1.本发明属于漏水检测技术领域，具体涉及一种供水管道泄漏检测方法及系统。
背景技术：2.水网管道是自来水运输的主要方式，其健康运行状态直接关乎城市居民的日常生活，其漏损问题是威胁管道健康运行的主要问题，它会在水资源和经济上产生重大损失，因此供水管道泄漏问题一直是管道运输中需要致力解决的问题。
3.当供水管道出现泄漏时，水管内的高压水从管道泄漏处向外喷射，由于气穴噪声、湍流噪声、射出水和管壁摩擦、以及水冲击管外土壤等埋设介质间的相互作用，就会在管道泄漏处引起声振动。通过在管道或地面拾取该声信号，并进行相应信号处理，提取检测信息，就可以判断泄漏发生与否。拾取泄漏引起的振动声信号进行检测是供水管道与其它流体管道检测方法的主要不同。
4.与本发明相关的现有技术如下：现有技术方案一申请号为:cn101551064a名称为供水管道泄漏检测定位的信号处理方法的专利申请，该技术方案采用了音频降噪，自相关预测比较等方法去判别管道是否存在泄漏。该方案针对管道采集音频中存在的噪声，对采集的信号进行去噪预处理。其步骤为：首先判断是否存在突发干扰，然后进行去噪预处理，所述的去噪预处理包括去除突发干扰和抑制噪声。对于管道泄漏的检测方法为：通过两路采集信号的相关峰判断两路信号有无相关性，如果相关峰不存在，则不存在泄漏；如果峰值明显，则需要判断该相关峰是由两路采集信号中的相关泄漏噪声引起的还是由管内外固定声源噪声引起的，如果信号的自相关函数近似熵值小于某一阈值(该阈值根据泄漏噪声与固定噪声源自相关函数近似熵值的不同确定)，判断相关峰是由管内外固定声源引起，否则，判断此相关峰是由泄漏噪声引起，泄漏存在。
5.现有技术方案二：申请号为cn107061996a名称为一种供水管道泄漏检测定位方法的专利申请，该技术方案采用了音频增强，时延估计的方法来判断管道是否存在泄漏。该方案对传感器采集的信号进行增强，然后计算增强后信号的频谱方差，采用双门限法进行判断，若频谱方差处在门限范围内则说明存在泄漏。其次再对漏水信号进行广义相关，根据信噪比选择性能好的权函数,进行时延估计，得到三个传感器的时延后，利用漏水定位模型进行计算，得到漏水点位置信息。
6.上述两种方案提供的处理方法均对采集到的信号进行了音频增强处理。这种处理方式虽然可以有效降低信号中存在的噪声，但同时对采集到的管道运输声音也会造成不可逆的影响，对后续的泄漏检测算法以及最终检测正确率产生负面影响，降低检测正确率。
7.其次，两种方案均只考虑到音频信号的时域分布信息与特征，未利用信号的频域信息。实际上，对于某些特定音频，其频域特征分布相比时域特征更加明显且具有更好的区分效果。
8.最后，两种方案都需要一路参考信号来进行辅助判决，技术方案一通过比较两路信号的相关性作判别，技术方案二利用时延估计法，进行泄漏检测。这种做法需要同时处理
两路或多路信号，计算量随着输入数据的增加呈指数级增加。同时，因为需要一路信号作为参考，参考信号的选择也十分关键。如果参考信号选择不当，不管采用相关性检测或是时延检测，其最终结果都会与正确结果相差很大。
技术实现要素：9.根据现有技术存在的问题，本发明公开了一种基于音频处理的管道泄漏检测方法，具体包括如下步骤：
10.对采集到的时长为5秒的管道数字信号x(n)进行时域分帧加窗预处理获得多帧信号；
11.提取具有良好分类效果的音频特征：采用傅里叶变换对帧信号进行处理获得帧信号的频谱分布，将频谱进行特定的切分，得到包含不同数量频点的频带。计算不同频带的能量占比，得到当前帧信号的能量占比分布，将其作为当前帧信号的音频特征。
12.得到全连接神经网络(泄露信号检测网络)的输入向量即联合特征：将连续几帧信号的能量占比串联起来，构成一个联合特征。将得到的联合特征作为泄露信号检测网络的输入向量。
13.对神经网络的输出标签进行标签平滑与标签融合：统计神经网络的输出标签值label(label＝1或label＝0)，若连续3个标签中有异常标签出现，则根据其它标签值对异常标签值进行修改。随后进行标签融合操作：若标签label为1的数量占比大于设定阈值，则判定该条音频中存在管道泄漏，如果标签label为1的数量占比小于设定阈值，则判定该条音频中管道情况正常。
