本公开涉及管道检测,尤其涉及一种供水管道泄漏识别方法、供水管道泄漏识别装置、存储介质及电子设备。
背景技术:
1、作为城镇基础设施的重要组成部分,供水管网在科学技术的发展和城市快速扩张需求的不断增长下,对于居民生产生活与工业农业发展具有重要意义。但是,实际工程现场环境下的供水管道在其施工建造及运营使用过程中,由于地下环境变化,周边施工冲击,温度剧烈变化,及长期腐蚀氧化等因素造成的影响,可能会出现腐蚀穿孔,焊缝开裂,阀门连接处脱离等各类结构性损伤。这些损伤会导致水资源流失和相应的经济损失,严重时甚至会引起地面塌陷,严重威胁到城市道路交通与人员安全。因此需要不断进行管道检测,以及时发现管道泄漏的问题。但传统供水管网漏失监测主要采用人工巡检的方式,即安排相关听漏人员定期巡查供水管道沿线,利用听漏棒、寻管仪、电子放大听漏仪等巡检设备,判断沿线管道是否发生泄漏。人工巡检的漏失检测方法对人力要求较高,实际检测效果依赖于管道环境,检测效果不佳。会存在对供水管道漏失状况误检的问题。
技术实现思路
1、有鉴于此,本公开实施例期望提供一种供水管道泄漏识别方法、供水管道泄漏识别装置、存储介质及电子设备。
2、本公开的技术方案是这样实现的:
3、第一方面,本公开提供一种供水管道泄漏识别方法。
4、本公开实施例提供的供水管道泄漏识别方法,包括:
5、获取预定环境中多种特征因素下供水管道不存在泄漏时产生的第一声纹特征,及在多种供水泄漏状态下产生的第二声纹特征;
6、对所述不存在泄漏和多种供水泄漏状态中具有相同特征因素的两种供水状态下的声纹特征进行对比,建立所述预定环境下供水管道的声纹特征库;
7、基于所述预定环境下供水管道的声纹特征库,进行模型训练,得到声纹识别模型;
8、输入所述预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征至所述声纹识别模型,得到所述预定环境下供水管道当前状态的供水泄漏状态。
9、在一些实施例中,预定环境中的多种特征因素至少包括以下之一:
10、管道本身特征、管道地理环境特征、供水流量、供水水压;
11、所述管道本身特征包括管道直径、管道材质、管道弯直状态;
12、所述管道地理环境特征包括管道附近土层硬度、管道附近土层湿度;
13、所述对所述不存在泄漏和多种供水泄漏状态中具有相同特征因素的两种供水状态下的声纹特征进行对比,建立所述预定环境下供水管道的声纹特征库,包括:
14、对仅存在管道直径、管道材质、管道弯直状态、管道附近土层硬度、管道附近土层湿度、供水流量、供水水压中任意唯一不同因素的任意两种供水泄漏状态下的声纹特征进行对比,建立所述预定环境下供水管道的声纹特征库。
15、在一些实施例中,所述输入所述预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征至所述声纹识别模型,得到所述预定环境下供水管道当前状态的供水泄漏状态前,所述方法包括:
16、采集预定环境下供水管道当前状态下产生的声音信号;
17、对所述预定环境下供水管道当前状态下产生的声音信号进行短时傅里叶变换,得到所述预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征。
18、在一些实施例中,所述对所述预定环境下供水管道当前状态下产生的声音信号进行短时傅里叶变换,得到所述预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征,包括:
19、若所述预定环境下供水管道产生的声音信号处于低于预定频率的低频区域,则对所述预定环境下供水管道当前状态下产生的声音信号进行分帧加窗处理,得到加窗信号;
20、对所述加窗信号进行短时傅里叶变换,得到所述预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征。
21、在一些实施例中,所述对所述加窗信号进行短时傅里叶变换,得到所述预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征,包括:
22、对所述加窗信号进行短时傅里叶变换,得到的mel频谱特征进行频谱修正;
23、将所述频谱修正后的mel频谱特征,作为所述预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征;其中,
24、fstft为对所述加窗信号进行短时傅里叶变换,得到的mel刻度下的信号频率,fmel为频谱修正后的mel刻度下的信号频率。
