一种风管泄漏信号检测方法及系统

摘要

本发明涉及一种风管泄漏信号检测方法及系统，检测方法包括：获取布设在风管的声波传感器采集的声波信号；将声波信号转换成语谱图；将语谱图送入训练好的风管泄漏检测模型中，得到风管泄漏检测模型输出的泄漏信号检测结果，风管泄漏检测模型为多尺度mSLSDNet模型。与现有技术相比，本发明将声波信号转换为语谱图，利用深度学习模型进行风管泄漏的实时监测，实现了管道泄漏的快速、准确和可靠的检测，风管泄漏检测模型在主干网与循环双向特征聚合模块之间存在循环操作，能够重复应用特征聚合机制，实现双向跨尺度连接和循环特征加强，可通过时间步的展开不断强化主干网提取的多尺度特征，从而保证泄漏检测的精确性。

权利要求

1.一种风管泄漏信号检测方法，其特征在于，包括：

S1、获取布设在风管的声波传感器采集的声波信号；

S2、将所述声波信号转换成语谱图；

S3、将所述语谱图送入训练好的风管泄漏检测模型中，得到所述风管泄漏检测模型输出的泄漏信号检测结果；

所述风管泄漏检测模型为多尺度模型；所述风管泄漏检测模型包括主干网、循环双向特征聚合模块和预测网络；所述主干网的输入为语谱图，其输出为多尺度特征；所述循环双向特征聚合模块的输入为多尺度特征，其输出为多尺度聚合特征；所述预测网络的输入为多尺度聚合特征，其输出为泄漏信号检测结果；

所述主干网包括7个依次连接的下采样层，所述下采样层用于对其输入进行下采样得到特征，所述语谱图输入至主干网中第1层下采样层，所述主干网中第3层至第7层下采样层下的输出E3、E4、E5、E6、E7组合为多尺度特征；

所述循环双向特征聚合模块包括多个串联的BiFPN层，所述BiFPN层用于对不同尺度的特征进行特征融合，所述BiFPN层的输出为不同尺度的聚合特征；

所述主干网与循环双向特征聚合模块之间存在T次循环操作，T>0，每次循环中，所述循环双向特征聚合模块中最后一层BiFPN层的输出反馈至主干网，在第t次循环时，0

2.根据权利要求1所述的一种风管泄漏信号检测方法，其特征在于，所述主干网与循环双向特征聚合模块之间的循环操作的次数T的取值为2。

3.根据权利要求1所述的一种风管泄漏信号检测方法，其特征在于，将所述声波信号转换成语谱图具体为：用希尔伯特‑黄变换对采集到的声波信号进行处理，向原始的声波信号中增加HHT变换得到的瞬时频率，将具有瞬时频率特征的声波信号转换为语谱图。

4.根据权利要求1所述的一种风管泄漏信号检测方法，其特征在于，所述风管泄漏检测模型的预测网络为检测头网络，包括类预测网络和边界框预测网络。

5.根据权利要求1所述的一种风管泄漏信号检测方法，其特征在于，所述声波传感器的数量为多个，分别布设在风管的不同位置处，根据各个位置的声波信号的泄漏信号检测结果，确定风管上是否存在泄漏点以及泄漏点的位置。

6.一种风管泄漏信号检测系统，其特征在于，基于如权利要求1‑5中任一所述的一种风管泄漏信号检测方法，包括：采集模块，用于获取布设在风管的声波传感器采集的声波信号；

转换模块，用于将所述声波信号转换成语谱图；

识别模块，用于将所述语谱图送入训练好的风管泄漏检测模型中，得到所述风管泄漏检测模型输出的泄漏信号检测结果；

所述风管泄漏检测模型为多尺度模型；所述风管泄漏检测模型包括主干网、循环双向特征聚合模块和预测网络；所述主干网的输入为语谱图，其输出为多尺度特征；所述循环双向特征聚合模块的输入为多尺度特征，其输出为多尺度聚合特征；所述预测网络的输入为多尺度聚合特征，其输出为泄漏信号检测结果。

