一种漏损声信号分类识别方法、装置及系统
技术领域
本发明涉及管道漏损检测技术领域，尤其涉及一种管道漏损声信号检测方法、装置及系统。
背景技术
由于腐蚀等各种复杂原因，供水管网会出现漏损现象，其不仅造成水资源的浪费，还会对管网中水体造成污染，此外还会引起地面沉降等危害。因此，对供水管网的漏损进行探测和定位十分必要。目前，通常是在供水管网中广泛布设传感器来对供水管网的漏点进行监测。
但本申请发明人在实现本申请实施例中技术方案的过程中，发现上述技术至少存在如下技术问题：
上述方案中，通常是传感器将采集的信息发送给手持监测控制器，然后操作者根据手持监测控制器上的信息进行主观判断，造成判断准确性不高。
发明内容
本申请实施例提供一种漏损声信号分类识别方法、装置及系统，将管道漏损声信号的一维离散信号变换得到漏损声信号的声纹图，然后用卷积神经网络分类模型对该声纹图进行分类识别处理，根据分类识别处理结构判断是否存在漏损及漏损类型，解决了需要人工分析与判断而主观性较大的技术问题，实现了提高判断的准确性的技术效果。
本申请实施例提供一种漏损声信号分类识别方法，用于管道的漏损检测，包括：
获取管道的漏损声信号，所述漏损声信号为时间-振幅信号；
预处理所述漏损声信号，得到所述漏损声信号的声纹图；其中，所述声纹图中横坐标为时间，纵坐标为频率，灰度值为振幅；
输入所述声纹图至卷积神经网络分类模型；
分类识别处理所述声纹图，获得所述漏损声信号的分类识别结果。
本申请实施例还提供一种漏损声信号分类识别装置，用于管道的漏损检测，包括：
获取模块，用于获取管道的漏损声信号，所述漏损声信号为时间-振幅信号；
预处理模块，用于预处理所述漏损声信号，得到所述漏损声信号的声纹图；其中，所述声纹图中横坐标为时间，纵坐标为频率，灰度值为振幅；
输入模块，用于输入所述声纹图至卷积神经网络分类模型；
分类识别模块，用于分类识别处理所述声纹图，获得所述漏损声信号的分类识别结果。
本申请实施例还提供一种漏损声信号分类识别设备，用于管道的漏损检测，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的漏损声信号分类识别方法的步骤。
本申请实施例还提供一种漏损声信号采集装置，用于采集管道的漏损声信号，包括：
信号接收单元，安装于管道，用于将接收的漏损声信号转化为电信号；
信号处理单元，与所述信号接收单元连接，接收并处理所述信号接收单元的电信号，获得离散电信号；
GPS定位单元，收集所述声信号采集装置的地理位置信息；
数据传输单元，同时与所述信号处理单元和所述GPS定位单元连接，用于将所述离散电信号和所述地理位置信息发送给漏损声信号分类识别装置；
电源单元，为所述声信号采集装置提供电力支持。
本申请实施例还提供一种漏损声信号分类识别系统，用于管道的漏损检测，包括：
若干漏损声信号采集装置，所述漏损声信号采集装置用于采集漏损声信号并将所述漏损声信号传输给分类识别装置；
漏损声信号分类识别装置，所述漏损声信号分类识别装置用于对所述漏损声信号分类；
其中，所述漏损声信号采集装置包括：
信号接收单元，安装于管道，用于将接收的声信号转化为电信号；
信号处理单元，与所述信号接收单元连接，接收并处理所述信号接收单元的电信号，获得离散电信号；
GPS定位单元，收集所述声信号采集装置的地理位置信息；
数据传输单元，同时与所述信号处理单元和所述GPS定位单元连接，用于将所述离散电信号和所述地理位置信息发送给漏损声信号分类识别装置；
电源单元，为所述声信号采集装置提供电力支持；
所述漏损声信号分类识别装置包括：
获取模块，用于获取管道的漏损声信号，所述漏损声信号为时间-振幅信号；
预处理模块，用于预处理所述漏损声信号，得到所述漏损声信号的声纹图；其中，所述声纹图中横坐标为时间，纵坐标为频率，灰度值为振幅；
输入模块，用于输入所述声纹图至卷积神经网络分类模型；