14.进一步的，对管道信号进行预处理的方式为：分帧、加窗，由此得到多帧信号；
15.进一步的，对预处理后得到的每帧信号采用时频变换、频域切分、统计求和的方式得到每帧信号的音频特征分布。
16.进一步的，根据每帧信号的音频特征分布，将若干帧信号的特征分布串联起来得到联合特征，将此特征作为后续神经网络的输入向量。
17.进一步的，将神经网络的输出标签进行标签平滑与标签融合操作，得到的最终标签值作为管道是否存在泄漏的结果。
18.一种基于音频处理的管道泄漏检测系统，包括：
19.分帧加窗预处理模块，对采集到的管道数字信号进行预处理获得多帧管道信号。
20.单帧信号提取模块，采用的数字信号处理方式提取每帧管道信号中具有良好分类效果的音频特征分布。
21.联合特征生成模块，将提取到的每帧信号音频特征进行处理获得联合特征，将该联合特征作为全连接神经网络的输入向量。
22.全连接神经网络检测模块，对输入的联合特征进行网络检测处理、得到网络的输出标签值label。
23.标签平滑与融合模块，对神经网络的输出标签进行标签平滑和标签融合处理，根据输出标签值label为1的数量占比与设定阈值的关系判断该条音频中是否存在管道泄漏。
24.由于采用了上述技术方案，本发明提供的一种基于音频处理的管道泄漏检测方法及系统，具有如下有益效果：
25.1、本发明针对采集信号并未做音频增强处理，任何音频增强算法均会对信号产生改变，从而影响后续算法的最终结果。而对于音频中包含噪声部分，所提特征的抗噪性能良好，且对输出标签进行了平滑操作，最大程度减少了噪声的影响。这不同于之前已有技术：仅对信号进行时域的分析与处理。此种方法抗噪性能差且计算量较大，不利于音频的实时处理。本方案所使用的联合特征是基于音频信号频谱特征分布且对其能量分布进行着重处理，具有良好的分类效果。
26.2、本发明只需要一路采集信号即可完成对水管泄漏的检测，而基于相关性与时延估计的方法需要两路及两路以上信号进行处理。而要得到多路信号，就必须在同一监测点安放多个传感器，由此增加了传感器的消耗，不利于经济性。而采集一路信号只需在一个监测点安放一个传感器，提高了传感器的利用率，避免了资源的无端消耗。
27.3、本发明采用的全连接网络模型，层数较少且节点数分布合理。对于输入向量，按照权重参数矩阵进行乘加运算即可，计算复杂度较低。而对于其它网络模型，其包含大量的卷积层，且其他连接层节点数均超过了本方案使用的节点数，其计算量与网络复杂度都很夸张，应用于现实生活中，对计算机的性能要求很高。
附图说明
28.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
29.图1为本发明中管道泄漏检测方法总体框图。
30.图2为本发明中信号频谱能量特征图。
31.图3为本发明中全连接神经网络示意图。
32.图4为本发明中标签数据融合具体步骤图。
33.图5为本发明系统的结构框图。
具体实施方式
34.为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
35.如图1所示的一种基于音频处理的管道泄漏检测方法，具体包括如下步骤：时域分帧加窗预处理过程、单帧信号特征提取过程、多帧信号串联输入得到联合特征过程、全连接神经网络检测过程和网络输出标签平滑与融合过程。装置的输入信号为需要进行检测的管道长序列信号x(n),输出信号为当前音频是否泄漏的判决标签值。
36.1、时域分帧加窗预处理过程的具体方式为：
37.长序列音频信号被处理时，需要对信号进行分帧截断操作，将长序列信号分为若干数量的帧信号。在进行分帧操作时，为保证信号之间的相关性，需要相邻帧信号之间的数据有部分重叠。在本发明中，一条输入音频的时长为5秒，采样频率为8000hz,因此原始信号由40000个离散的采样点组成，可以表示为：
38.x(n)＝{x(1),x(2),x(3)
……