说明书

一种风管泄漏信号检测方法及系统

技术领域

[0001] 本发明涉及一种检测方法，尤其是涉及一种基于多尺度mSLSDNet模型的风管泄漏信号检测方法及系统。

背景技术

[0002] 管道运输是一种重要的运输方式，随着我国经济社会的发展，各种气体管道得到了广泛应用，但是管道的老化、突发性自然灾害及人为破坏等都会造成管道的泄漏乃至破裂，因此，在超低压气体管道运输过程中，管道的泄漏检测至关重要。

[0003] 现有的管道泄漏检测方法有两种：1）基于特征点的风管泄漏信号检测方法；2）基于互相关估计的风管泄漏检测方法。基于特征点的风管泄漏信号检测方法利用风管泄漏声波的信号能量、信号过零率和信号频谱分布等参数进行特征点发生时刻估计。该方法的特点是信噪比要求高，定位精度较低。基于互相关估计的风管泄漏检测方法把管道的泄漏声源定位的空间三维模型简化为沿直线的一维模型，运用时间延迟估计法，定位泄漏点位置。该方法的优势在于声波比较微弱时仍可适用。

[0004] 上述基于特征点的风管泄漏信号检测方法和基于互相关估计的风管泄漏信号检测方法均属于基于物理模型的方法，其缺点在于：1）泄漏点定位计算需要测量一些物理量；2）由于风管泄漏声波随距离衰减，距离越大，泄漏声波衰减越大，50米以后，高频声波衰减到接近背景噪声的水平，无论是时域分析还是频域分析，均难以准确的区分噪声和泄漏。

[0005] 因此，有必要进行非侵入式的、微弱信号下的泄漏检测的研究。

发明内容

[0006] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多尺度mSLSDNet模型的风管泄漏信号检测方法及系统。

[0007] 本发明的目的可以通过以下技术方案来实现：

[0008] 根据本发明的第一方面，提供一种风管泄漏信号检测方法，包括：

[0009] S1、获取布设在风管的声波传感器采集的声波信号；

[0010] S2、将所述声波信号转换成语谱图；

[0011] S3、将所述语谱图送入训练好的风管泄漏检测模型中，得到所述风管泄漏检测模型输出的泄漏信号检测结果；

[0012] 所述风管泄漏检测模型为多尺度mSLSDNet模型；所述风管泄漏检测模型包括主干网、循环双向特征聚合模块和预测网络；所述主干网的输入为语谱图，其输出为多尺度特征；所述循环双向特征聚合模块的输入为多尺度特征，其输出为多尺度聚合特征；所述预测网络的输入为多尺度聚合特征，其输出为泄漏信号检测结果。

[0013] 进一步地，所述主干网包括7个依次连接的下采样层，所述下采样层用于对其输入进行下采样得到特征，所述语谱图输入至主干网中第1层下采样层，所述主干网中第3层至第7层下采样层下的输出E3、E4、E5、E6、E7组合为多尺度特征。

[0014] 进一步地，所述循环双向特征聚合模块包括多个串联的BiFPN层，所述BiFPN层用于对不同尺度的特征进行特征融合，所述BiFPN层的输出为不同尺度的聚合特征。

[0015] 进一步地，所述主干网与循环双向特征聚合模块之间存在T次循环操作，T>0，每次循环中，所述循环双向特征聚合模块中最后一层BiFPN层的输出反馈至主干网，在第t次循环时，0

[0016] 进一步地，所述主干网与循环双向特征聚合模块之间的循环操作的次数T的取值为2。

[0017] 进一步地，将所述声波信号转换成语谱图具体为：

[0018] 用希尔伯特‑黄变换对采集到的声波信号进行处理，向原始的声波信号中增加HHT变换得到的瞬时频率，将具有瞬时频率特征的声波信号转换为语谱图。

[0019] 进一步地，所述风管泄漏检测模型的预测网络为检测头网络，包括类预测网络和边界框预测网络。

[0020] 进一步地，所述声波传感器的数量为多个，分别布设在风管的不同位置，根据各个位置的声波信号的泄漏信号检测结果，确定风管上是否存在泄漏点以及泄漏点的位置。

