排水管道智能监测系统及其方法技术方案

本申请涉及智能监测领域，其具体地公开了一种排水管道智能监测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出裂缝参数中的各个数据项之间具的时序动态关联变化特征信息，以此来实现对排水管道裂缝情况进行快速准确地评估，并为管道运维人员提供可靠的参考信息。参考信息。参考信息。

【技术实现步骤摘要】
排水管道智能监测系统及其方法


[0001]本申请涉及智能监测领域，且更为具体地，涉及一种排水管道智能监测系统及其方法。

技术介绍

[0002]排水管道在长期使用过程中会存在疲劳、老化等问题，容易导致裂缝的产生，而裂缝的存在可能会影响排水管道的正常运行甚至造成严重事故。因此，实时准确地监测排水管道的裂缝情况对于安全运营和维护至关重要。
[0003]目前，传统的排水管道检测方式是通过人工使用仪器进行半自动化检测，这种方式不仅需要浪费大量人力，智能化程度较低，而且由于排水管道大都较长，且裂缝情况会随着时间的推移而发生改变，因而需要在多个位置处反复进行检测，以此来得到准确有效的排水管道裂缝数据，才能为管道运维人员提供可靠的参考信息。
[0004]因此，期望一种优化的排水管道智能监测系统。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种排水管道智能监测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出裂缝参数中的各个数据项之间具的时序动态关联变化特征信息，以此来实现对排水管道裂缝情况进行快速准确地评估，并为管道运维人员提供可靠的参考信息。
[0006]根据本申请的一个方面，提供了一种排水管道智能监测系统，其包括：
[0007]数据采集模块，用于获取由裂缝计采集的排水管道的监测位置在多个预定时间点的裂缝参数，所述裂缝参数包括裂缝的长度、深度和宽度；
[0008]裂缝参数关联模块，用于将所述多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器以得到多个裂缝参数关联特征向量；
[0009]裂缝参数时序变化模块，用于将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵；以及
[0010]维修评估模块，用于将所述多尺度裂缝参数关联时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需维修。
[0011]在上述排水管道智能监测系统中，所述裂缝参数关联模块，用于：使用所述深度神经网络模型的全连接层以如下公式对所述多个预定时间点的裂缝参数进行全连接编码以得到所述多个裂缝参数关联特征向量，其中，所述公式为：Y＝W
I
X+B，其中X是所述多个预定时间点的裂缝参数，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵相乘。
[0012]在上述排水管道智能监测系统中，所述第一卷积神经网络模型使用具有第一尺度的二维卷积核，所述第二卷积神经网络模型使用具有第二尺度的二维卷积核，所述第一尺度不等于所述第二尺度。
[0013]在上述排水管道智能监测系统中，所述裂缝参数时序变化模块，包括：裂缝参数全局关联排列单元，用于将所述多个裂缝参数关联特征向量排列为二维特征矩阵以得到裂缝参数全局关联矩阵；第一尺度裂缝参数时序变化单元，用于将所述裂缝参数全局关联矩阵通过所述集成网络模型的第一卷积神经网络模型以得到第一尺度子特征矩阵；第二尺度裂缝参数时序变化单元，用于将所述裂缝参数全局关联矩阵通过所述集成网络模型的第二卷积神经网络模型以得到第二尺度子特征矩阵；以及，多尺度融合单元，用于将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度裂缝参数关联时序特征矩阵。
[0014]在上述排水管道智能监测系统中，所述第一尺度裂缝参数时序变化单元，用于：使用所述集成网络模型的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一尺度子特征矩阵，所述第一卷积神经网络的第一层的输入为所述裂缝参数全局关联矩阵。
[0015]在上述排水管道智能监测系统中，所述第二尺度裂缝参数时序变化单元，用于:使用所述集成网络模型的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二尺度子特征矩阵，所述第二卷积神经网络的第一层的输入为所述裂缝参数全局关联矩阵。
[0016]在上述排水管道智能监测系统中，所述多尺度融合单元，用于：以如下优化公式对所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述多尺度裂缝参数关联时序特征矩阵；其中，所述优化公式为：
