改进
CNN
供水
管道
泄漏
声音
识别
杨智伦
北大中文核心期刊国外电子测量技术 D O I:1 0.1 9 6 5 2/j.c n k i.f e m t.2 2 0 4 2 2 2改进C N N的供水管道泄漏声音识别*杨智伦1 朱铮涛1 陈树雄1 李 博2 招祖炜1(1.广东工业大学机电学院 广州 5 1 0 0 0 6;2.电子科技大学中山学院机电工程学院 中山 5 2 8 4 0 2)摘 要:为了检测供水管道是否出现泄漏,同时针对人工检测精度低、背景噪音难以去除和现有检测设备的实用性低等问题,研究了一种基于卷积神经网络(c o n v o l u t i o n a l n e u r a l n e t w o r k,C NN)的供水管道泄漏声音识别方法。首先设计水下机器人的供水管道内部声音实时采集系统,并利用用户数据报协议(u s e r d a t a g r a m p r o t o c o l/i n t e r n e t p r o t o c o l,U D P/I P)通信技术将该系统采集的声音信息上传至上位机,并对供水管道内的声音进行泄漏和不泄漏的划分且制作成数据集,提取泄漏音频和不泄漏音频样本的梅尔谱特征图,根据实时性选用轻量级卷积神经网络S h u f f l e N e t V 2进行训练和识别;其次引入卷积注意力模块(c o n v o l u t i o n b l o c k a t t e n t i o n m o d u l e,C B AM)到网络模型中,并对S h u f f l e N e t V 2 的U n i t 1单元进行改进,提出了U n i t 1_y单元;最后将改进后的网络与M o b i l e N e t V 3、R e s N e t 1 8等轻量级网络进行对比。试验结果表明,改进后的网络模型相较于其他的模型对供水管道漏泄声音识别效果最佳且参数量低,占用上位机运算资源少,测试集识别率达到9 2.1 4%,验证了算法的有效性。关键词:供水管道;泄漏声音;卷积神经网络;S h u f f l e N e t V 2;C B AM中图分类号:T P 2 3文献标识码:A国家标准学科分类代码:5 2 0.6 收稿日期:2 0 2 2-0 8-0 3*基金项目:广 东 省 科 技 计 划(2 0 2 1 A 0 1 0 1 1 8 0 0 0 5)、广 东 省 普 通 高 校 创 新 团 队 项 目 机 器 人 与 智 能 装 备 团 队(2 0 2 0K C X T D 0 3 5)项目资助I m p r o v e d C N N f o r s o u n d r e c o g n i t i o n o f w a t e r s u p p l y p i p e l i n e l e a k yY a n g Z h i l u n1 Z h u Z h e n g t a o1 C h e n S h u x i o n g1 L i B o2 Z h a o Z u w e i1(1.C o l l e g e o f E l e c t r i c a l a n d M e c h a n i c a l,G u a n g d o n g U n i v e r s i t y o f T e c h n o l o g y,G u a n g z h o u 5 1 0 0 0 6,C h i n a;2.C o l l e g e o f M e c h a n i c a l a n d E l e c t r i c a l E n g i n e e r i n g,U n i v e r s i t y o f E l e c t r o n i c S c i e n c e a n d T e c h n o l o g y o f C h i n a,Z h o n g s h a n 5 2 8 4 0 2,C h i n a)A b s t r a c t:I n o r d e r t o m o n i t o r w h e t h e r t h e r e i s l e a k a g e i n t h e w a t e r s u p p l y p i p e l i n e,a i m i n g a t t h e p r o b l e m s o f l o w m a n u a l d e t e c t i o n a c c u r a c y,d i f f i c u l t r e m o v a l o f b a c k g r o u n d n o i s e a n d l o w p r a c t i c a b i l i t y o f e q u i p m e n t,a w a t e r s u p p l y p i p e l i n e l e a k a g e s o u n d r e c o g n i t i o n m e t h o d b a s e d o n l i g h t w e i g h t c o n v o l u t i o n a l n e u r a l n e t w o r k C NN i s s t u d i e d.F i r s t l y,t h e r e a l-t i m e s o u n d a c q u i s i t i o n s y s t e m i n t h e w a t e r s u p p l y p i p e l i n e o f t h e u n d e r w a t e r r o b o t i s d e s i g n e d,a n d t h e s o u n d i n f o r m a t i o n c o l l e