论文部分内容阅读
城市排水管道作为保障现代化城市可持续发展的重要地下基础设施,承担着处理污水和雨水的重担,环保节能且高效益的优势成为城市吐故纳新的生命线。因此,开展排水管道智能检测与缺陷识别研究,准确掌握其安全可靠的运行状态,避免灾难性事故的发生而造成经济损失具有重要意义。深度学习在低频主动声波信号表征、特征提取、缺陷识别等方面提供了新途径,最大程度上避免声波模态机理和缺陷识别方法视具体研究对象而定的应用难点。管道运行条件复杂,堵塞连续多发且具有时变性,承担缓震功能的U型管道由于构造特殊多源性缺陷频发。如何通过有效特征学习解决缺陷训练样本不足甚至缺失的情况下获得识别精度高、泛化性能好的缺陷识别模型成为研究难点。本文借助深度神经网络在特征学习方面的强大能力,围绕多尺度堵塞特征提取、个体声纹识别、U型管道多类缺陷识别以及零样本缺陷识别方法等方面展开深入研究。主要包括以下四个方面:（1）针对常用单一尺度和单一标签输出的卷积神经缺陷识别方法难以有效对多重堵塞进行分离与识别,提出一种改进的多尺度卷积神经网络（Multi-Scale Convolution Neural Network,MSCNN）方法,通过设置并行的不同尺寸卷积核,提取声学信号时间尺度上的多维瞬态特征。采用Sigmoid函数作为激活函数改进分类层保证每类缺陷输出的概率相互独立,让测试样本预测多个标签输出实现多重堵塞的分离与识别。该方法对多重堵塞平均识别准确率为94.27%,相比较传统的机器学习方法极限学习机平均识别准确率提高了6.73%。对比单一尺度和单一标签的CNN平均识别准确率提高了3.36%。但是通过多标签输出机制实现了直管多重堵塞的分离与识别,极大地提升多重堵塞识别方法的实用性和有效性。（2）针对周期性采集的训练样本集无法涵盖所有发展中的缺陷类型导致缺陷识别模型泛化性能下降的问题,提出一种基于声纹模型（Acoustic Signature model,AS）和Squeeze Net神经网络的管道内多目标个体识别方法。通过声纹模型构建同类个体（堵塞,三通件,管道尾端）在管道多种运行状态下的典型共性特征,形成个体声纹特征图。采用Squeeze Net神经网络自动学习个体声纹代表性特征,摆脱对人工特征提取的依赖,减少权重参数和简化网络结构,提高堵塞识别速度。该方法对管道已知运行状态的个体识别准确率为99.03%,对管道未知运行状态个体识别准确率达到98.52%,对管道未知运行状态的识别将不再受已知训练集所包含缺陷类别的限制,提高缺陷识别模型的泛化能力。（3）针对承担缓震功能的构造特殊U型管道多源性缺陷频发且时延特征难以有效提取的问题,提出一种基于MSCNN和LSTM神经网络的U型管道多类缺陷识别方法。通过MSCNN和长短期记忆（Long Short-Term Memory,LSTM）神经网络模型从原始声学信号端到端自动提取特征,捕获局部细粒度特征和时间依赖性的粗粒度上下文特征,实现粗细粒度特征融合全面表征U型管道多类缺陷声学特性。引入注意力机制自适应重组并筛选特征有效刻画U型管道多类缺陷特征的差异性,提高U型管道堵塞、泄漏及焊缝破损等多类缺陷的识别准确率。该方法对U型管道多类缺陷平均识别准确率为98.44%。比只使用MSCNN模型的U型管道多类缺陷识别准确率提高10.89%。同时,采用梯度加权类激活图算法（Gradient-Weighted Class Activation Map,Grad-CAM）对该方法在基于声学信号的多类缺陷识别中的可解释性进行研究,充分验证该方法的有效性。（4）针对管道缺陷演化导致零样本缺陷特征学习不充分、误诊率高等问题,提出一种基于Transformer神经网络和属性描述的管道零样本缺陷识别方法。通过Transformer神经网络以全局视野并行的方式提取不同形状管道缺陷特征。构建属性描述矩阵代替未知类缺陷的标签,共享属性描述的辅助信息实现已知类缺陷和未知类缺陷信息间的关联性。基于CNN的属性学习器对未知类缺陷特征进行属性预测完成从特征到属性的映射,通过属性预测与属性描述矩阵的相似性度量,完成零样本管道缺陷识别任务。实验结果表明,基于Transformer和属性描述的零样本缺陷识别方法对零样本缺陷平均识别准确率高达84.71%,为解决管道零样本缺陷识别问题提供一种新思路。