵坐标、频谱幅值的大小以颜色表示，得到频谱热力图；步骤3建立多层神经网络检漏模型以频谱热力图为输入，以分类结果为输出，建立由多层卷积神经网络组成的神经网络检漏模型步骤4训练并验证多层神经网络检漏模型步骤4‑1将样本库中两类样本均以一定比例进行划分，形成训练集和测试集，进行多层神经网络检漏模型的训练；步骤4‑2测试多层神经网络检漏模型在测试集样本上的预测结果，并计算其准确率Accuracy和接受者操作特征ROC曲线下方的面积AUC指标；其中，模型预测结果指的是：预测结果为漏损的可能性，数值越大表示越有可能漏损；步骤4‑3根据多层神经网络检漏模型预测结果和步骤1中标识的标签，计算得到混淆矩阵；步骤4‑4通过AUC曲线寻找最佳阈值Th，所述AUC曲线的横坐标为：FP，纵坐标为：TP，根据根据AUC曲线上最靠近坐标(0，1)的点，所对应的概率值确定为最佳阈值Th；步骤4‑5得到最佳阈值Th后，将概率与阈值进行对比，得到二分类预测标签；步骤4‑6利用二分类预测标签进行混淆矩阵TP/FP/FN/TN、准确率Accuracy、灵敏度Precision、特异度Specificity参数的计算，以进一步对多层神经网络检漏模型进行验证；其中，准确率Accuracy按式(2)计算：Accuracy＝(TP+TN)/(TP+TN+FP+FN)(2)灵敏度Precision(阳性预测率)按式(3)计算：Precision＝TP/(TP+TN+FP+FN)(3)特异度Specificity(阴性预测率)按式(4)计算：Specificity＝TN/(TP+TN+FP+FN)(4)三者的数值越接近1，表示多层神经网络检漏模型分类的性能越好；步骤4‑7如多层神经网络检漏模型通过验证，则进入步骤5实际应用；否则，重新挑选样2CN114692699A权利要求书2/2页本，重复步骤1‑4；步骤5利用步骤1‑4得到通过验证的多层神经网络检漏模型，进行实际判漏；步骤5‑1获取实测得到的音频信号数据，步骤5‑2按照步骤2计算方法，转换生成频谱热力图；步骤5‑3将该频谱热力图作为输入，经多层神经网络检漏模型计算得到预测结果，再与最佳阈值Th比较，输出最终二分类标签0或1，从而得到供水管网是否漏损的判断。2.如权利要求1所述的一种基于深度学习的供水管网漏损识别方法，其特征在于，所述步骤3中，采用深度残差网络ResNet‑50模型为backbone，建立多层神经网络检漏模型。3.如权利要求2所述的一种基于深度学习的供水管网漏损识别方法，其特征在于，所述步骤4‑6中进一步对多层神经网络检漏模型进行验证，所述验证指标中，准确度Accuracy、灵敏度Precision、特