25、在一些实施例中,所述声纹识别模型内包含有声纹特征与管道供水泄漏状态的对应关系;
26、所述输入所述预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征至所述声纹识别模型,得到所述预定环境下供水管道当前状态的供水泄漏状态,包括:
27、基于所述声纹识别模型识别所述预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征,并将所述mel频谱特征与声纹特征库中的声纹特征进行比对,得到比对结果;
28、基于比对结果,及所述声纹特征与管道供水泄漏状态的对应关系,确定所述预定环境下供水管道当前状态的供水泄漏状态。
29、在一些实施例中,所述基于所述预定环境下供水管道的声纹特征库,进行模型训练,得到声纹识别模型,包括:
30、基于所述声纹特征库,通过期望最大(em)算法训练gmm-ubm模型,得到声纹识别模型;其中,所述gmm分布的概率密度函数如下式所示:
31、
32、式中,p(xi,πj,μj,σj2)为输入mfcc声纹特征向量xi对于第j个gmm模型的概率密度函数,μj与σj2分别为第j个gmm模型的期望与协方差矩阵;其中,输入声纹特征向量xi属于第j个分类簇的概率可以表示为:
33、
34、式中,πj为第j个gmm模型的权重系数;其中,gmm模型的参数πj、μj、σj2通过em算法进行初始化、迭代更新直至收敛,更新后的参数和ubm参数进行结合,以调节gmm模型参数对最终预测模型的影响;其中,结合公式如下所示:
35、
36、式中,分别为和ubm参数结合后的gmm模型参数,απ,j、αμ,j、ασ,j分别为ubm参数的权重系数,t为ubm分量数量,ej(xi)、ej(xi2)分别为ubm分量的权重、期望与协方差矩阵,γ为归一化系数;其中,gmm与ubm参数融合之后,即可建立基于gmm-ubm的声纹识别模型,如下式所示:
37、
38、式中,smax为输入声音信号属于gmm-ubm模型的后验概率。
39、第二方面,本公开提供一种供水管道泄漏识别装置,包括:
40、声纹特征获取模块,用于获取预定环境中多种特征因素下供水管道不存在泄漏时产生的第一声纹特征,及在多种供水泄漏状态下产生的第二声纹特征;
41、特征库建立模块,用于对所述不存在泄漏和多种供水泄漏状态中具有相同特征因素的两种供水状态下的声纹特征进行对比,建立所述预定环境下供水管道的声纹特征库;
42、模型训练模块,用于基于所述预定环境下供水管道的声纹特征库,进行模型训练,得到声纹识别模型;
43、泄漏状态预测模块,用于输入所述预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征至所述声纹识别模型,得到所述预定环境下供水管道当前状态的供水泄漏状态。
44、第三方面,本公开提供一种计算机可读存储介质,其上存储有供水管道泄漏识别程序,该供水管道泄漏识别程序被处理器执行时,实现上述第一方面所述的供水管道泄漏识别方法。
45、第四方面,本公开提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的供水管道泄漏识别程序,所述处理器执行所述供水管道泄漏识别程序时,实现上述第一方面所述的供水管道泄漏识别方法。
46、根据本公开实施例的供水管道泄漏识别方法包括获取预定环境中多种特征因素下供水管道不存在泄漏时产生的第一声纹特征,及在多种供水泄漏状态下产生的第二声纹特征;对多种供水泄漏状态中仅存在唯一不同因素的任意两种供水泄漏状态下的声纹特征进行对比,建立预定环境下供水管道的声纹特征库;基于预定环境下供水管道的声纹特征库,进行模型训练,得到声纹识别模型;输入预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征至声纹识别模型,得到预定环境下供水管道当前状态的供水泄漏状态。本技术可通过建立供水管道多种不同供水泄漏状态的声纹特征库,并进行模型训练,得到声纹识别模型。然后输入预定环境下供水管道当前状态下产生的声音信号所对应的mel频谱特征至声纹识别模型,得到预定环境下供水管道当前状态的供水泄漏状态,如此有利于对供水管道供水泄漏状态的快速识别检测,减少误检漏检的情况。
47、本公开附加的方面和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,或通过本公开的实践了解到。