申请/专利权人：北京工业大学;北京市自来水集团禹通市政工程有限公司

申请日：2021-12-20

公开（公告）日：2024-06-21

公开（公告）号：CN114234061B

主分类号：F17D5/06

分类号：F17D5/06;G10L15/16;G10L21/0208;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.04.12#实质审查的生效;2022.03.25#公开

摘要：本发明公开了一种基于神经网络的带压运行供水管道漏水音智能判别方法，包括：收集目标带压运行供水管道的声音与环境音频，得到音频文件；对所得音频文件进行预处理，包含带通滤波以及Berouti谱减法降噪；对过滤后的信号提取梅尔刻度频谱，将管道声制成对应的数字特征数据；将所述数字特征数据输入预设混合分类预测模型，输出分类结果；预设混合分类预测模型的网络结构是由深度卷积神经网络模型的网络结构、Adaboost模型的结构、最终决策规则机构组合而成。该方法中预设混合分类预测模型由深度卷积神经网络模型的网络结构和Adaboost模型的结构组合而成，综合了深度卷积神经网络模型和Adaboost模型的优点，增强了鲁棒性，能够提高对带压运行的供水管道漏水音甄别准确率。

主权项：1.一种基于神经网络的带压运行供水管道漏水音智能判别方法，其特征在于，包括：收集目标带压运行供水管道的管道音与环境音，得到音频文件；对所得音频文件预处理：应用带通滤波器和Berouti谱减法降噪，过滤杂波信号；对过滤后的信号提取梅尔刻度频谱，将管道音制成对应的数字特征数据；将所述数字特征数据输入预设混合分类预测模型，输出分类结果；其中，所述预设混合分类预测模型的网络结构是由深度卷积神经网络模型的网络结构、Adaboost模型的结构、最终决策规则机构组合而成；音频文件预处理分为两个步骤：带通滤波与谱减降噪；对管道音与环境音应用数字带通滤波器，通带范围控制在200Hz~2500Hz；将环境音视为背景音，管道音视为前景音，提取背景音与前景音的短时频谱，分别得到前景音的幅度谱与相位谱、背景音的幅度谱与相位谱，应用Berouti谱减算法，将前景音的幅度谱减去背景音的幅度谱，即得到干净的管道音幅度谱；所述将管道音数字特征数据输入预设混合分类模型，输出分类结果，包括：根据VGG11_bn模型的网络结构，构造原始深度卷积神经网络模型；根据历史采集来的管道音数据，包含漏水音与管道运行正常音，结合公开的城市环境音数据集提取梅尔刻度频谱数字特征，利用样本的梅尔刻度频谱数字特征数据对所述原始深度卷积神经网络模型进行训练，得到所述深度卷积神经网络模型；在构建原始Adaboost模型后，对所述样本的梅尔刻度频谱数字特征提取梅尔倒谱系数，利用所述梅尔倒谱系数对所述原始Adaboost模型进行训练，得到所述Adaboost模型；将所述深度卷积神经网络模型的输出与所述Adaboost模型的输出送入最终决策规则机构，经过最终决策输出所述分类结果；所述利用样本的梅尔刻度频谱数字特征数据对所述原始深度卷积神经网络模型进行训练，得到所述深度卷积神经网络模型，包括：在将所述样本的梅尔刻度频谱数字特征数据输入所述原始深度卷积神经网络模型后，依次经过所述原始深度卷积神经网络模型的卷积层、池化层、批量归一化层及全连接层的处理，得到对应的输出值；计算所述输出值与预设的目标值之间的误差值，并判断所述误差值是否大于预设期望值；若所述误差值大于所述预设期望值，则根据所述误差值分别调整所述卷积层、所述池化层及所述全连接层的权值；将所述样本的梅尔刻度频谱数字特征数据输入所述权值调整后的原始深度卷积神经网络模型，得到对应的输出值：在计算出所述输出值对应的误差值后，判断所述误差值是否大于所述预设期望值：若所述误差值不大于所述预设期望值，则得到所述深度卷积神经网络模型；所述最终决策规则机构其决策规则描述为：如果Adaboost输出大于决策阈值或深度卷积神经网络输出大于决策阈值，则判断为漏水类别，否则判断为正常工作类别。

全文数据：

权利要求：

百度查询： 北京工业大学;北京市自来水集团禹通市政工程有限公司 一种基于神经网络的带压运行供水管道漏水音智能判别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD