[发明专利]一种基于ConvLSTM的地下空间管道腐蚀程度预警方法

说明书

本发明提供了一种基于ConvLSTM的地下空间管道腐蚀程度预警方法。本发明利用ConvLSTM可以预测时空序列信息的特点预测出地下空间管道的腐蚀程度，并且结合卷积神经网络进行分类。本发明设计了具有多条并行子网络的ConvLSTM模型，其可以利用到不同尺度的地下空间管道图像信息。

技术领域

本发明涉及一种基于深度学习的地下管道腐蚀程度预警方法，主要是针对地下管道的腐蚀程度等问题进行提前的预警。

背景技术

我们知道地下空间是现代城市空间拓展的重要资源，成为缓解城市土地资源供应紧张，交通和生态环境日益恶化等“城市病”问题的重要途径。

其中地下空间的管道系统的监测，检测以及预测是重中之重，有效的监测和检测可以让维修人员及时的发现问题解决事故。但是监测是在管道已经发生了腐蚀泄露等问题时才能发现，而检测手段又面临着需要在庞大的管道系统内寻找腐蚀点等问题。

所以，地下管道的预测，就是一个急需解决的问题。如果能做到对管道腐蚀泄露等问题做出时间地点的预警，那我们就可以防患于未然，在出现事故前解决问题。

长短时记忆神经网络(LSTM)是循环神经网络的一种变种，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，例如预测股票、天气等，因此可以用来预警未来一段时间内地下管道的腐蚀泄露等问题。

ConvLSTM网络是对普通LSTM的改进，其特点是可以利用数据的时空信息预测基于时间序列的二维数值，例如基于时间序列的图像等数据。

发明内容

为了解决地下空间管道预测的问题，本发明提出了一种基于ConvLSTM的地下空间管道预测的方法，首先是收集大量的地下管道的图片，在对这些图片进行处理，用处理过的图片训练设计好的ConvLSTM模型，得到一个可以预测管道腐蚀的模型。结合安装在地下的监控系统，根据获取连续多个的图像预测未来地下管道的图像，对预测出的图像进行分类，判断出管道未来的腐蚀情况。

本发明所采用的技术方案如下：

一种基于ConvLSTM预测地下空间腐蚀情况的方法：

A：收集大量地下空间管道时间序列的图片，间隔为每一周一张：

B：将收集的图片处理成适合训练神经网络的形式；

C：利用得到的数据训练设计好的ConvLSTM模型；

D：将处理好的图片按腐蚀情况分为成多个类别；

E：利用得到的数据训练用以图像分类的卷积神经网络，得到可以根据管道图片分出腐蚀程度的神经网络模型。

部分A中，所述的收集时间序列图片是指：收集监控设备拍摄出管道的图像，间隔一周一张，通常为灰度图。

部分B中，所述的图片处理是指：将图片长宽处理成一样大小，并且进行适当压缩，。

部分C中，所述的ConvLSTM模型是指：为了有效进行预测腐蚀情况而设计的具有多条并行子网络的ConvLSTM结构。

部分D中，所述的对图片分类是指：将图片按腐蚀程度分类，如分为良好、一般、严重、泄露四类，并且将每个图片给出对应的标签y，标签y为one-hot编码，形式为y(1,0,0,0)。

部分E中，所述的卷积神经网络是指：多层的卷积神经网络以及最后一层用来分类的softmax层。

本发明提供的技术方案带来的有益效果是：

本发明将利用识别图像的方法用在预测地下空间管道腐蚀情况，以做到提前地下空间管道腐蚀泄露等问题的提前预警，在事故发生前就可以及时找到问题管道位置。

附图说明