【技术实现步骤摘要】
本专利技术涉及管网检测，尤其涉及一种基于深度学习的地下管网缺陷智能识别与预警方法及系统。
技术介绍
1、地下管网是城市基础设施的重要组成部分，承担着供水、排水、燃气、电力等多种功能，其安全运行对城市正常运转至关重要。随着城市发展和管网老化，地下管网缺陷问题日益突出，如管壁腐蚀、裂缝、接口错位等损伤逐渐增多，严重威胁城市安全和居民生活。传统管网检测主要依靠人工巡检和简单机械设备，效率低下且难以对隐蔽缺陷进行全面识别。近年来，管道检测机器人技术逐渐应用于地下管网检测领域，能够通过搭载各类传感器采集管道内部图像、声学、激光等多源数据，为管道状态评估提供了技术支撑。
2、随着深度学习技术的发展，基于图像识别的管道缺陷检测方法取得了一定进展。现有技术通常采用卷积神经网络等算法对管道图像进行分析，实现对裂缝、腐蚀等表面缺陷的识别。同时，一些研究也尝试结合声学检测和激光扫描等方法，构建多模态数据融合框架，提高管道缺陷检测的准确性和全面性。
3、现有的地下管网缺陷识别与预警技术仍存在明显不足，现有方法对多源异构数据的处理能力有限...
【技术保护点】
1.基于深度学习的地下管网缺陷智能识别与预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，将初始特征数据通过特征映射模块映射到流形空间得到流形特征数据，在流形空间中构建相似度矩阵划分特征子空间，对特征子空间进行几何差异加权融合得到管道缺陷表征向量包括：
3.根据权利要求2所述的方法，其特征在于，基于相似度矩阵将流形特征数据划分为多个特征子空间包括：
4.根据权利要求1所述的方法，其特征在于，将管道缺陷表征向量构建为关联矩阵，计算管道缺陷特征间的空间距离关联值和力学作用强度得到连接关系矩阵，执行迭代传播得到管道状...
【技术特征摘要】
1.基于深度学习的地下管网缺陷智能识别与预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，将初始特征数据通过特征映射模块映射到流形空间得到流形特征数据，在流形空间中构建相似度矩阵划分特征子空间，对特征子空间进行几何差异加权融合得到管道缺陷表征向量包括：
3.根据权利要求2所述的方法，其特征在于，基于相似度矩阵将流形特征数据划分为多个特征子空间包括：
4.根据权利要求1所述的方法，其特征在于，将管道缺陷表征向量构建为关联矩阵，计算管道缺陷特征间的空间距离关联值和力学作用强度得到连接关系矩阵，执行迭代传播得到管道状态序列，构建管道状态演变图并优化传播方向，生成管道缺陷特征图谱包括：
5.根据权利要求4所述的方法，其特征在于，基于所述连接关系矩阵构建管道状态转移矩阵，对管道缺陷特征执行迭代传播，在每次迭代过程中融合邻近管道特征的状...
【专利技术属性】
技术研发人员：程滨生，王飞凤，蒋晓孟，任晗，高豆豆，
申请(专利权)人：宁波市政工程建设集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。