[0021] 根据本发明的第二方面，提供一种风管泄漏信号检测系统，基于上述的一种风管泄漏信号检测方法，包括：

[0022] 采集模块，用于获取布设在风管的声波传感器采集的声波信号；

[0023] 转换模块，用于将所述声波信号转换成语谱图；

[0024] 识别模块，用于将所述语谱图送入训练好的风管泄漏检测模型中，得到所述风管泄漏检测模型输出的泄漏信号检测结果；

[0025] 所述风管泄漏检测模型为多尺度mSLSDNet模型；所述风管泄漏检测模型包括主干网、循环双向特征聚合模块和预测网络；所述主干网的输入为语谱图，其输出为多尺度特征；所述循环双向特征聚合模块的输入为多尺度特征，其输出为多尺度聚合特征；所述预测网络的输入为多尺度聚合特征，其输出为泄漏信号检测结果。

[0026] 与现有技术相比，本发明具有以下有益效果：

[0027] （1）将声波信号转换为语谱图，利用深度学习模型进行风管泄漏的实时监测，实现了管道泄漏的快速、准确和可靠的检测，还能减少人工巡检成本。

[0028] （2）与基于物理模型方法不同的是，本申请采用声波传感器阵列进行非侵入式检测，无需破坏管道，能降低管道运行过程中的风险和运维难度，避免了物理量测量产生的误差和昂贵的人工成本，可移植性强，能适应用于更广泛的工业应用场景。

[0029] （3）风管泄漏检测模型主干网、循环双向特征聚合模块和预测网络，在主干网与循环双向特征聚合模块之间存在T次循环操作，能够重复应用特征聚合机制，实现双向跨尺度连接和循环特征加强，进一步加强提取的多尺度上下文特征，可通过时间步的展开不断强化主干网提取的多尺度特征，从而保证泄漏检测的精确性。

附图说明

[0030] 图1为风管泄漏检测方法的流程示意图；

[0031] 图2为风管泄漏检测模型的结构示意图；

[0032] 图3为主干网与循环双向特征聚合模块之间的反馈连接示意图；

[0033] 图4为风管上布设声波传感器的示意图。

具体实施方式

[0034] 下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例，本发明的保护范围不限于下述的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

[0035] 此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0036] 本说明书提供了如实施例或流程示意图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)或者调整没有时序限制的步骤的执行顺序。

[0037] 实施例1：

[0038] 本发明提供一种风管泄漏信号检测方法，如图1所示，包括以下步骤：

[0039] S1、获取布设在风管的声波传感器采集的声波信号；

[0040] S2、将声波信号转换成语谱图；

[0041] S3、将语谱图输入经过训练的风管泄漏检测模型中，得到风管泄漏检测模型输出的泄漏信号检测结果，其中，风管泄漏检测模型为多尺度mSLSDNet模型。

[0042] 将声波信号转换成语谱图具体为：采用希尔伯特‑黄变换（Hilbert‑Huang Transform，HHT）对采集到的声波信号进行处理，向原始的声波信号中增加HHT变换得到的瞬时频率，将具有瞬时频率特征的声波信号转换为语谱图，这里，HHT变换有助于声波信号极微弱情况下的泄漏起始点的检测。

[0043] 本申请中构建了多尺度mSLSDNet模型作为风管泄漏检测模型，风管泄漏检测模型mSLSDNet(multi‑Scale Leak Start Detection Network)的结构如图2所示，包括主干网(Backbone Network)、循环双向特征聚合模块（Recurrent Bi‑directional Feature Aggregation Module）和预测网络（Class/Box Prediction）；主干网的输入为语谱图，其输出为多尺度特征；循环双向特征聚合模块的输入为多尺度特征，其输出为多尺度聚合特征；预测网络的输入为多尺度聚合特征，其输出为泄漏信号检测结果。预测网络为检测头网络，包括类预测网络和边界框预测网络。本申请的基本原理是，将声波信号转换成语谱图（时间‑频率表示），风管泄漏会产生异常的声波信号，当异常声波信号传输至声波传感器时，会改变声波传感器采集的声波信号，并在语谱图上体现为频率、强度的变化，因此，可以通过图像识别找到语谱图上声波信号异常的时刻（即泄漏声波信号传输至声波传感器所在位置的时刻），判断泄漏的发生。具体的，可以将一个时段的声波信号转换成语谱图进行识别，判断是否存在异常来确定是否接收到泄漏声波信号，若存在异常，则根据语谱图上异常的时刻可以确定泄漏信号到达该位置的时刻，结合其他位置的声波传感器接收到泄漏信号的时刻，推测出泄漏点的位置。