,x(40000)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
39.进行分帧操作：将信号分为包含固定数量离散点的帧信号，这里每帧信号包含的离散点为512点，即帧长为512；相邻帧之间重叠的数据个数为384点，因此帧移为：512-384＝128。由此得到帧信号：
40.xj(n)＝{x(128(n-1)+1),
……
,x(128(n-1)+512)}
ꢀꢀꢀꢀꢀ
(2)
41.其中n为帧索引值(n≥1)。
42.得到帧信号后，需要使用正确的窗函数，对帧信号实行加窗操作，以减少对信号产生的影响。窗函数应该满足条件：过渡带较为缓变的窗函数。直接截断会导致频域频谱进行展宽，会引起滤波后的信号失真，故需要使用过渡带较为缓变的窗函数，减少截断对于信号的影响。这里选择使用汉宁窗作为窗函数，其表达式为：
[0043][0044]
其中m为汉宁窗的窗长，窗长与帧长相等，m＝512。将分帧后的每帧信号分别与汉宁窗对应点相乘，得到最终的帧信号xh(n)。
[0045]
xh(n)＝hanning(m)*xj(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0046]
因此原始信号x(n)经过分帧加窗预处理后，其整体分布为：
[0047]
y(n)＝{xh(1),xh(2),xh(3),
……
,xh(i)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0048]
2、单帧信号特征提取过程的具体方式为：
[0049]
由于要对音频信号进行分析检测，首先要提取出可表示其本质信息的特征参数。有了特征参数才可能利用这些参数进行有效的处理，所以提取特征参数是信号处理的基础。在音频信号处理时，音频质量的高低不仅取决于处理的方法，同时也取决于是否选择了合适的特征参数。因此，特征参数的提取在信号处理应用中具有十分重要的地位。
[0050]
根据提取参数的方法不同，可将信号分析分为时域分析、频域分析、倒频域分析和其他域分析的方法；根据分析方法的不同，又可将信号分析分为模型分析方法和非模型分析方法两种。时域分析方法具有简单、计算量小、物理意义明确等优点，但由于信号最重要的感知特性反映在频谱中，所以相对于时域分析来说频域分析更为重要。
[0051]
本方案中，对于分帧加窗后的帧信号进行傅里叶变换，得到其频谱信息。观察图2，可以发现对于是否含有管道泄露音其频谱信息表现大为不同，在不同的频带中，能量分布差异很大，因此可以将信号的频带能量占比分布作为音频特征。
[0052]
图2详细说明：左上和右上分别为正常管道、管道泄漏的时域音频信号。对应的，左下和右下为正常管道信号、管道泄漏信号的频谱分布。在频谱图中，横轴表示时间维度，纵轴表示不同频带中能量幅值的大小，颜色越深沉，表示此频带中能量越集中，所包含的能量越大；颜色越暗淡，表示此频带中能量越分散，所包含的能量越小。观察图2，可以看到左侧正常管道的音频能量分布在低频带处，而右侧管道泄漏音频其能量集中分布在300-800hz处，二者的能量明显分布在不同的频带。
[0053]
以下为计算频带能量占比的详细步骤：
[0054]
s1:将帧信号经过512点傅里叶变换，得到信号的频谱分布。傅里叶计算公式为：
[0055][0056]
其中x(n)为时域序列信号，x(k)为傅里叶变换后的频域信号，n为傅里叶变换点
数。时域n点信号经过n点傅里叶变换，得到的频域信号仍为n点。因此帧信号xh(n)经过512点傅里叶变换的表达式为：
[0057]
xh(k)＝{x(1),x(2),x(3),
……
,x(512)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0058]
s2:将xh(k)的前64个频点{x(1),x(2),x(3),
……
,x(64)}等长切分为32个频带，每个频带包含2个频点；即：第1个频带包含频点为：{x(1),x(2)}，第2个频带包含频点为：{x(3),x(4)}，以此类推，由此得到前32个频带的频点分布。
