排水管道智能监测系统及其方法

技术领域

本申请涉及智能监测领域，且更为具体地，涉及一种排水管道智能监测系统及其方法。

背景技术

排水管道在长期使用过程中会存在疲劳、老化等问题，容易导致裂缝的产生，而裂缝的存在可能会影响排水管道的正常运行甚至造成严重事故。因此，实时准确地监测排水管道的裂缝情况对于安全运营和维护至关重要。

目前，传统的排水管道检测方式是通过人工使用仪器进行半自动化检测，这种方式不仅需要浪费大量人力，智能化程度较低，而且由于排水管道大都较长，且裂缝情况会随着时间的推移而发生改变，因而需要在多个位置处反复进行检测，以此来得到准确有效的排水管道裂缝数据，才能为管道运维人员提供可靠的参考信息。

因此，期望一种优化的排水管道智能监测系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种排水管道智能监测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出裂缝参数中的各个数据项之间具的时序动态关联变化特征信息，以此来实现对排水管道裂缝情况进行快速准确地评估，并为管道运维人员提供可靠的参考信息。

根据本申请的一个方面，提供了一种排水管道智能监测系统，其包括：

数据采集模块，用于获取由裂缝计采集的排水管道的监测位置在多个预定时间点的裂缝参数，所述裂缝参数包括裂缝的长度、深度和宽度；

裂缝参数关联模块，用于将所述多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器以得到多个裂缝参数关联特征向量；

裂缝参数时序变化模块，用于将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵；以及

维修评估模块，用于将所述多尺度裂缝参数关联时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需维修。

在上述排水管道智能监测系统中，所述裂缝参数关联模块，用于：使用所述深度神经网络模型的全连接层以如下公式对所述多个预定时间点的裂缝参数进行全连接编码以得到所述多个裂缝参数关联特征向量，其中，所述公式为：Y＝W

在上述排水管道智能监测系统中，所述第一卷积神经网络模型使用具有第一尺度的二维卷积核，所述第二卷积神经网络模型使用具有第二尺度的二维卷积核，所述第一尺度不等于所述第二尺度。

在上述排水管道智能监测系统中，所述裂缝参数时序变化模块，包括：裂缝参数全局关联排列单元，用于将所述多个裂缝参数关联特征向量排列为二维特征矩阵以得到裂缝参数全局关联矩阵；第一尺度裂缝参数时序变化单元，用于将所述裂缝参数全局关联矩阵通过所述集成网络模型的第一卷积神经网络模型以得到第一尺度子特征矩阵；第二尺度裂缝参数时序变化单元，用于将所述裂缝参数全局关联矩阵通过所述集成网络模型的第二卷积神经网络模型以得到第二尺度子特征矩阵；以及，多尺度融合单元，用于将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度裂缝参数关联时序特征矩阵。

在上述排水管道智能监测系统中，所述第一尺度裂缝参数时序变化单元，用于：使用所述集成网络模型的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一尺度子特征矩阵，所述第一卷积神经网络的第一层的输入为所述裂缝参数全局关联矩阵。

在上述排水管道智能监测系统中，所述第二尺度裂缝参数时序变化单元，用于:使用所述集成网络模型的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二尺度子特征矩阵，所述第二卷积神经网络的第一层的输入为所述裂缝参数全局关联矩阵。

在上述排水管道智能监测系统中，所述多尺度融合单元，用于：以如下优化公式对所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述多尺度裂缝参数关联时序特征矩阵；其中，所述优化公式为：

其中，M

在上述排水管道智能监测系统中，所述维修评估模块，包括：展开单元，用于将所述多尺度裂缝参数关联时序特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一方面，提供了一种排水管道智能监测方法，其包括：

获取由裂缝计采集的排水管道的监测位置在多个预定时间点的裂缝参数，所述裂缝参数包括裂缝的长度、深度和宽度；

将所述多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器以得到多个裂缝参数关联特征向量；

将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵；以及

将所述多尺度裂缝参数关联时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需维修。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的排水管道智能监测方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的排水管道智能监测方法。

