漏水噪声检测的设备和识别方法与流程

本申请涉及智能终端领域，具体而言，涉及一种漏水噪声检测的设备和识别方法。

背景技术：

目前国内供水管网的漏损问题，传统的检漏方式多采用被动式现场漏损检测，主要靠听音判别，听音的主要设备之一就是噪声记录仪。目前市面上的噪声记录仪普遍使用效果不太好，而且布置成本高。譬如：一个带远传的噪声记录仪要3千多元，一个1000户的小区要想做到有效监控至少需要布置40至50个噪声探头，布置成本累积至少需要12万，并且不包括内含的人工费和其他设施费用。

针对上述噪声记录仪使用效果差、成本高的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种漏水噪声检测的设备和识别方法，以至少解决目前测漏设备成本高、操作复杂且精度低的技术问题。

根据本发明实施例的一个方面，提供了一种漏水噪声监测的识别方法，应用于供水管网，其中供水管网的预定位置对应设置有噪声探头，该方法包括：通过噪声探头，获取从预定位置采集到的漏水噪声信息，其中漏水噪声信息按照采集时间的先后顺序排列；利用基于机器学习训练模型，将漏水噪声信息确定为预先确定的多个类别中的一个类别；以及基于漏水噪声信息的类别，确定漏水噪声信息对应的供水管网的预定位置是否存在漏水。

可选地，模型为在tensorflow框架下搭建的lstm模型。

可选地，利用基于机器学习训练模型，将漏水噪声信息确定为预先确定的多个类别中的一个类别的操作，包括：提取漏水噪声信息的特征值，将漏水噪声信息的特征值向量化，转化为适合lstm模型进行处理的第一输入数据；将第一输入数据输入至lstm模型，利用lstm模型对第一输入数据进行分类，并计算各个分类的概率；以及基于各个分类的概率，确定输入数据的类别。

可选地，方法还包括通过以下操作，产生多个类别：分别针对多个漏水噪声信息提取特征值，将多个漏水噪声信息的特征值向量化得到多个特征值向量序列，其中每个特征值向量序列的长度相等，并按照采集时间的先后顺序排列，由所有特征值向量序列组成训练样本集；以及利用训练样本集对所述lstm模型进行训练，产生多个类别。

根据本发明实施例的另一个方面，还提供了一种漏水噪声监测的设备，应用于供水管网，其中供水管网的预定位置对应设置有噪声探头，该设备包括：处理器；以及存储器，与所述处理器连接，用于为处理器提供处理以下步骤的指令：通过噪声探头，获取从预定位置采集到的漏水噪声信息；利用基于机器学习训练模型，将漏水噪声信息确定为预先确定的多个类别中的一个类别；以及基于漏水噪声信息的类别，确定漏水噪声信息对应的供水管网的预定位置是否存在漏水。

根据本发明实施例的另一个方面，还提供了一种漏水噪声监测的设备，应用于供水管网，其中供水管网的预定位置对应设置有噪声探头，该设备包括：漏水噪声获取模块，用于获取从预定位置采集到的漏水噪声信息；分析模块，用于利用基于机器学习训练模型，将漏水噪声信息确定为预先确定的多个类别中的一个类别；判定模块，用于基于漏水噪声信息的类别，确定漏水噪声信息对应的供水管网的预定位置是否存在漏水；以及报警模块，用于当确定漏水噪声信息对应的供水管网的预定位置存在漏水，则发出报警信号；当确定漏水噪声信息对应的供水管网的预定位置不存在漏水，则不发出报警信号。

进一步地，分析模块使用的基于机器学习训练模型为在tensorflow框架下搭建的lstm模型。

进一步地，分析模块包括：提取特征值模块，用于提取漏水噪声信息的特征值，将漏水噪声信息的特征值向量化，转化为适合lstm模型进行处理的第一输入数据；分类模块，用于将第一输入数据输入至lstm模型，利用lstm模型对第一输入数据进行分类，并计算各个分类的概率；以及确定模块，用于基于各个分类的概率，确定输入数据的类别。

进一步地，设备还包括确定多个类别模块，其中确定多个类别模块包括：获取训练样本集模块，用于分别针对多个漏水噪声信息提取特征值，将多个漏水噪声信息的特征值向量化得到多个特征值向量序列，其中每个特征值向量序列的长度相等，并按照采集时间的先后顺序排列，由所有特征值向量序列组成训练样本集；以及训练模块，用于利用训练样本集对lstm模型进行训练，产生多个类别。