[0059]
s3:将xh(k)的后192个频点{x(65),x(66),x(67),
……
,x(256)}等长切分为16个频带，每个频带包含12个频点。即：第33个频带包含频点为：{x(65),x(66),
……
,x(75),x(76)}，第34个频带包含频点为：{x(77),x(78),
……
,x(87),x(88)}，以此类推，由此得到后16个频带的频点分布。
[0060]
s4:计算出每份频带中对应频点的能量，并累加求和，得到不同频带的能量ei：
[0061]ei
＝e(n)+e(n+1)+
…
+e(n+m)(1≤i≤48)
ꢀꢀꢀꢀꢀꢀ
(8)
[0062]
其中i代表不同的频带。频点的能量计算过程为：
[0063]
某个频点值为：
[0064]
x(n)＝a+bj
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0065]
其能量为：
[0066]
e(n)＝a2+b2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0067]
统计当前帧信号前256个频点值，计算其能量，并累加求和，得到当前帧信号的总能量e。
[0068]
s5:根据不同频带的能量和ei，当前帧信号的总能量e，得到单帧信号的特征分布，即单帧信号不同频带的能量占比r：
[0069]
r＝{r1,r2,r3,
……
,r
48
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0070]ri
＝ei/e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0071]
3、联合特征的提取过程为：将不同数量的单帧信号能量占比组合输入，构成高维向量，形成联合特征。由于单帧信号的信息量有限，不能完全的表达泄漏信号的特征，因此将多帧信号的能量占比串联输入，作为后续全连接神经网络的输入向量。考虑到音频信号的非平稳性，本方法选取的单帧数量为5，步长设置为3。
[0072]
已知第i帧信号的能量占比分布特征分布为ri，则若干帧的特征分布为：{r1,r2,r3,r4,r5,r6,r7,
……
,ri}，则全连接神经网络的全部输入向量为λ＝{λ1,λ2,λ3,
……
,λj}。其中，λ1，λ2，λi可表示为：λ1＝{r1,r2,r3,r4,r5}，λ2＝{r4,r5,r6,r7,r8}，
[0073]
λi＝{r
3(i-1)+1
,r
3(i-1)+2
,r
3(i-1)+3
,r
3(i-1)+4
,r
3(i-1)+5
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0074]
其中i代表第i个输入向量。经过测试与检验，该特征明显优于其他音频特征，具有良好的分类效果。
[0075]
4、全连接神经网络的检测具体过程分为两个阶段：第一个阶段是学习过程，第二个阶段是工作过程。
[0076]
所述学习阶段实际为网络训练过程：首先根据实现的功能与预期目标确定采用的网络模型，然后通过训练模型得到模型最佳的权重参数，随后将权重参数应用于神经网络的检测(工作)阶段。本方案中采用的是全连接模型，见图3。所谓全连接即当前层的输出节点与下一层的每个输入节点均有连接，由此构成了全连接网络。网络的输入节点数与输入
特征向量维数保持一致。由于该网络的功能为检测音频是否包含水管道发生泄漏，其输出为这种情况发生的概率估计值，因此网络的输出层节点数为1。学习过程要确定的是检测网络的中间层数目、具体节点数量，以及对应节点的权重参数。本发明网络的训练采用反向传播算法来计算和调整权重参数。反向传播算法训练网络分为以下三步：
[0077]
(1)前馈计算每一层的净输入和激活值，直到最后一层；
[0078]
(2)反向传播计算每一层的误差项；
[0079]
(3)计算每一层参数的偏导数，并更新参数。
