本發明涉及管道缺陷檢測，特別是指一種管道缺陷識別方法、裝置、存儲介質及設備。

背景技術：

1、隨著城市供水管網的快速發展，管道老化、腐蝕和缺陷問題逐漸加劇，導致供水管道漏損率居高不下，給水資源管理和城市運行帶來嚴峻挑戰。據統計，全球供水管網存在較高的漏損率，部分老舊管網區域的漏損情況尤為嚴重，導致大量水資源浪費。此外，供水管道漏損還容易引發次生災害，例如道路塌陷、地基破壞和地下水污染等問題，嚴重影響城市安全運行。因此，如何高效、準確地檢測供水管網的缺陷與漏損，已成為亟需解決的重要問題。

2、目前，供水管道缺陷檢測的技術主要包括聲學信號檢測和光學圖像檢測等手段，但這些技術在實際應用中存在明顯局限性。聲學識別方法主要基于管道漏損產生的振動與噪聲信號，常用的手段包括聽音檢漏法和基于傳感器的聲學信號分析。然而，這些方法易受環境噪聲干擾，導致識別結果不穩定。此外，現有聲學信號處理方法多依賴人工提取特征，傳統的小波變換、傅里葉變換等方法對噪聲的抑制能力有限，難以適應復雜工況下的高精度檢測需求。另一方面，光學圖像檢測手段雖然可以直觀識別管道表面缺陷，但在低光照條件或管道內部復雜結構下，圖像質量受限，難以捕捉深層次的缺陷信息，且光學檢測對設備成本和施工條件要求較高，限制了大規模推廣應用。

技術實現思路

1、為解決現有技術的缺陷，本發明提供一種管道缺陷識別方法、裝置、存儲介質及設備，充分利用聲譜圖與時序信號的互補信息，以克服單一識別模態的局限性，提高了管道缺陷檢測的準確性與魯棒性。

2、本發明提供技術方案如下：

3、第一方面，本發明提供一種管道缺陷識別方法，所述方法包括：

4、s1：獲取由布設在管道的內壁和/或外壁上的聲學傳感器采集的時序聲音信號；

5、s2：對所述時序聲音信號進行聲譜圖提取，得到mel譜圖和lofar譜圖；

6、s3：通過構建的多模態信號融合的深度學習模型對所述mel譜圖、lofar譜圖和時序聲音信號進行特征提取，得到包含譜圖特征和時序特征的特征向量，并根據所述特征向量進行分類，得到管道缺陷的分類結果。

7、進一步的，所述s3包括：

8、s31：通過兩層卷積對所述mel譜圖進行特征提取，得到mel譜圖特征；

9、s32：通過頻域注意力機制對所述lofar譜圖進行特征增強，再通過卷積進行特征提取，得到lofar譜圖特征；

10、s33：將所述mel譜圖特征和lofar譜圖特征在通道維度上進行拼接，得到拼接特征；

11、s34：通過殘差網絡對所述拼接特征進行特征提取，得到融合譜圖特征；

12、s35：通過長短期記憶網絡對所述時序聲音信號進行時序特征提取，得到時序特征；

13、s36：將所述融合譜圖特征和時序特征在通道維度上進行拼接，得到所述特征向量；

14、s37：將所述特征向量輸入人工神經網絡模型進行處理，得到管道缺陷的分類結果。

15、進一步的，所述聲學傳感器采用具有寬頻響應特性的聲學傳感器，采樣率設定為8khz及以上，所述聲學傳感器的布設間隔為1米至5米，通過實時采集設備記錄所述聲學傳感器捕獲的原始聲學信號，生成連續的時序聲音信號。

16、進一步的，所述s2包括：

17、s21：將所述時序聲音信號劃分為固定長度的信號幀，相鄰兩信號幀之間具有設定比例的重疊，使用漢明窗對每個信號幀進行加窗處理；

18、s22：對加窗后的信號幀進行快速傅里葉變換，將時域信號轉換為頻域信號；

19、s23：使用mel濾波器組對頻域信號進行處理，計算每個濾波器的輸出能量，得到mel譜圖；

20、s24：對頻域信號的低頻信號的功率譜密度進行統計分析，提取低頻特征，得到lofar譜圖。

21、進一步的，所述多模態信號融合的深度學習模型通過如下步驟訓練得到：

22、對采集到的時序聲音信號組成的數據集進行劃分，按照8：2的比例生成訓練集和驗證集；

23、使用訓練集對所述多模態信號融合的深度學習模型進行訓練；

24、其中，訓練時采用adam優化器，始學習率為0.001，動量參數設置為β1=0.9，β2=0.999，采用交叉熵損失函數作為目標函數，通過多輪迭代優化所述多模態信號融合的深度學習模型的參數；