c t e d b y t h e s y s t e m i s u p l o a d e d t o t h e u p p e r c o m p u t e r b y u s i n g UD P/I P c o mm u n i c a t i o n t e c h n o l o g y.D i v i d e t h e s o u n d i n t h e w a t e r s u p p l y p i p e l i n e i n t o l e a k y a n d n o n-l e a k y s o u n d a n d m a k e i t i n t o a d a t a s e t,e x t r a c t t h e M e l s p e c t r u m f e a t u r e m a p i n f o r m a t i o n o f l e a k y a u d i o a n d n o n-l e a k y a u d i o s a m p l e s,a n d s e l e c t l i g h t w e i g h t c o n v o l u t i o n a l n e u r a l n e t w o r k S h u f f l e N e t V 2 f o r t r a i n i n g a n d r e c o g n i t i o n a c c o r d i n g t o t h e r e a l-t i m e p e r f o r m a n c e.S e c o n d l y,t h e a t t e n t i o n m e c h a n i s m o f C B AM i s i n t r o d u c e d t o i m p r o v e t h e U n i t 1 o f S h u f f l e N e t V 2 a n d W e p r o p o s e d U n i t 1_y.A t l a s t,t h e i m p r o v e d n e t w o r k i s c o m p a r e d w i t h t h e l i g h t w e i g h t n e t w o r k s s u c h a s M o b i l e N e t V 3 a n d R e s n e t 1 8.T h e t e s t r e s u l t s s h o w t h a t t h e i m p r o v e d n e t w o r k h a s t h e b e s t e f f e c t o n w a t e r s u p p l y p i p e l i n e l e a k a g e s o u n d r e c o g n i t i o n,a n d t h e r e c o g n i t i o n r a t e o f t h e t e s t s e t r e a c h e s 9 2.1 4%,w h i c h v e r i f i e s t h e e f f e c t i v e n e s s o f t h e a l g o r i t h m.K e y w o r d s:w a t e r s u p p l y p i p e l i n e;s o u n d l e a k a g e;c o n v o l u t i o n a l n e u r a l n e t w o r k;S h u f f l e N e t V 2;C B AM351 国外电子测量技术北大中文核心期刊0 引 言随着我国的城市供水管网服务年限的延长,供水管道出现老化的现象加重,并且由于腐蚀、人为破坏等因素1-3导致的管道泄漏事故时有发生,影响城市供水系统的正常运行,导致水资源浪费,给人民的正常生产、生活带来隐患。因此供水管道泄漏检测对解决水污染、资源浪费、社会安全等问题具有重要意义。传统的供水管道泄漏的检测依赖专业人员通过听漏仪探测泄漏管段4,该方法无法克服背景噪声、检测精度低,漏点定位还需人工确认等。随着科学技术的发展,管道漏水检测越来越趋于智能化5-7。S h e n等8提出通过正演模拟,分析了不同管径泄漏在不同地面条件下探地雷达波的信号特征,通过在S变换上应用道积分和分频技术分析泄漏信号的特性,以确定泄漏的位置和 程 度。X u等9提出了在供水管道外侧放置声音传感器,对采集到的泄漏音频样本使用变分模态分解法(v a r i a t i o n a l m o d e d e-c o m p o s i t i o n,VMD)来去除噪音,再根据各子模态的能量比提取特征向量,最后通过支持向量机(s u p p o r t v e c t o r m a c h i n e,S VM)进行分类,结果表明识别率达到8 9.3%。程坤1 0通过实验室模拟管道环境,在管道外放置声音传感器,来收集不同漏口大小、管道材质的音频数据,对采集到的泄漏音频样本提取多种特征(近似熵、功率谱等),将这些作为B P神经网络的输入,以分类结果为最后的输出层,漏水识别准确率8 0%以上。叶青等1 1基于相位敏感光时域反射计的分布式光纤振动传感技术,漏水会使光纤链路扰动,以此可以进行远程探测。马广兴等1 2等提出在供热管外放置压力传感器采集在不同工况下的数据,并传入卷积神经网络(c o n v o l u t i o n a l n e u r a l n e t w o r k,C NN)进行训练识别。郑小梅等1 3将光纤温度传感器放置于管道上,将光纤检测到的温度数据输入到上位机,对采集的温度数据与设定的阈值进行对比,判断管道是否发生泄漏。温晓强等1 4