在本发明实施例中，利用基于机器学习训练模型对噪音信息进行分析，进而判定噪音信息对应的供水管网是否存在漏水，达到了快捷判定漏水点的目的，实现了根据噪音信息的录音上传文件即可判断是否具有漏水特征的技术效果，进而解决了目前测漏设备成本高、操作复杂且精度低的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本公开实施例1所述的一种漏水噪声监测的识别方法的计算机终端(或移动设备)的硬件结构框图；

图2是根据本公开实施例1所述的一种漏水噪声监测的识别方法的流程示意图；

图3是根据本公开实施例1所述的lstm模型中的神经元间数据交互的示意图；

图4是根据本公开实施例1所述的lstm中整个神经网络的架构；

图5(a)是根据本公开实施例1所述的lstm模型中连接dropout层前的神经元连接示意图；

图5(b)是根据本公开实施例1所述的lstm模型中连接dropout层后的神经元连接示意图；

图6是根据本公开实施例2所述的漏水噪声监测的设备的结构示意图；以及

图7是是根据本公开实施例3所述的漏水噪声监测的设备的结构示意图。

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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

实施例1

根据本公开实施例，提供了一种漏水噪声监测的识别方法的实施例。需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机(移动终端)可执行指令的计算机系统(移动终端系统)中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现信息处理方法的终端设备10(例如，计算机终端或移动设备等)的硬件结构框图。如图1所示，终端设备10可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，终端设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到终端设备10中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本公开实施例中的信息处理方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端设备10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与终端设备10的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的终端设备10可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述终端设备10中的部件的类型。

在上述运行环境下，本申请提供了一种漏水噪声监测的识别方法。

参考图2所示，本实施例一种漏水噪声监测的识别方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。本实施例所述的漏水噪声测量的方法应用于供水管网，其中供水管网的预定位置对应设置有噪声探头，该方法包括：

s202：通过噪声探头，获取从预定位置采集到的漏水噪声信息；

s204：利用基于机器学习训练模型，将漏水噪声信息确定为预先确定的多个类别中的一个类别；以及

s206：基于漏水噪声信息的类别，确定漏水噪声信息对应的供水管网的预定位置是否存在漏水。

从而，利用基于机器学习训练模型对噪音信息进行分析，进而判定噪音信息对应的供水管网是否存在漏水，达到了快捷判定漏水点的目的，实现了根据噪音信息的录音上传文件即可判断是否具有漏水特征的技术效果，进而解决了目前测漏设备成本高、操作复杂且精度低的技术问题。

进一步地，模型为在tensorflow框架下搭建的lstm模型。

其中，图3示出了lstm模型中的神经元间数据交互的示意图，图4示出了lstm中整个神经网络的架构，图5(a)和图5(b)示出了lstm模型中dropout层的作用效果示意图。在lstm模型的神经网络中，在同一个时刻多层神经元之间传递信息的时候需要连接dropout层，参考图5所示说明dropout的作用效果，图5(a)是标准的神经网络结构，其中每个白色的圆圈代表一个神经元，图5(b)是连接dropout层之后的神经网络结构，其中部分神经元(即图中内置“×”的圆圈)被随机关掉，从而dropout通过正则化的方式减少神经网络计算产生的过拟合，因此本实施例中利用dropout减少lstm(长短期记忆)训练数据时产生的过拟合，从而提升lstm模型的性能。

进一步地，利用基于机器学习训练模型，将漏水噪声信息确定为预先确定的多个类别中的一个类别的操作，包括：提取漏水噪声信息的特征值，将漏水噪声信息的特征值向量化，转化为适合lstm模型进行处理的第一输入数据；将第一输入数据输入至lstm模型，利用lstm模型对第一输入数据进行分类，并计算各个分类的概率；以及基于各个分类的概率，确定输入数据的类别。

进一步地，还包括通过以下操作，产生多个类别：分别针对多个漏水噪声信息提取特征值，将多个漏水噪声信息的特征值向量化得到多个特征值向量序列，其中每个特征值向量序列的长度相等，并按照采集时间的先后顺序排列，由所有特征值向量序列组成训练样本集；以及利用训练样本集对lstm模型进行训练，产生多个类别。

从而，利用基于机器学习训练模型对噪音信息进行分析，进而判定噪音信息对应的供水管网是否存在漏水，达到了快捷判定漏水点的目的，实现了根据噪音信息的录音上传文件即可判断是否具有漏水特征的技术效果，进而解决了目前测漏设备成本高、操作复杂且精度低的技术问题。

实施例2

参考图6，本公开实施例2提供了一种漏水噪声监测的设备60，应用于供水管网，其中供水管网的预定位置对应设置有噪声探头，该设备60包括：处理器602；以及存储器601，与处理器602连接，用于为处理器602提供处理以下步骤的指令：通过噪声探头，获取从预定位置采集到的漏水噪声信息；利用基于机器学习训练模型，将漏水噪声信息确定为预先确定的多个类别中的一个类别；以及基于漏水噪声信息的类别，确定漏水噪声信息对应的供水管网的预定位置是否存在漏水。