[0080]
关于层数与节点数等超参数的调整则采取贪心算法遍历搜索。训练网络之前，设置训练参数，其中最大训练步长为1000，监测量为交叉熵函数，以及最小学习速率设为0.00001等。经过反向传播算法与贪心算法搜索后，最终确定全连接神经网络的规模如下：输入层节点数量为：240；隐藏层第1层节点数量：128，第2层节点数量：64，第3层节点数量：32，输出层节点数量：1。其中隐藏层的激活函数为：relu，输出层的激活函数为：sigmoid。激活函数的表达式如下所示：
[0081][0082][0083]
所述工作过程为：根据网络预训练得到的权重参数w和权重参数b，输入特征向量λi，使其进行如下运算：
[0084]
a(0)＝λiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0085]
z(l)＝w(l)a(l-1)+b(l)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0086]
a(l)＝f(z(l))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)首先根据第l-1(l≥1)层神经元的活性值a(l-1)计算出第l层神经元的净活性值z(l)，然后经过一个激活函数f得到第l层神经元的活性值。这样，全连接神经网络可以通过逐层的信息传递，得到网络最后的输出。
[0087]
网络的输出为当前输入信号是否存在管道泄漏音的概率估计p(0≤p≤1)，根据网络输出节点的概率估计值，设置判定阈值0.5；当概率估计值大于等于0.5时，代表管道存在泄漏(标签值label＝1)；当概率估计值小于0.5时，代表管道情况正常(标签值label＝0)。
[0088]
5、标签平滑与融合的具体方式为：
[0089]
由于采集到的音频中包含突发噪声，为降低噪声对检测正确率的影响，因此对神经网络的输出标签进行平滑。全连接神经网络的输入向量λ＝{λ1,λ2,λ3,
……
,λj}，则对应的标签输出l＝{l1,l2,l3,
……
,li}。平滑操作为：将输出标签分组等数量切分，每组包含3个标签，观察标签中是否存在异常样本。若存在异常样本，则根据该组其他标签值对异常标签进行修改。举例说明：若有一组网络输出标签值为1，0，1，1，1，0，0，0，1，则执行平滑操作：首先将标签分组：(1，0，1)(1，1，0)(0，0，1)，随后观察切分后的标签，寻找异常标签值，第1组异常标签值为0，平滑后为：(1，1，1)。第2组，第3组数据与第1组的操作类似，由此得到平滑后的输出标签1，1，1，1，1，1，0，0，0。
[0090]
标签融合操作为：统计得到平滑后标签值为1的个数：num，整段输入音频产生的总标签数：sum，计算标签为1的数量在该段输入音频产生的总标签数中的占比：
[0091]
rate＝num/sum (0≤rate≤1)。
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0092]
设置合适的阈值value，通过比较rate与value的大小，判别整段输入音频中是否存在泄露信号：若比例大于等于阈值(rate≥value)，则判定该段音频存在管道泄漏音；若小于阈值(rate《value)，则判定该条音频不存在管道泄漏。标签融合框图见图4。
[0093]
本发明公开一种基于音频处理的管道泄漏检测系统，包括：
[0094]
分帧加窗预处理模块，对采集到的管道数字信号进行预处理获得多帧管道信号；
[0095]
单帧信号提取模块，采用的数字信号处理方式提取每帧管道信号中具有良好分类效果的音频特征分布；
[0096]
联合特征生成模块，将提取到的每帧信号音频特征进行处理获得联合特征，将该联合特征作为全连接神经网络的输入向量；
[0097]
全连接神经网络检测模块，对输入的联合特征进行网络检测处理、得到网络的输出标签值label；
[0098]