[0044] 风管泄漏检测模型中，主干网为EfficientNet，包括7个依次连接的下采样层，下采样层用于对其输入进行下采样得到特征，语谱图输入至主干网中第1层下采样层，主干网中第3层至第7层下采样层下的输出E3、E4、E5、E6、E7组合为多尺度特征。循环双向特征聚合模块包括多个串联的BiFPN层（Bi‑directional Feature Pyramid Network），BiFPN层用于对不同尺度的特征进行特征融合，BiFPN层的输出为不同尺度的聚合特征。

[0045] 对于输入到主干网的语谱图，首先在第1层下采样层进行下采样，得到一个输出E1，然后将输出E1在第2层下采样层进行下采样，得到一个输出E2，继续进行，每个下采样层对其输入进行下采样得到新的特征，这样，包含多个下采样层的主干网可以得到不同层级的不同尺寸的特征。原始EfficientNet主干网的下采样次数为5次，分别获得E1，E2，E3，E4，E5，由于E1，E2只进行了较浅层的下采样，不具备较高的语义信息，作用不大，因此只保留第3层至第5层的特征E3、E4、E5，之后再对E5进行两次下采样得到E6、E7两个特征，至此，将主干网中第3层至第7层下采样层下的输出E3、E4、E5、E6、E7组合为多尺度特征。EfficientNet作为主干网可以放大网络的深度、宽度和语谱图的分辨率，本发明主要利用来自EfficientNet‑B0到B6的不同缩放系数的Imagenet预训练检查点作为骨干特征提取器，以充分利用不同尺寸的语谱图的视觉信息。

[0046] 而相较于其他特征融合方式，本申请中循环双向特征聚合模块RBFAM（Recurrent Bi‑directional Feature Aggregation Module）包括多个串联的BiFPN层，BiFPN层为多尺度特征融合，旨在聚合不同分辨率的特征，对主干网提出的多尺度上下文特征进行加强处理。

[0047] 此外，为进一步增强特征聚合，本申请在主干网与循环双向特征聚合模块之间存在T次循环操作，T>0，每次循环中，如图3所示，循环双向特征聚合模块中最后一层BiFPN层的多个输出反馈至主干网的对应下采样层，在第t次循环时，0

[0048] 循环双向特征聚合模块RBFAM分四个阶段运行：a）首先，RBFAM需要删除只有一个输入边的节点，因为单个特征输入边的节点对融合不同特征的特征网络贡献的信息不多；b）其次，将原始输入特征图中的额外边添加到同一层的每个输出特征图中，以实现在不添加任何可学习层的情况下组合更多信息；c)然后，将自上而下和自下而上的路径方式集成为RBFAM的一个特征层，并进一步循环使用这些层来学习密集的多尺度上下文信息；d) 最后，将学习到的密集的多尺度上下文信息进一步反馈到主干网。

[0049] 具体的，本申请实施例中，BiFPN层有2层，循环意味着在双向BiFPN和主干网之间增加了一个反馈链接。增加的反馈链使得主干网中的 E3、E4、E5、E6、E7与双向BiFPN中的每一层形成一个环，使得泄漏检测模型mSLSDNet可以重复应用特征聚合机制。

[0050] 展开来说，循环双向特征聚合模块包括输入节点层、第一融合节点层、第二融合节点层、第三融合节点层和第四融合节点层；

[0051] 输入节点层包括节点C3、节点C4、节点C5、节点C6、节点C7，第一融合节点层包括节点G1、节点H1、节点I1，第二融合节点层包括节点F1、节点G2、节点H2、节点I2、节点J1，第三融合节点层包括节点G3、节点H3、节点I3，第四融合节点层包括节点F2、节点G4、节点H4、节点I4、节点J2，第一融合节点层、第二融合节点层、第三融合节点层和第四融合节点层的节点用于将其多个输入融合为一个输出值；