分类识别模块，用于分类识别处理所述声纹图，获得所述漏损声信号的分类识别结果。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储计算机程序，该计算机程序被处理器执行时实现如上所述的漏损声信号分类识别方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例中，通过采集装置采集漏损声信号，该漏损声信号为基于时间-振幅的一维离散电信号，利用该时间-振幅信号得到漏损声信号的声纹图，然后利用深度卷积神经网络分类模型对声纹图进行分类识别处理，从而能够依据管道的声纹图信息自动识别管道是否漏损及漏损点的形状、大小等情况，不需要人工分析与判断，提高了漏损识别检测的准确性，具有较强的实用性；
同时若干个该采集装置能够布置成网状，结合采集装置的地理位置信息，可以生成可视化的空间内漏点的分布情况，进而能够对不同种类漏点之间的关系及漏点未来的发展趋势做出研究及预判，做到了对管网的全局把控。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中所述漏损声信号分类识别方法的流程图。
图2为本申请实施例中所述漏损声信号的时间-振幅信号。
图3为本申请实施例中所述声纹图。
图4为本申请实施例中所述基于卷积自编码器的无监督模型的结构示意图。
图5为本申请实施例中所述分类结果的示意图。
图6为本申请实施例中所述漏损声信号分类识别装置的结构示意图。
图7为本申请实施例中所述漏损声信号分类识别设备的结构示意图。
图8为本申请实施例中所述漏损声信号采集装置的结构示意图。
图9为本申请实施例中所述漏损声信号分类识别系统的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本申请实施例提供了一种漏损声信号分类识别方法，该方法用于管道的漏损检测，结合图1，该方法包括如下步骤：
步骤1，获取管道的漏损声信号，所述漏损声信号为时间-振幅信号；
步骤2，预处理所述漏损声信号，得到所述漏损声信号的声纹图；其中，所述声纹图中横坐标为时间，纵坐标为频率，灰度值为振幅；
步骤3，输入所述声纹图至卷积神经网络分类模型；
步骤4，分类识别处理所述声纹图，获得所述漏损声信号的分类识别结果。
该分类识别结果可以包括是否漏损以及管道漏损点的大小、形状等信息。
本发明实施例的方法中，利用卷积神经网络分类算法，基于该漏损声信号声纹图的特征分析管道是否漏损及漏损的形状、大小等情况；首先需要获取管道的漏损声信号，然后将漏损声信号的时间-振幅信号转换为声纹图，对该声纹图采用卷积神经网络分类模型进行分类识别处理，获得结果；其中，该卷积神经网络分类模型基于深度神经网络分类算法能够自动识别并对漏点进行分类，不再需要人工进行分析与判断，大大提高了识别、分类的准确性。
本实施例的步骤1中，获取管道的漏损声信号，该获取的漏损声信号为时间-振幅信号，表现为一维离散的电信号X＝{x1,x2,x3….xn}，xn表示时间为n时漏损声信号的振幅；例如可以参考如下表1建立实验平台，收集不同漏点的漏损声音信号。
表1采集不同的漏损声信号
本实施例的步骤2中，预处理该漏损声信号，得到漏损声信号的声纹图具体为：
步骤21，对该时间-振幅信号做离散傅里叶变换，得到漏损声信号的时间-频率信号；
步骤22，对该时间-频率信号的绝对值取平方得到该漏损声信号的声纹图。
更具体的，步骤21中，如图2为该漏损声信号的时间-振幅信号，其为一维的声音波形，然后在小的时间窗下利用公式1做离散傅里叶变换，
进而得到该漏损声信号的时间-频率信号，即漏损声信号的频率分布图；
更具体的，步骤22中，将漏损声信号的时间-频率信号利用如下公式2得到漏损声信号的声纹图：
SP(t，f)＝|X(t，f)|2＝X(t，f)X*(t，f) 公式2
其中，公式1、2中，t为时间，f为频率，x(τ)为时域上的声信号波函数，w(t-τ)为窗函数，X(t,f)为漏损声信号的时间-频率信号，SP(t,f)为漏损声信号的声纹图。
其中，该声纹图如图3所示，横坐标为时间，纵坐标为频率，灰度值为振幅。
本实施例的步骤3中，输入该声纹图至卷积神经网络分类模型具体为：
转换所述声纹图为二维矩阵，其中，所述二维矩阵的行、列分别对应所述声纹图的横坐标、纵坐标，所述二维矩阵的元素值对应所述声纹图的灰度值；
将所述二维矩阵输入至卷积神经网络分类模型的输入层。