25、使用所述驗證集評估訓練的多模態信號融合的深度學習模型的性能。

26、第二方面，本發明提供一種管道缺陷識別裝置，所述裝置包括：

27、聲音信號采集模塊，用于獲取由布設在管道的內壁和/或外壁上的聲學傳感器采集的時序聲音信號；

28、聲譜圖提取模塊，用于對所述時序聲音信號進行聲譜圖提取，得到mel譜圖和lofar譜圖；

29、管道缺陷分類模塊，用于通過構建的多模態信號融合的深度學習模型對所述mel譜圖、lofar譜圖和時序聲音信號進行特征提取，得到包含譜圖特征和時序特征的特征向量，并根據所述特征向量進行分類，得到管道缺陷的分類結果。

30、進一步的，所述管道缺陷分類模塊包括：

31、mel譜圖特征提取單元，用于通過兩層卷積對所述mel譜圖進行特征提取，得到mel譜圖特征；

32、lofar譜圖特征提取單元，用于通過頻域注意力機制對所述lofar譜圖進行特征增強，再通過卷積進行特征提取，得到lofar譜圖特征；

33、譜圖特征融合單元，用于將所述mel譜圖特征和lofar譜圖特征在通道維度上進行拼接，得到拼接特征；

34、殘差網絡處理單元，用于通過殘差網絡對所述拼接特征進行特征提取，得到融合譜圖特征；

35、時序特征提取單元，用于通過長短期記憶網絡對所述時序聲音信號進行時序特征提取，得到時序特征；

36、中融合單元，用于將所述融合譜圖特征和時序特征在通道維度上進行拼接，得到所述特征向量；

37、管道缺陷分類單元，用于將所述特征向量輸入人工神經網絡模型進行處理，得到管道缺陷的分類結果。

38、進一步的，所述聲學傳感器采用具有寬頻響應特性的聲學傳感器，采樣率設定為8khz及以上，所述聲學傳感器的布設間隔為1米至5米，通過實時采集設備記錄所述聲學傳感器捕獲的原始聲學信號，生成連續的時序聲音信號。

39、進一步的，所述聲譜圖提取模塊包括：

40、分幀和加窗單元，用于將所述時序聲音信號劃分為固定長度的信號幀，相鄰兩信號幀之間具有設定比例的重疊，使用漢明窗對每個信號幀進行加窗處理；

41、傅里葉變換單元，用于對加窗后的信號幀進行快速傅里葉變換，將時域信號轉換為頻域信號；

42、mel譜圖提取單元，用于使用mel濾波器組對頻域信號進行處理，計算每個濾波器的輸出能量，得到mel譜圖；

43、lofar譜圖圖提取單元，用于對頻域信號的低頻信號的功率譜密度進行統計分析，提取低頻特征，得到lofar譜圖。

44、進一步的，所述多模態信號融合的深度學習模型通過如下過程訓練得到：

45、對采集到的時序聲音信號組成的數據集進行劃分，按照8：2的比例生成訓練集和驗證集；

46、使用訓練集對所述多模態信號融合的深度學習模型進行訓練；

47、其中，訓練時采用adam優化器，始學習率為0.001，動量參數設置為β1=0.9，β2=0.999，采用交叉熵損失函數作為目標函數，通過多輪迭代優化所述多模態信號融合的深度學習模型的參數；

48、使用所述驗證集評估訓練的多模態信號融合的深度學習模型的性能。

49、第三方面，本發明提供一種用于管道缺陷識別的計算機可讀存儲介質，包括用于存儲處理器可執行指令的存儲器，所述指令被所述處理器執行時實現包括第一方面所述的管道缺陷識別方法的步驟。

50、第四方面，本發明提供一種用于管道缺陷識別的設備，其特征在于，包括至少一個處理器以及存儲計算機可執行指令的存儲器，所述處理器執行所述指令時實現第一方面所述的管道缺陷識別方法的步驟。

51、本發明具有以下有益效果：

52、本發明將聲學信號提取為特征譜圖，通過卷積與注意力機制提取特征并進行拼接；原始時域信號輸入時序網絡提取動態特征；最終通過特征融合實現管道缺陷的高效識別與定位。本發明將聲學信號轉換為不同類型的譜圖，并結合原始時序信號，通過深度學習模型進行特征提取、融合與分類，解決了現有技術中識別精度低、魯棒性差的問題。本發明是一種融合多種信息、結合深度學習技術的智能識別方法，充分利用聲譜圖與時序信號的互補信息，以克服單一識別模態的局限性，提高了管道缺陷檢測的準確性與魯棒性，適應復雜工況下的管道缺陷檢測需求。