与现有技术相比，本申请提供的一种排水管道智能监测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出裂缝参数中的各个数据项之间具的时序动态关联变化特征信息，以此来实现对排水管道裂缝情况进行快速准确地评估，并为管道运维人员提供可靠的参考信息。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的排水管道智能监测系统的框图；

图2为根据本申请实施例的排水管道智能监测系统的系统架构图；

图3为根据本申请实施例的排水管道智能监测系统中裂缝参数时序变化模块的框图；

图4为根据本申请实施例的排水管道智能监测系统中维修评估模块的框图；

图5为根据本申请实施例的排水管道智能监测方法的流程图；

图6为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

如前背景技术所言，目前，传统的排水管道检测方式是通过人工使用仪器进行半自动化检测，这种方式不仅需要浪费大量人力，智能化程度较低，而且由于排水管道大都较长，且裂缝情况会随着时间的推移而发生改变，因而需要在多个位置处反复进行检测，以此来得到准确有效的排水管道裂缝数据，才能为管道运维人员提供可靠的参考信息。因此，期望一种优化的排水管道智能监测系统。

相应地，考虑到在实际进行排水管道的裂缝检测评估过程中，裂缝较小时不会影响排水管道的正常运行，而到裂缝随着时间推移到一定程度时则需要进行维修，以此来避免造成严重事故，而影响裂缝的因素包括裂缝长度、深度和宽度。基于此，在本申请的技术方案中，期望应用裂缝计来进行排水管道的裂缝参数数据监测，以此来精准地进行排水管道裂缝情况评估。但是，由于裂缝参数中的各个数据项之间具有着关联关系，也就是说，当裂缝变大时，裂缝的长度、深度和宽度具有着相当程度的关联，并且裂缝参数中的各个数据项在时间维度上还具有着时序的协同关联变化特性。因此，在此过程中，难点在于如何挖掘所述裂缝参数协同关联特征之间的时序动态变化特征信息，以此来实现对排水管道裂缝情况进行快速准确地评估，并为管道运维人员提供可靠的参考信息。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述裂缝参数协同关联特征之间的时序动态变化特征信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，通过裂缝计采集排水管道的监测位置在多个预定时间点的裂缝参数，所述裂缝参数包括裂缝的长度、深度和宽度。接着，考虑到由于裂缝的形成和发展是一个动态过程，所述裂缝参数中的各个数据项之间存在着复杂的时空关系，而这些关系往往难以通过简单的数学模型来描述。因此，在本申请的技术方案中，为了能够进行所述裂缝参数中的各个数据项的时序协同关联特征的充分表达，需要将所述多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器中进行特征提取，以提取出每个预定时间点下关于所述裂缝参数的各个数据项之间的高维隐含关联特征信息，从而得到多个裂缝参数关联特征向量。

然后，还考虑到由于所述裂缝参数在时间维度上具有着时序动态变化规律，并且这种变化规律在不同的时间周期跨度下呈现出不同的变化模式特征。也就是说，所述各个预定时间点下的关于所述裂缝参数的各个数据项之间的高维隐含关联特征之间具有着时序动态关联特征信息，同时由于裂缝的形成波动性和不确定性，使得这种关联特征在不同的时间跨度下具有着不同的动态变化特征。因此，在本申请的技术方案中，为了能够进行所述裂缝参数的时序动态特征的充分表达，进一步将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵。特别地，这里，所述第一卷积神经网络模型和所述第二卷积神经网络模型具有不同的特征感受野。具体地，所述第一卷积神经网络模型使用具有第一尺度的二维卷积核，所述第二卷积神经网络模型使用具有第二尺度的二维卷积核，且所述第一尺度不等于所述第二尺度。应可以理解，使用不同尺度的二维卷积核来进行所述二维特征矩阵的特征挖掘，以此来提取出所述裂缝参数的各个数据项之间的高维隐含关联特征在不同时间跨度下的动态变化关联特征信息。

进一步地，再将所述多尺度裂缝参数关联时序特征矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需维修。也就是，在本申请的技术方案中，所述分类器的标签包括需要维修(第一标签)，以及，不需要维修(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否需维修”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否需维修的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否需维修”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为是否需维修的评估判断标签，因此，在得到所述分类结果后，可基于所述分类结果来对排水管道裂缝情况进行快速准确地评估，并为管道运维人员提供可靠的参考信息。