本实施例中，一方面，采集的一维漏损声信号只能分别反映振幅或者频率随时间的变化，并不能全局反映漏损声信号的振幅、频率和时间的变化关系，反映的特征较少；另一方面，由于漏损声信号极其不稳定，振幅或者频率的变化范围随时间变化较大，因此了解声信号的振幅和频率随时间的变化情况是很有必要的；因此，本实施例中将采集的漏损声信号变换得到声纹图，该声纹图反映了漏损声信号在各个频率上的能量强度随时间的变化关系。所采用的方法就是用小的时间窗对原始声信号做切割再经离散傅里叶变换，该声纹图将信号的能量强度在时间和频率上的变化同时展示在一张图片中，使得声信号的特征被更多的保留。此外，本实施例中，将该声纹图转换为二维矩阵(
示例性的，步骤2中例如该预处理也可以采用倒谱分析法：为了分析漏损声信号的主频成分，需要提取漏损声信号频谱的包络，以分析信号的频率中峰值的位置、峰值甚至导数等。为了达到上述目的，需要先将漏损声信号x[t]做第一次傅里叶变换得到频率谱X[k]，这里所用的是对数频谱(单位为分贝)，即log(X[k])。该频率谱log(X[k])可以分解为log(X[k])＝log(H[k])+log(E[k])，其中log(H[k])代表低频包络，log(E[k])代表高频细节。再对两边做逆傅里叶变换得到x[t]＝h[t]+e[t]，再经过低通滤波器滤掉高频的e[t]就得到低频的h[t]。该h[t]也就是所提取到的特征，即模型的输入。
本申请实施例中举例说明了步骤2中预处理的方式，能够理解，并不限于上述两种预处理方式，还可以采用其它变换方式将一维漏损声信号转换为声纹图。
本实施例的卷积神经网络分类模型包括基于卷积自编码器的无监督模型和基于支持向量机的分类器。
具体的，该卷积神经网络分类模型基于深度神经网络算法，在结构方面，该卷积神经网络分类模型包括基于卷积自编码器的无监督模型和基于支持向量机的分类器；基于卷积自编码器的无监督模型能够对输入的漏损声信号
能够理解，该基于卷积自编码器的无监督模型可以将高维的输入投影到低维子空间中，以此得到对于信号的一个更好的表示，体现在当高维输入被压缩到低维(二维或三维)输出后，可以通过可视化的方法直观的看到模型被训练的效果。紧接着，只需要在模型后端接一个浅层的分类器，即基于支持向量机的分类器，利用监督学习的方法，即可完成对漏损声信号的分类。
能够理解，利用无监督学习的方法，不仅可以完成对漏点信号与干扰信号分类的简单任务，更可以通过可视化生成子空间内漏点的分布情况，使得研究者对不同种类漏点之间的关系以及漏点未来的发展趋势做出研究及预判，做到了对管网的全局把控。
图4为该基于卷积自编码器的无监督模型的结构示意图，结合图4，该基于卷积自编码器的无监督模型由编码器41和解码器42组成，该编码器41由卷积层、批标准化层、激活函数ReLU、最大池化层和第一全连接层组成；该解码器42由卷积层、批标准化层、激活函数ReLU、上采样层和第二全连接层组成，该编码器41和解码器42通过若干第一全连接层和第二全连接层首尾相连。
需要注意的是，图4只是模型示意图，模型的真实结构会更加复杂，包含更多的卷积层44。
具体的，编码器41能够通过卷积操作提取输入的漏损声信号的图像特征，即漏损声信号特征43，随着卷积层44深度的增加，输入图像的长与宽的维度逐渐减少，厚度逐渐增加，提取到的特征也从简单向抽象演化；解码器42能够由图像特征复原输入图像，训练的目标为使得真实输入图像与解码器复原图像的差异尽量小，所述差异，也叫损失函数，由均方误差表示；例如当该模型在训练集上的判断准确率能达到0.95以上后，可以认为该模型的训练已经完成。
在编码器中，该批标准化层用于调整编码器网络中各层的参数规格，有助于模型收敛；该激活函数ReLU赋予模型能够拟合复杂非线性函数的能力；该最大池化层能够让输入图像的长和宽压缩，减轻深度网络计算的负担；该第一全连接层能够将一系列卷积操作的输出转化为特征向量。
在解码器42中，该第二全连接层能将特征向量还原为高维的卷积层可接受的输入。
本申请实施例中，该基于支持向量机的分类器使用拉格朗日法和KKT条件作为最优化方法，得到支持向量，以得到对特征最好划分的超平面，达到最终的分类目的。
其中，步骤4中的分类识别结果，例如图5所示，A、B、C、D、E表示从不同管道采集点多次采集的未知是否泄漏的漏损声信号，将漏损声信号变换得到的声纹图输入卷积神经网络分类模型处理后，A、B、C、D、E被识别分类分为两类，一类(A、B、E)用三角符号52表示，为不漏的点，另一类(C、D)用圆形53表示，为漏的点；可以看到，基于漏损声信号特征51，该卷积神经网络分类模型可以将两类不同的信号区分开来；在另一些例子中，还可以对漏点形状，大小，漏量等进行分类。
