【技术实现步骤摘要】
本专利技术涉及结构性水域渗漏检测领域，尤其涉及一种基于深度学习的水下渗漏声音识别方法。
技术介绍
1、现阶段的水池结构性渗漏检测主要有两种方案，分别是水听器方案和电极法方案，这两种方案在实际应用中各有其优缺点，适用于不同的情况。下面是这两种方案的详细描述：
2、1.水听器方案：水听器方案通过将水听器放置于水池中，利用水听器监听水下环境中的噪声变化，特别是渗漏时产生的水流声、气泡声等声音特征。这种方案的基本原理是利用水池内渗漏所引起的水流扰动或气泡的产生来分析渗漏的可能性。其优点是水听器方案操作相对简单，不需要复杂的设备，工人可以在水池周围通过听音来判断是否存在渗漏。该方案对水池的结构没有特别要求，适用于各种类型的水池渗漏检测。但由于依赖人工听音，存在较强的主观因素，工人的听力、经验以及情绪等都可能影响判断的准确性。不同工人或在不同环境下，水听器方案的结果可能存在差异，缺乏标准化和一致性。同时，即使能听到渗漏的声音，无法确定具体的渗漏位置，通常只能给出大致的区域。
3、2.电极法方案：电极法方案通过设置两个发送电极a和b，分别连接在水池的上下游或水池的不同区域，通过发送可调压的特殊频率信号，并通过接收机与多个水下探头来监测这些信号的变化，从而判断渗漏位置。但电极法的检测过程相对复杂，需要在水池的不同区域布置多个电极，并对水池的整体进行逐一扫描和分析，检测过程较为繁琐且耗时。且一套电极法检测系统通常由多个探头、电极、发送机、接收机等组成，因此其设备投资较大，且需要专业人员进行操作和维护，增加了初期投入和后期维
技术实现思路
1、本专利技术针对现有水听器方案需要人工判断是否存在渗漏以及电极法方案测量过程比较繁琐、耗时长的问题，提出一种基于深度学习的水下渗漏声音识别方法，所述方法包括：
2、s1：采集不同环境下的水下声音信号；
3、s2：分别提取正常环境和渗漏环境下的声音信号的有效区间特征；
4、s3：构建深度学习网络模型；
5、s4：训练提取的信号的有效区间特征，将训练的信号输入至深度学习网络模型，获取声音识别模型；
6、s5：根据识别模型判断是否存在渗漏情况，如果没有渗漏则直接显示结果；
7、s6：若存在渗漏情况，通过声源定位技术确定渗漏点的位置。
8、进一步的，还提出一种优选方式，步骤s1包括：通过水声传感器对不同环境的水下声音信号进行采集，通过传感器前置放大与滤波电路或外接的放大器和滤波器对声音信号进行预处理，并传输至上位机。
9、进一步的，还提出一种优选方式，步骤s2包括：
10、s21：对声音信号进行短时傅里叶变换，将音频信号从时域转换到频域，得到声音信号的声学特征；
11、s21：将正常的水下声音信号的短时傅里叶变换结果与存在渗漏情况的水下声音信号的短时傅里叶变换结果做差得到特征值m；
12、s23：设置阈值t，在特征值m中查找大于阈值t的区间；
13、s24：选取区间中的声学特征作为有效区间特征。
14、进一步的，还提出一种优选方式，步骤s3中深度学习网络模型包括多个卷积层和池化层堆叠，所述卷积层用于提取局部特征，所述池化层用于下采样；
15、所述卷积层包括：使用(3，3)的卷积核，在频率和时间两个维度上捕捉局部特征；第一层卷积从1个输入通道开始，后面的卷积层增加通道数，逐渐从低级特征提取到高级特征；使用relu作为激活函数；并在每一层卷积后进行批归一化；
16、所述每个卷积层后接一个池化层，池化窗口大小为(2，2)；
17、采用softmax作为激活函数，将输出值转化为概率分布。
18、进一步的，还提出一种优选方式，步骤s4包括：
19、将声音数据样本分成三份，分别为训练集，验证集和测试集，比例为8：1：1，并进行十折交叉验证；
20、在训练集上模型拟合声音数据样本，通过识别率是否达到所设阈值判断模型是否达到所需标准；
21、若没有达到所需的标准将返回继续学习，若达到所需的标准则通过验证集对深度学习网络模型进行验证；
22、验证集调整模型的超参数和对模型的能力进行初步评估，同时根据识别率是否达到所设阈值判断模型是否达到所需标准；
23、若没有达到阈值要求则将返回继续学习，若达到阈值要求则进行测试；
24、测试集用于评估深度学习网络模型的泛化能力，若泛化能力达到预设阈值则训练结束，否则返回重新训练。
25、进一步的，还提出一种优选方式，步骤s6包括：
26、使用多个水听器组成阵列，对水下信号进行测量；
27、比较不同水听器中信号的到达时间，计算信号到达的时间差；
28、根据到达时间差的结果，通过三角几何推导渗漏点声源的位置。