特别地，在本申请的技术方案中，这里，在将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵时，如果能够提升所述多尺度裂缝参数关联时序特征矩阵对于所述二维特征矩阵分别通过第一卷积神经网络和第二卷积神经网络获得第一尺度子特征矩阵和第二尺度子特征矩阵的基于特征尺度的融合效果，则能够提升所述多尺度裂缝参数关联时序特征矩阵的表达效果，从而提升所述多尺度裂缝参数关联时序特征矩阵通过分类器的分类结果的准确性。

因此，在本申请的技术方案中，优选地对所述第一尺度子特征矩阵，例如记为M

μ和σ分别是的特征集合(即，所述第一尺度子特征矩阵M

这里，所述基于尺度认知的高斯联合密度融合考虑到待融合特征的尺度最优表达特性，为了提高特征融合的有效性和相对于待融合特征的泛化性能，将具有尺度认知的高斯联合密度作为优势函数(advantage function)，来对基于均值和方差的特征分布的类表现差异(performance gap)进行策略表达(policy representation)，从而提升特征融合的特征-尺度自依赖性，以实现所述多尺度裂缝参数关联时序特征矩阵对所述第一尺度子特征矩阵和所述第二尺度子特征矩阵的基于特征尺度的特征融合效果。这样，提升了所述多尺度裂缝参数关联时序特征矩阵的表达效果，从而提升了所述多尺度裂缝参数关联时序特征矩阵通过分类器得到的分类结果的准确性。这样，能够智能化地实现对排水管道裂缝情况的快速准确评估，并为管道运维人员提供可靠的参考信息。

基于此，本申请提出了一种排水管道智能监测系统，其包括：数据采集模块，用于获取由裂缝计采集的排水管道的监测位置在多个预定时间点的裂缝参数，所述裂缝参数包括裂缝的长度、深度和宽度；裂缝参数关联模块，用于将所述多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器以得到多个裂缝参数关联特征向量；裂缝参数时序变化模块，用于将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵；以及，维修评估模块，用于将所述多尺度裂缝参数关联时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需维修。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图1为根据本申请实施例的排水管道智能监测系统的框图。如图1所示，根据本申请实施例的排水管道智能监测系统300，包括：数据采集模块310；裂缝参数关联模块320；裂缝参数时序变化模块330；以及，维修评估模块340。

其中，所述数据采集模块310，用于获取由裂缝计采集的排水管道的监测位置在多个预定时间点的裂缝参数，所述裂缝参数包括裂缝的长度、深度和宽度；所述裂缝参数关联模块320，用于将所述多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器以得到多个裂缝参数关联特征向量；所述裂缝参数时序变化模块330，用于将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵；以及，所述维修评估模块340，用于将所述多尺度裂缝参数关联时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需维修。

图2为根据本申请实施例的排水管道智能监测系统的系统架构图。如图2所示，在该网络架构中，首先通过所述数据采集模块310获取由裂缝计采集的排水管道的监测位置在多个预定时间点的裂缝参数，所述裂缝参数包括裂缝的长度、深度和宽度；接着，所述裂缝参数关联模块320将所述数据采集模块310获取的多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器以得到多个裂缝参数关联特征向量；然后，所述裂缝参数时序变化模块330将所述裂缝参数关联模块320得到的多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵；进而，所述维修评估模块340将所述多尺度裂缝参数关联时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需维修。

具体地，在所述排水管道智能监测系统300的运行过程中，所述数据采集模块310，用于获取由裂缝计采集的排水管道的监测位置在多个预定时间点的裂缝参数，所述裂缝参数包括裂缝的长度、深度和宽度。应可以理解，在实际进行排水管道的裂缝检测评估过程中，考虑到影响管道裂缝的因素包括裂缝长度、深度和宽度。因此，在本申请的技术方案中，可通过裂缝计来对排水管道的裂缝进行数据监测，以此来精准地进行排水管道裂缝情况评估。

具体地，在所述排水管道智能监测系统300的运行过程中，所述裂缝参数关联模块320，用于将所述多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器以得到多个裂缝参数关联特征向量。在本申请的技术方案中，考虑到由于裂缝的形成和发展是一个动态过程，所述裂缝参数中的各个数据项之间存在着复杂的时空关系，而这些关系往往难以通过简单的数学模型来描述。因此，在本申请的技术方案中，为了能够进行所述裂缝参数中的各个数据项的时序协同关联特征的充分表达，需要将所述多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器中进行特征提取，以提取出每个预定时间点下关于所述裂缝参数的各个数据项之间的高维隐含关联特征信息，从而得到多个裂缝参数关联特征向量。在一个具体示例中，可通过使用所述深度神经网络模型的全连接层以如下公式对所述多个预定时间点的裂缝参数进行全连接编码以得到所述多个裂缝参数关联特征向量，其中，所述公式为：Y＝W

具体地，在所述排水管道智能监测系统300的运行过程中，所述裂缝参数时序变化模块330，用于将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵。考虑到由于所述裂缝参数在时间维度上具有着时序动态变化规律，并且这种变化规律在不同的时间周期跨度下呈现出不同的变化模式特征。也就是说，所述各个预定时间点下的关于所述裂缝参数的各个数据项之间的高维隐含关联特征之间具有着时序动态关联特征信息，同时由于裂缝的形成波动性和不确定性，使得这种关联特征在不同的时间跨度下具有着不同的动态变化特征。因此，在本申请的技术方案中，为了能够进行所述裂缝参数的时序动态特征的充分表达，进一步将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵。特别地，这里，所述第一卷积神经网络模型和所述第二卷积神经网络模型具有不同的特征感受野。具体地，所述第一卷积神经网络模型使用具有第一尺度的二维卷积核，所述第二卷积神经网络模型使用具有第二尺度的二维卷积核，且所述第一尺度不等于所述第二尺度。应可以理解，使用不同尺度的二维卷积核来进行所述二维特征矩阵的特征挖掘，以此来提取出所述裂缝参数的各个数据项之间的高维隐含关联特征在不同时间跨度下的动态变化关联特征信息。也就是，使用所述第一卷积神经网络模型和所述第二卷积神经网络模型分别对所述多个裂缝参数关联特征向量排列得到的二维特征矩阵进行卷积编码后再进行融合以得到多尺度裂缝参数关联时序特征矩阵。在一个示例中，所述第一卷积神经网络模型和所述第二卷积神经网络模型包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述第一卷积神经网络和所述第二卷积神经网络的编码过程中，所述第一卷积神经网络和所述第二卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。特别地，在本申请的技术方案中，这里，在将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵时，如果能够提升所述多尺度裂缝参数关联时序特征矩阵对于所述二维特征矩阵分别通过第一卷积神经网络和第二卷积神经网络获得第一尺度子特征矩阵和第二尺度子特征矩阵的基于特征尺度的融合效果，则能够提升所述多尺度裂缝参数关联时序特征矩阵的表达效果，从而提升所述多尺度裂缝参数关联时序特征矩阵通过分类器的分类结果的准确性。因此，在本申请的技术方案中，优选地对所述第一尺度子特征矩阵，例如记为M

其中，M

图3为根据本申请实施例的排水管道智能监测系统中裂缝参数时序变化模块的框图。如图3所示，所述裂缝参数时序变化模块330，包括：裂缝参数全局关联排列单元331，用于将所述多个裂缝参数关联特征向量排列为二维特征矩阵以得到裂缝参数全局关联矩阵；第一尺度裂缝参数时序变化单元332，用于将所述裂缝参数全局关联矩阵通过所述集成网络模型的第一卷积神经网络模型以得到第一尺度子特征矩阵；第二尺度裂缝参数时序变化单元333，用于将所述裂缝参数全局关联矩阵通过所述集成网络模型的第二卷积神经网络模型以得到第二尺度子特征矩阵；以及，多尺度融合单元334，用于将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度裂缝参数关联时序特征矩阵。

具体地，在所述排水管道智能监测系统300的运行过程中，所述维修评估模块340，用于将所述多尺度裂缝参数关联时序特征矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需维修。也就是，在得到所述多尺度裂缝参数关联时序特征矩阵后进一步将其通过分类器以得到所述用于表示是否需维修的分类结果，具体地。使用所述分类器以如下公式对所述多尺度裂缝参数关联时序特征矩阵进行处理以获得分类结果，其中，所述公式为：