此外，本发明实施例中，获得该卷积神经网络分类模型的过程包括：
步骤a，采集漏损声信号样本并建立漏损声纹图样本数据库；
步骤b，输入漏损声纹图样本至基于卷积自编码器的无监督模型进行训练，得到声信号特征；
步骤c，利用基于支持向量机的分类器对该声信号特征进行分类。
其中，步骤a中，采集漏损声信号样本并建立漏损声纹图样本数据库具体为：
采集漏损声信号样本；
预处理该漏损声信号样本，得到漏损声纹图样本；
建立漏损声纹图样本数据库。
具体的，需要采集不同种类、具有固定长度的模拟漏点声信号以建立漏损声纹图样本数据库。该数据库需要包含至少十种形状大小不同的漏点的声音信号。由于涉及对深度神经网络的训练，所以需要极大的样本量。针对每种漏点信号，以五秒作为一个样本的长度，需要搜集至少2000个样本。由于漏点依据形状大小可以分为10类以上，所以总共需要20000个以上的漏损声信号样本。同时还需要搜集没有漏点状态下的声信号作为空白对照组，并加入城市管网铺设的真实环境中较常出现的噪声作为干扰项，空白对照组同样需要与漏点组数据规模相当的两万条样本。在数据库建立完成之后，需要将数据库中的样本进行打乱排序，取其中的4/5作为训练集，剩下的1/5作为测试集。
其中，步骤b中，输入漏损声纹图样本至基于卷积自编码器的无监督模型进行训练过程包括三个步骤：正向传播、反向传播、梯度下降；上述三个步骤将被循环调用直至模型收敛。该正向传播是以声信号样本的声纹图作为输入，更新整个模型中隐藏层的参数。该反向传播是以损失函数对整个模型隐藏层中的每个参数求导，并以新求得的导数更新旧的导数。该梯度下降过程是使用所述导数乘以一个小的步长，来更新隐藏层中的参数。循环调用上述三个步骤直至模型收敛。
综上，本申请实施例中，采集漏损声信号样本并建立漏损声纹图样本数据库，然后采用基于卷积自编码器的无监督模型和基于支持向量机的分类器对声纹图样本进行训练以得到卷积神经网络分类模型，采用该分类模型可对漏损声信号进行分类识别，不再需要人工进行分析与判断，大大提高了识别、分类的准确性；并且，可以在管道不同位置采集漏损声信号，相比于通过在管道内控制装置移动来实现对管道漏点探测的方法，更能适应复杂拓扑结构的管网状况以及口径较小的管道。
本申请实施例中，首次提出建立漏损声纹图样本数据库。通过漏损声纹图样本数据库的建立，可以将新收集的信号和信号库中上万条样本作比较，并得出对漏点的判断。与直接对新收集的信号进行分析的方法相比，更加准确和稳定。并且，以二维的漏损声纹图建立数据库而不是以一维的离散声信号建库，可以更多的包含漏点声信号在时域和频域两个维度上的信息，使得模型预测的精度更高。
一种可能实施方式为，步骤1中，该漏损声信号中包括漏损声信号的位置标签，然后该分类识别结果中包括该漏损声信号对应的位置标签。
能够理解，当获取管道的多处漏损声信号时，结合漏损声信号的地理位置信息，可以生成可视化的空间内不同漏点的分布情况，进而根据该分布情况能够对不同种类漏点之间的关系及漏点未来的发展趋势做出研究及预判，做到了对管网的全局把控。
结合图6，本申请实施例还提供了一种漏损声信号分类识别装置，用于管道的漏损检测，包括：
获取模块61，用于获取管道的漏损声信号，该漏损声信号为时间-振幅信号；
预处理模块62，用于预处理该漏损声信号，得到漏损声信号的声纹图；其中，所述声纹图中横坐标为时间，纵坐标为频率，灰度值为振幅；
输入模块63，用于输入该声纹图至卷积神经网络分类模型；
分类识别模块64，用于分类识别处理该声纹图，获得该漏损声信号的分类识别结果；
本实施例中，该预处理模块包括：
第一变换子模块，用于对该时间-振幅信号做离散傅里叶变换，得到漏损声信号的时间-频率信号；
第二变换子模块，用于对该时间-频率信号的绝对值取平方得到漏损声信号的声纹图。
本实施例中，该第二变换子模块利用如下公式得到漏损声信号的声纹图：
SP(t，f)＝|X(t，f)2＝X(t，f)X*(t，f)
其中，t为时间，f为频率，X(t,f)为漏损声信号的时间-频率信号，SP(t,f)为漏损声信号的声纹图。
本实施例中，该输入模块包括：