[0017][0018]其中，M1和M2分别表示所述第一尺度子特征矩阵和所述第二尺度子特征矩阵，m1和m2分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵中各个位置的特征值，μ和M分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵的所有特征值的特征集合的均值和方差，W和H分别是特征矩阵的宽度和高度，且m
′
是所述多尺度裂缝参数关联时序特征矩阵的各个位置特征值。
[0019]在上述排水管道智能监测系统中，所述维修评估模块，包括：展开单元，用于将所述多尺度裂缝参数关联时序特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0020]根据本申请的另一方面，提供了一种排水管道智能监测方法，其包括：
[0021]获取由裂缝计采集的排水管道的监测位置在多个预定时间点的裂缝参数，所述裂缝参数包括裂缝的长度、深度和宽度；
[0022]将所述多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器以得到多个裂缝参数关联特征向量；
[0023]将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵；以及
[0024]将所述多尺度裂缝参数关联时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需维修。
[0025]根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的排水管道智能监测方法。
[0026]根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的排水管道智能监测方法。
[0027]与现有技术相比，本申请提供的一种排水管道智能监测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出裂缝参数中的各个数据项之间具的时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种排水管道智能监测系统，其特征在于，包括：数据采集模块，用于获取由裂缝计采集的排水管道的监测位置在多个预定时间点的裂缝参数，所述裂缝参数包括裂缝的长度、深度和宽度；裂缝参数关联模块，用于将所述多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器以得到多个裂缝参数关联特征向量；裂缝参数时序变化模块，用于将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵；以及维修评估模块，用于将所述多尺度裂缝参数关联时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需维修。2.根据权利要求1所述的排水管道智能监测系统，其特征在于，所述裂缝参数关联模块，用于：使用所述深度神经网络模型的全连接层以如下公式对所述多个预定时间点的裂缝参数进行全连接编码以得到所述多个裂缝参数关联特征向量，其中，所述公式为：其中X是所述多个预定时间点的裂缝参数，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵相乘。3.根据权利要求2所述的排水管道智能监测系统，其特征在于，所述第一卷积神经网络模型使用具有第一尺度的二维卷积核，所述第二卷积神经网络模型使用具有第二尺度的二维卷积核，所述第一尺度不等于所述第二尺度。4.根据权利要求3所述的排水管道智能监测系统，其特征在于，所述裂缝参数时序变化模块，包括：裂缝参数全局关联排列单元，用于将所述多个裂缝参数关联特征向量排列为二维特征矩阵以得到裂缝参数全局关联矩阵；第一尺度裂缝参数时序变化单元，用于将所述裂缝参数全局关联矩阵通过所述集成网络模型的第一卷积神经网络模型以得到第一尺度子特征矩阵；第二尺度裂缝参数时序变化单元，用于将所述裂缝参数全局关联矩阵通过所述集成网络模型的第二卷积神经网络模型以得到第二尺度子特征矩阵；以及多尺度融合单元，用于将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度裂缝参数关联时序特征矩阵。5.根据权利要求4所述的排水管道智能监测系统，其特征在于，所述第一尺度裂缝参数时序变化单元，用于：使用所述集成网络模型的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一尺度子特征矩阵，所述第一卷积神经网络的第一层的输入为所述裂缝参数全局关联矩阵。6.根据权利要求5所述的排水管道智能监测系统，其特征在于，所述第二尺度裂缝参数时序变化单元，用于:使用所述集成网络模型的第二...

【专利技术属性】
技术研发人员：章伯威，陈斌，胡斌，王小燕，徐孟洁，谢清清，张社，陈贞婷，黄晓锋，陈苏珍，王玉华，
申请(专利权)人：浙江三众建设有限公司，
类型：发明
国别省市：