O＝softmax{(W

图4为根据本申请实施例的排水管道智能监测系统中维修评估模块的框图。如图4所示，所述维修评估模块340，包括：展开单元341，用于将所述多尺度裂缝参数关联时序特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元342，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元343，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上，根据本申请实施例的排水管道智能监测系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出裂缝参数中的各个数据项之间具的时序动态关联变化特征信息，以此来实现对排水管道裂缝情况进行快速准确地评估，并为管道运维人员提供可靠的参考信息。

如上所述，根据本申请实施例的排水管道智能监测系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的排水管道智能监测系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该排水管道智能监测系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该排水管道智能监测系统300同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该排水管道智能监测系统300与该终端设备也可以是分立的设备，并且该排水管道智能监测系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图5为根据本申请实施例的排水管道智能监测方法的流程图。如图5所示，根据本申请实施例的排水管道智能监测方法，包括步骤：S110，获取由裂缝计采集的排水管道的监测位置在多个预定时间点的裂缝参数，所述裂缝参数包括裂缝的长度、深度和宽度；S120，将所述多个预定时间点的裂缝参数通过包含多个全连接层的裂缝参数特征提取器以得到多个裂缝参数关联特征向量；S130，将所述多个裂缝参数关联特征向量排列为二维特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成网络模型以得到多尺度裂缝参数关联时序特征矩阵；以及，S140，将所述多尺度裂缝参数关联时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否需维修。

在一个示例中，在上述排水管道智能监测方法中，所述步骤S120，包括：使用所述深度神经网络模型的全连接层以如下公式对所述多个预定时间点的裂缝参数进行全连接编码以得到所述多个裂缝参数关联特征向量，其中，所述公式为：Y＝W

在一个示例中，在上述排水管道智能监测方法中，所述步骤S130，包括：将所述多个裂缝参数关联特征向量排列为二维特征矩阵以得到裂缝参数全局关联矩阵；将所述裂缝参数全局关联矩阵通过所述集成网络模型的第一卷积神经网络模型以得到第一尺度子特征矩阵；将所述裂缝参数全局关联矩阵通过所述集成网络模型的第二卷积神经网络模型以得到第二尺度子特征矩阵；以及，将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度裂缝参数关联时序特征矩阵。其中，所述第一卷积神经网络模型使用具有第一尺度的二维卷积核，所述第二卷积神经网络模型使用具有第二尺度的二维卷积核，所述第一尺度不等于所述第二尺度。更具体地，将所述裂缝参数全局关联矩阵通过所述集成网络模型的第一卷积神经网络模型以得到第一尺度子特征矩阵，包括：使用所述集成网络模型的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一尺度子特征矩阵，所述第一卷积神经网络的第一层的输入为所述裂缝参数全局关联矩阵；以及，将所述裂缝参数全局关联矩阵通过所述集成网络模型的第二卷积神经网络模型以得到第二尺度子特征矩阵，包括：使用所述集成网络模型的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二尺度子特征矩阵，所述第二卷积神经网络的第一层的输入为所述裂缝参数全局关联矩阵。更具体地，将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度裂缝参数关联时序特征矩阵，包括：以如下优化公式对所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述多尺度裂缝参数关联时序特征矩阵；其中，所述优化公式为：

其中，M

在一个示例中，在上述排水管道智能监测方法中，所述步骤S140，包括：将所述多尺度裂缝参数关联时序特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上，根据本申请实施例的排水管道智能监测方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出裂缝参数中的各个数据项之间具的时序动态关联变化特征信息，以此来实现对排水管道裂缝情况进行快速准确地评估，并为管道运维人员提供可靠的参考信息。

示例性电子设备

下面，参考图6来描述根据本申请实施例的电子设备。

图6图示了根据本申请实施例的电子设备的框图。

如图6所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的排水管道智能监测系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如多尺度裂缝参数关联时序特征矩阵等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的排水管道智能监测方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的排水管道智能监测方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。