[发明专利]一种基于深度学习的供水管网漏损识别方法

权利要求书

1.一种基于深度学习的供水管网漏损识别方法，其特征在于，包括以下步骤：

步骤1建立噪音计音频信号检漏样本库

步骤1-1收集供水管网各噪音计监测点的音频信号，

步骤1-2对收集的音频信号按漏损与正常两种标签进行标识，建立噪音计音频信号检漏样本库；

步骤2音频信号转换成频谱热力图

步骤2-1根据式(1)，对音频信号进行预加重处理：

y[n]＝x[n]-a*x[n-1] (1)

式(1)中，x[n]为原始信号，y[n]为预加重后信号，a为接近1的参数；

步骤2-2对预加重处理后的信号进行分帧处理：将信号按固定时间段分为若干帧；

按一定比例设置帧移和帧长；

步骤2-3对分帧之后的信号进行加窗操作；

步骤2-4对分帧、加窗处理后的信号进行快速傅里叶变换FFT，得到频谱信息；

步骤2-5将时间帧的序号作为横坐标、频率值作为纵坐标、频谱幅值的大小以颜色表示，得到频谱热力图；

步骤3建立多层神经网络检漏模型

以频谱热力图为输入，以分类结果为输出，建立由多层卷积神经网络组成的神经网络检漏模型

步骤4训练并验证多层神经网络检漏模型

步骤4-1将样本库中两类样本均以一定比例进行划分，形成训练集和测试集，进行多层神经网络检漏模型的训练；

步骤4-2测试多层神经网络检漏模型在测试集样本上的预测结果，并计算其准确率Accuracy和接受者操作特征ROC曲线下方的面积AUC指标；其中，模型预测结果指的是：预测结果为漏损的可能性，数值越大表示越有可能漏损；

步骤4-3根据多层神经网络检漏模型预测结果和步骤1中标识的标签，计算得到混淆矩阵；

步骤4-4通过AUC曲线寻找最佳阈值Th，所述AUC曲线的横坐标为：FP，纵坐标为：TP，根据根据AUC曲线上最靠近坐标(0，1)的点，所对应的概率值确定为最佳阈值Th；

步骤4-5得到最佳阈值Th后，将概率与阈值进行对比，得到二分类预测标签；

步骤4-6利用二分类预测标签进行混淆矩阵TP/FP/FN/TN、准确率Accuracy、灵敏度Precision、特异度Specificity参数的计算，以进一步对多层神经网络检漏模型进行验证；

其中，准确率Accuracy按式(2)计算：

Accuracy＝(TP+TN)/(TP+TN+FP+FN) (2)

灵敏度Precision(阳性预测率)按式(3)计算：

Precision＝TP/(TP+TN+FP+FN) (3)

特异度Specificity(阴性预测率)按式(4)计算：

Specificity＝TN/(TP+TN+FP+FN) (4)

三者的数值越接近1，表示多层神经网络检漏模型分类的性能越好；

步骤4-7如多层神经网络检漏模型通过验证，则进入步骤5实际应用；否则，重新挑选样本，重复步骤1-4；

步骤5利用步骤1-4得到通过验证的多层神经网络检漏模型，进行实际判漏；

步骤5-1获取实测得到的音频信号数据，

步骤5-2按照步骤2计算方法，转换生成频谱热力图；

步骤5-3将该频谱热力图作为输入，经多层神经网络检漏模型计算得到预测结果，再与最佳阈值Th比较，输出最终二分类标签0或1，从而得到供水管网是否漏损的判断。

2.如权利要求1所述的一种基于深度学习的供水管网漏损识别方法，其特征在于，

所述步骤3中，采用深度残差网络ResNet-50模型为backbone，建立多层神经网络检漏模型。

3.如权利要求2所述的一种基于深度学习的供水管网漏损识别方法，其特征在于，

所述步骤4-6中进一步对多层神经网络检漏模型进行验证，所述验证指标中，准确度Accuracy、灵敏度Precision、特异度Specificity都要高于0.9。