[0052] 节点C3、节点C4、节点C5、节点C6、节点C7的输入分别为E3、E4、E5、E6、E7，输入节点层的节点用于将其输入传输至第一融合节点层、第二融合节点层；

[0053] 节点G1的输入为节点C7的输出的上采样结果和节点C6的输出，节点H1的输入为节点G1的输出的上采样结果和节点C5的输出，节点I1的输入为节点H1的输出的上采样结果和节点C4的输出；

[0054] 节点F1的输入为节点G2的输出的下采样结果和节点C7的输出，节点G2的输入为节点H2的输出的下采样结果、节点G1的输出和节点C6的输出，节点H2的输入为节点I2的输出的下采样结果、节点H2的输出和节点C5的输出，节点I2的输入为节点J1的输出的下采样结果、节点I1的输出和节点C4的输出，节点J1的输入为节点I1的输出的上采样结果和节点C3的输出；

[0055] 节点G3的输入为节点F1的输出的上采样结果和节点G2的输出，节点H3的输入为节点G3的输出的上采样结果和节点H2的输出，节点I3的输入为节点H3的输出的上采样结果和节点I2的输出；

[0056] 节点F2的输入为节点G4的输出的下采样结果和节点F1的输出，节点G4的输入为节点H4的输出的下采样结果、节点G3的输出和节点G2的输出，节点H4的输入为节点II的输出的下采样结果、节点H3的输出和节点H2的输出，节点I4的输入为节点J2的输出的下采样结果、节点I3的输出和节点I2的输出，节点J2的输入为节点I3的输出的上采样结果和节点J1的输出；

[0057] 在第t次循环时，节点F2的输出与第6层下采样层的输出的下采样结果融合作为第7层下采样层的输出E7，节点G4的输出与第5层下采样层的输出的下采样结果融合作为第6层下采样层的输出E6，节点H4的输出与第4层下采样层的输出的下采样结果融合作为第5层下采样层的输出E5，节点I4的输出与第3层下采样层的输出的下采样结果融合作为第4层下采样层的输出E4，节点J2的输出与第2层下采样层的输出的下采样结果融合作为第3层下采样层的输出E3。

[0058] 本申请实施例中，以初始间距为30米，靠近风管末端的间距设置为10米的非均匀方式，在风管上布设合适数量的声波传感器，形成一个声波传感器阵列，确定各个声波传感器的具体位置以及声波传感器支架的间距。根据各个位置的声波信号的泄漏信号检测结果，确定风管上是否存在泄漏点以及泄漏点的位置。如图4所示，声波传感器A和声波传感器B均检测到泄漏信号且泄漏信号抵达声波传感器A和声波传感器B的时刻已确定，可以根据时间差判断具体距声波传感器A和声波传感器B的距离，这样，就可以根据声波传感器A和声波传感器B的位置确定泄漏点的位置。

[0059] 上述风管泄漏检测模型的训练过程与常规的机器学习模型训练相同，获取带有泄漏信号的声波信号转换成语谱图，人工标注泄漏点的起始位置，构建训练集，如果样本数量较少，还可以使用仿真手段生成泄漏信号叠加到正常情况采集的声波信号中；完成训练集构建后，即开始进行模型训练，调整模型参数，直至模型准确率达到要求。可以将每个声波传感器的声波信号转换成语谱图后分别送入风管泄漏检测模型，用于实时监测风管管道泄漏。当检测到管道泄漏时，报警系统会发出警报，提醒操作人员及时进行修复。此外，样本上除了标注泄漏起始位置外，还可以给样本进一步添加标签，如泄漏孔径区间、管道压力区间、泄漏点位置等，这样不仅能识别泄漏，还能给出泄漏类型的识别。

[0060] 本发明还提供一种风管泄漏信号检测系统，基于上述的一种风管泄漏信号检测方法，包括：

[0061] 采集模块，用于获取布设在风管的声波传感器采集的声波信号；

[0062] 转换模块，用于将声波信号转换成语谱图；

[0063] 识别模块，用于将语谱图送入训练好的风管泄漏检测模型中，得到风管泄漏检测模型输出的泄漏信号检测结果，其中，风管泄漏检测模型为多尺度mSLSDNet模型。

[0064] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0065] 以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。