29、进一步的，还提出一种优选方式，所述水听器采用均匀面阵的方式进行排布。
30、基于同一专利技术构思，本专利技术还提出一种基于深度学习的水下渗漏声音识别系统，所述系统包括：
31、信号采集单元，用于采集不同环境下的水下声音信号；
32、特征提取单元，用于分别提取正常环境和渗漏环境下的声音信号的有效区间特征；
33、深度学习网络模型构建单元，用于构建深度学习网络模型；
34、训练单元，用于训练提取的信号的有效区间特征，将训练的信号输入至深度学习网络模型，获取声音识别模型；
35、判断单元，用于根据识别模型判断是否存在渗漏情况，如果没有渗漏则直接显示结果；
36、渗透点获取单元，用于若存在渗漏情况，通过声源定位技术确定渗漏点的位置。
37、基于同一专利技术构思，本专利技术还提出一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据上述中任一项中所述的一种基于深度学习的水下渗漏声音识别方法。
38、基于同一专利技术构思，本专利技术还提出一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述中任一项所述的一种基于深度学习的水下渗漏声音识别方法的步骤。
39、本专利技术的有益之处在于：
40、本专利技术提出的一种基于深度学习的水下渗漏声音识别方法，克服了传统的水听器方法通常需要人工对收集到的水下声音信号进行判断，容易受到人为因素的影响，还导致判断不准确或反应迟缓这一难题，提出了一种不同与现有技术的技术构思，通过深度学习模型自动化地识别水下声音信号中的渗漏特征，减少了人工判断的依赖。深度学习网络能够高效地从大量的声音数据中提取潜在的渗漏信息，显著提高了识本文档来自技高网...
【技术保护点】
1.一种基于深度学习的水下渗漏声音识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度学习的水下渗漏声音识别方法，其特征在于，步骤S1包括：通过水声传感器对不同环境的水下声音信号进行采集，通过传感器前置放大与滤波电路或外接的放大器和滤波器对声音信号进行预处理，并传输至上位机。
3.根据权利要求1所述的一种基于深度学习的水下渗漏声音识别方法，其特征在于，步骤S2包括：
4.根据权利要求1所述的一种基于深度学习的水下渗漏声音识别方法，其特征在于，步骤S3中深度学习网络模型包括多个卷积层和池化层堆叠，所述卷积层用于提取局部特征，所述池化层用于下采样；
5.根据权利要求1所述的一种基于深度学习的水下渗漏声音识别方法，其特征在于，步骤S4包括：
6.根据权利要求1所述的一种基于深度学习的水下渗漏声音识别方法，其特征在于，步骤S6包括：
7.根据权利要求6所述的一种基于深度学习的水下渗漏声音识别方法，其特征在于，所述水听器采用均匀面阵的方式进行排布。
8.一种基于深度学习的水下渗漏声音识
9.一种计算机设备，其特征在于：包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1-7中任一项中所述的一种基于深度学习的水下渗漏声音识别方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-7中任一项所述的一种基于深度学习的水下渗漏声音识别方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的水下渗漏声音识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度学习的水下渗漏声音识别方法，其特征在于，步骤s1包括：通过水声传感器对不同环境的水下声音信号进行采集，通过传感器前置放大与滤波电路或外接的放大器和滤波器对声音信号进行预处理，并传输至上位机。
3.根据权利要求1所述的一种基于深度学习的水下渗漏声音识别方法，其特征在于，步骤s2包括：
4.根据权利要求1所述的一种基于深度学习的水下渗漏声音识别方法，其特征在于，步骤s3中深度学习网络模型包括多个卷积层和池化层堆叠，所述卷积层用于提取局部特征，所述池化层用于下采样；
5.根据权利要求1所述的一种基于深度学习的水下渗漏声音识别方法，其特征在于，步骤s4包括：
6....
【专利技术属性】
技术研发人员：高伟，陈永耀，季家名，李潇欢，
申请(专利权)人：青岛哈尔滨工程大学创新发展中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。