需要说明的是，噪声探头通过无线网络(nb-iot，2g，3g，4g，lora)将从预定位置采集到的漏水噪声信息发送给处理器602。从而将通过噪声探头现场采集到的噪声信息发送至处理器602，进而通过处理器602的操作完成对现场水网管线漏水情况的判定。

进一步地，基于机器学习训练模型为在tensorflow框架下搭建的lstm模型。

进一步地，处理器602还提供利用基于机器学习训练模型，将漏水噪声信息确定为预先确定的多个类别中的一个类别的操作的指令，包括：提取漏水噪声信息的特征值，将漏水噪声信息的特征值向量化，转化为适合lstm模型进行处理的第一输入数据；将第一输入数据输入至lstm模型，利用lstm模型对所述第一输入数据进行分类，并计算各个分类的概率；以及基于各个分类的概率，确定输入数据的类别。

进一步地，处理器602还提供产生多个类别的指令：分别针对多个漏水噪声信息提取特征值，将多个漏水噪声信息的特征值向量化得到多个特征值向量序列，其中每个特征值向量序列的长度相等，并按照采集时间的先后顺序排列，由所有特征值向量序列组成训练样本集；以及利用训练样本集对lstm模型进行训练，产生多个类别。

从而，利用基于机器学习训练模型对噪音信息进行分析，进而判定噪音信息对应的供水管网是否存在漏水，达到了快捷判定漏水点的目的，实现了根据噪音信息的录音上传文件即可判断是否具有漏水特征的技术效果，进而解决了目前测漏设备成本高、操作复杂且精度低的技术问题。

实施例3

参考图7，本公开实施例3提供了一种漏水噪声监测的设备70，应用于供水管网，其中供水管网的预定位置对应设置有噪声探头701，该设备包括：数据传输模块701，用于获取从预定位置采集到的漏水噪声信息；分析模块703，用于利用基于机器学习训练模型，将漏水噪声信息确定为预先确定的多个类别中的一个类别；判定模块704，用于基于漏水噪声信息的类别，确定漏水噪声信息对应的供水管网的预定位置是否存在漏水。

其中，本实施例中噪声探头布置在供水管网的预定位置，每天定时将所在位置处的水管噪音进行录音并上传至分析模块即可。

需要说明的是，噪声探头通过无线网络(nb-iot，2g，3g，4g，lora)将从预定位置采集到的漏水噪声信息发送给数据传输模块701。从而将通过噪声探头现场采集到的噪声信息发送至数据传输模块701，进而通过漏水噪声监测的设备70的操作完成对现场水网管线漏水情况的判定。其中，本实施例所述的漏水噪声监测的设备不同于现有技术的特点在于：精简了噪声测量设备，现场测量中只需要通过将噪声探头布置在待测点处获取水网管线的漏水噪声信息即可，对漏水噪声信息的具体分析和判定的操作交由数据传输模块701、分析模块703和判定模块704来操作，其中数据传输模块701定期接收由噪声探头发送的漏水噪声信息。设备相关程序的开发和设备构造简单，从而大大降低设备的开发难度和成本，同时也保证了设备对漏水噪音信息判断的稳定性。

进一步地，分析模块703使用的基于机器学习训练模型为在tensorflow框架下搭建的lstm模型。

进一步地，分析模块703包括：提取特征值模块7031，用于提取漏水噪声信息的特征值，将漏水噪声信息的特征值向量化，转化为适合lstm模型进行处理的第一输入数据；分类模块7032，用于将第一输入数据输入至lstm模型，利用lstm模型对第一输入数据进行分类，并计算各个分类的概率；以及确定模块7033，用于基于各个分类的概率，确定输入数据的类别。

进一步地，设备还包括确定多个类别模块702，其中确定多个类别模块包括：获取训练样本集模块7021，用于分别针对多个漏水噪声信息提取特征值，将多个漏水噪声信息的特征值向量化得到多个特征值向量序列，其中每个特征值向量序列的长度相等，并按照采集时间的先后顺序排列，由所有特征值向量序列组成训练样本集；以及训练模块7022，用于利用所述训练样本集对所述lstm模型进行训练，产生所述多个类别。

从而，利用基于机器学习训练模型对噪音信息进行分析，进而判定噪音信息对应的供水管网是否存在漏水，达到了快捷判定漏水点的目的，实现了根据噪音信息的录音上传文件即可判断是否具有漏水特征的技术效果，进而解决了目前测漏设备成本高、操作复杂且精度低的技术问题。

在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述做出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

此外，上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。