第一输入子模块，用于转换声纹图为二维矩阵，其中，该二维矩阵的行、列分别对应声纹图的横坐标、纵坐标，该二维矩阵的元素值对应声纹图的灰度值；
第二输入子模块，用于将该二维矩阵输入至卷积神经网络分类模型。
结合图7，本申请实施例还提供了一种漏损声信号分类识别设备，用于管道的漏损检测，包括：存储器71，用于存储计算机程序；处理器72，用于执行计算机程序时实现上述的漏损声信号分类识别方法的步骤。
结合图8，本申请实施例还提供了一种漏损声信号采集装置，用于采集管道的漏损声信号，然后可以通过有线或无线的方式传输给分类识别装置，以对漏损声信号进行分类识别的步骤。
该采集装置包括：
信号接收单元81，安装于管道80，用于将接收的声信号转化为电信号；
信号处理单元82，与信号接收单元81连接，接收并处理信号接收单元81的电信号，获得离散电信号；
GPS定位单元83，收集漏损声信号采集装置的地理位置信息；
数据传输单元84，同时与信号处理单元82和GPS定位单元83连接，用于将离散电信号和地理位置信息发送给漏损声信号分类识别装置；
电源单元85，为漏损声信号采集装置提供电力支持。
可实施的，该信号接收单元81为水声换能器，该水声换能器属于压电陶瓷材料的水声换能装置，前端具有黑色球体用于全方位采集水下漏点声音信号，该水声换能器其能将供水管道80中漏点产生的声信号转化为电信号；该水声换能器通过安装基座86安装于管道80，其中，水声换能器用来收集信号的黑色球体设于管道的轴心处。
可实施的，该信号处理单元82包括依次连接的放大模块821、滤波模块822和模数转换模块823；放大模块821与信号接收单元81通过导线连接，模数转换模块823与数据传输单元84连接；由水声换能器采集的电信号首先传输给放大模块821放大后，再经滤波模块822进行降噪处理，最后经模数转换模块823将连续的电信号转化为计算机可以识别与处理的离散的电信号。
可实施的，该数据传输单元84将GPS定位单元83获取的地理位置信息和离散的电信号通过有线或无线的方式传输给分类识别装置，以对漏损声信号进行分类识别的步骤。
可实施的，该电源单元85为水流发电机，为整个采集装置提供电能，并不再需要外部充电。
本实施例中，该漏损声信号采集装置可以将实时监测到的漏损声信号及GPS地理位置信息汇总给分类识别装置。若干个该漏损声信号采集装置可以布置成网状，例如可以在城市复杂管网上采用一定的优化算法进行布设，一般可选择城市消火栓作为安装地点，保证整个待监测区域都覆盖在此系统的监控下。然后利用分类识别装置对采集的漏损声信号进行分类识别，可以做到对管网漏损监测的全面自动化和智能化，大大节约人力成本。
结合图9，本申请实施例还提供了一种漏损声信号分类识别系统，用于管道的漏损检测，该分类识别系统包括若干漏损声信号采集装置93和漏损声信号分类识别装置92；
其中，该漏损声信号采集装置93设于自来水厂90和用户91之间的管网上，该漏损声信号采集装置93用于采集漏损声信号并将漏损声信号传输给分类识别装置；其中，该漏损声信号采集装置93包括：
信号接收单元，安装于管道，用于将接收的声信号转化为电信号；
信号处理单元，与所述信号接收单元连接，接收并处理所述信号接收单元的电信号，获得离散电信号；
GPS定位单元，收集所述声信号采集装置的地理位置信息；
数据传输单元，同时与所述信号处理单元和所述GPS定位单元连接，用于将所述离散电信号和所述地理位置信息发送给漏损声信号分类识别装置；
电源单元，为所述声信号采集装置提供电力支持；
该漏损声信号分类识别装置92用于对所述漏损声信号分类；该分类识别装置包括：
获取模块，用于获取管道的漏损声信号，所述漏损声信号为时间-振幅信号；
预处理模块，用于预处理所述漏损声信号，得到所述漏损声信号的声纹图；其中，所述声纹图中横坐标为时间，纵坐标为频率，灰度值为振幅；
输入模块，用于输入所述声纹图至卷积神经网络分类模型；
分类识别模块，用于分类识别处理所述声纹图，获得所述漏损声信号的分类识别结果。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储计算机程序，该计算机程序被处理器执行时实现如上所述的漏损声信号分类识别方法的步骤。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