标签平滑与融合模块，对神经网络的输出标签进行标签平滑和标签融合处理，根据输出标签值label为1的数量占比与设定阈值的关系判断该条音频中是否存在管道泄漏。
[0099]
本发明的技术方案中，以下替代方案同样能完成发明目的：
[0100]
(1)本发明中，在设计时域窗函数时，使用了汉宁窗口过渡带作为基础设计时域窗函数，亦可使用其他满足前后过渡带条件的窗口设计。
[0101]
(2)本发明中，使用了音频信号在频带的能量占比分布特征作为网络检测输入，对于其他能量相关分布，如对数功率谱，能量占比超过50％的帧数等信息均可作为音频特征。
[0102]
(3)在本发明中，采用了中间层数为3的全连接网络，其节点个数分别为128，64，32。在此基础，增加或减少中间层数目、中间层节点数均可。
[0103]
(4)在本发明中，使用傅里叶变换将时域信号变换到频域计算信号的能量分布，对于其它类型的变换，如：快速傅里叶变换、离散余弦变换等均可计算出信号的能量分布。
[0104]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
技术特征：1.一种基于音频处理的管道泄漏检测方法，其特征在于包括：对采集到的管道数字信号进行预处理获得多帧管道信号；采用的数字信号处理方式提取每帧管道信号中具有良好分类效果的音频特征分布；将提取到的每帧信号音频特征进行处理获得联合特征，将该联合特征作为全连接神经网络的输入向量；对全连接神经网络的输出标签进行平滑和标签融合：统计神经网络的输出标签值label，若连续多个标签中有异常标签出现，则根据其它标签值对异常标签值进行修改，再进行标签融合操作：若标签label为1的数量占比大于设定阈值，则判定该条音频中存在管道泄漏，如果标签label为1的数量占比小于设定阈值，则判定该条音频中管道情况正常。2.根据权利要求1所述的方法，其特征在于：提取具有良好分类效果的音频特征分布时：采用傅里叶变换对帧信号进行处理获得帧信号的频谱分布，将频谱进行切分得到包含不同数量频点的频带，计算不同频带的能量占比，得到当前帧信号的能量占比分布，将其作为当前帧信号的音频特征。3.根据权利要求1所述的方法，其特征在于：将连续几帧信号的能量占比串联构成联合特征。4.根据权利要求1所述的方法，其特征在于：对预处理后得到的每帧信号采用时频变换、频域切分、统计求和的方式得到每帧信号的音频特征分布。5.根据权利要求1所述的方法，其特征在于：对管道数字信号进行预处理包括分帧和加窗处理。6.一种基于音频处理的管道泄漏检测系统，其特征在于包括：分帧加窗预处理模块，对采集到的管道数字信号进行预处理获得多帧管道信号；单帧信号提取模块，采用的数字信号处理方式提取每帧管道信号中具有良好分类效果的音频特征分布；联合特征生成模块，将提取到的每帧信号音频特征进行处理获得联合特征，将该联合特征作为全连接神经网络的输入向量；全连接神经网络检测模块，对输入的联合特征进行网络检测处理、得到网络的输出标签值label；标签平滑与融合模块，对神经网络的输出标签进行标签平滑和标签融合处理，根据输出标签值label为1的数量占比与设定阈值的关系判断该条音频中是否存在管道泄漏。
技术总结本发明公开了一种基于音频处理的管道泄漏检测方法及系统，其中方法具体包括：对采集到音频的时域长序列信号x(n)进行时域分帧加窗预处理获得多帧信号；针对音频信号，提取出具有良好分类效果的音频特征：采用傅里叶变换对帧信号进行处理获得信号的频谱分布，将频谱进行特定的切分，计算不同频带的能量占比，得到单帧特征分布；得到联合特征：利用多帧信号的动态特征，将多帧信号串联输入，构成了高维联合特征；将得到的音频特征输入到训练好的神经网络模型中，网络输出为帧标签值；统计得到的帧标签结果，进行标签平滑与标签融合，最终得到管道是否存在泄漏的判决结果。得到管道是否存在泄漏的判决结果。得到管道是否存在泄漏的判决结果。
技术研发人员：尹聚栋 陈喆 殷福亮
受保护的技术使用者：大连理工大学
技术研发日：2022.06.23
技术公布日：2022/11/1
