本技術(shù)涉及一種基于聲紋識(shí)別的閥室泄漏檢測(cè)方法、裝置及系統(tǒng)。

背景技術(shù)：

1、泄漏檢測(cè)一直是管道行業(yè)重點(diǎn)關(guān)注課題。當(dāng)前天然氣閥室泄漏檢測(cè)多采用人工巡檢、可燃?xì)怏w探測(cè)儀和火焰報(bào)警器等傳統(tǒng)手段，這些傳統(tǒng)手段存在檢測(cè)范圍小以及不能實(shí)時(shí)在線監(jiān)測(cè)等問(wèn)題。而針對(duì)泄漏檢測(cè)的研究多集中于長(zhǎng)輸管道領(lǐng)域，相關(guān)技術(shù)或系統(tǒng)較難推廣到天然氣閥室檢測(cè)場(chǎng)景，例如下面兩篇專利研究：

2、【天然氣泄漏檢測(cè)系統(tǒng)及方法專利號(hào)cn108645963a】此專利介紹的系統(tǒng)主要分為微處理器和樣本采集裝置，通過(guò)采樣實(shí)時(shí)分析空氣中泄漏氣體濃度進(jìn)行預(yù)警。此系統(tǒng)適用于貼合長(zhǎng)輸管道固定軌跡檢測(cè)，而天然氣閥室因設(shè)備、管道布局錯(cuò)落，空間狹小等原因不適用此方案。

3、【一種管道天然氣泄漏檢測(cè)裝置專利號(hào)cn216349367u】該專利提供一種管道天然氣泄漏檢測(cè)裝置，通過(guò)設(shè)置密封環(huán)與進(jìn)氣孔，當(dāng)天然氣泄漏時(shí)鼓入密封環(huán)造成鼓膜膨脹進(jìn)而判斷泄漏。此系統(tǒng)需要將裝置套入管道，且需人工肉眼觀察較為費(fèi)時(shí)費(fèi)力，而天然氣閥室一般存在的管道接口法蘭、換向轉(zhuǎn)彎、調(diào)壓設(shè)備等都限制該裝置的使用。

技術(shù)實(shí)現(xiàn)思路

1、為了更好的實(shí)現(xiàn)閥室內(nèi)的泄漏檢測(cè)，本技術(shù)實(shí)施例提供了一種基于聲紋識(shí)別的閥室泄漏檢測(cè)方法、裝置及系統(tǒng)。

2、第一方面，本技術(shù)實(shí)施例提供一種基于聲紋識(shí)別的閥室泄漏檢測(cè)方法，應(yīng)用于邊緣智能終端，該方法包括：

3、將獲得的閥室各拾音器的音頻輸入預(yù)設(shè)淺層特征提取算法中，得到對(duì)應(yīng)的音頻的淺層特征；

4、將所述音頻的淺層特征輸入預(yù)訓(xùn)練后的深層特征提取模型中，得到對(duì)應(yīng)的音頻的深層特征；

5、將所述音頻的深層特征輸入第一分類模型，將所述音頻的淺層特征輸入第二分類模型和第三分類模型，分別進(jìn)行泄漏檢測(cè)，得到對(duì)應(yīng)的第一檢測(cè)結(jié)果、第二檢測(cè)結(jié)果和第三檢測(cè)結(jié)果；

6、根據(jù)預(yù)先確定的第一分類模型、第二分類模型和第三分類模型的預(yù)測(cè)權(quán)重，以及所述第一檢測(cè)結(jié)果、第二檢測(cè)結(jié)果和第三檢測(cè)結(jié)果，基于軟投票方式，確定所述音頻的泄漏檢測(cè)結(jié)果。

7、本技術(shù)實(shí)施例的一種可選的實(shí)施方式中，通過(guò)下述方式確定第一分類模型、第二分類模型和第三分類模型的預(yù)測(cè)權(quán)重：

8、將預(yù)先獲得的歷史音頻訓(xùn)練集輸入所述預(yù)設(shè)淺層特征提取算法中，得到對(duì)應(yīng)的各歷史音頻的淺層特征；

9、將各所述歷史音頻的淺層特征輸入所述預(yù)訓(xùn)練后的深層特征提取模型中，得到對(duì)應(yīng)的各歷史音頻的深層特征；

10、將各所述歷史音頻的深層特征輸入所述第一分類模型，將各所述歷史音頻的淺層特征輸入所述第二分類模型和第三分類模型，分別進(jìn)行泄漏檢測(cè)，得到對(duì)應(yīng)的第一歷史檢測(cè)結(jié)果、第二歷史檢測(cè)結(jié)果和第三歷史檢測(cè)結(jié)果；

11、根據(jù)所述第一歷史檢測(cè)結(jié)果、第二歷史檢測(cè)結(jié)果和第三歷史檢測(cè)結(jié)果，基于各歷史音頻的預(yù)設(shè)標(biāo)簽，分別確定第一分類模型、第二分類模型和第三分類模型對(duì)應(yīng)的第一準(zhǔn)確度、第二準(zhǔn)確度和第三準(zhǔn)確度；

12、對(duì)所述第一準(zhǔn)確度、第二準(zhǔn)確度和第三準(zhǔn)確度進(jìn)行歸一化，將歸一化后的第一準(zhǔn)確度、第二準(zhǔn)確度和第三準(zhǔn)確度分別作為第一分類模型、第二分類模型和第三分類模型的預(yù)測(cè)權(quán)重。

13、本技術(shù)實(shí)施例的一種可選的實(shí)施方式中，通過(guò)下述方式獲得所述歷史音頻訓(xùn)練集：

14、將拾音器拾取的各歷史音頻進(jìn)行降噪和切分，得到預(yù)處理后的各歷史音頻；

15、根據(jù)所述預(yù)處理后的各歷史音頻對(duì)應(yīng)的真實(shí)泄漏結(jié)果，將所述各歷史音頻打上預(yù)設(shè)標(biāo)簽，得到所述歷史音頻訓(xùn)練集。

16、本技術(shù)實(shí)施例的一種可選的實(shí)施方式中，還包括：

17、根據(jù)每一拾音器中音頻的泄漏檢測(cè)結(jié)果，按照泄漏概率從高至低進(jìn)行排序，以泄漏概率最高的預(yù)設(shè)數(shù)量的拾音器位置的幾何中心為泄漏定位點(diǎn)。

18、本技術(shù)實(shí)施例的一種可選的實(shí)施方式中，通過(guò)下述方式得到預(yù)訓(xùn)練后的深層特征提取模型：

19、根據(jù)audioset數(shù)據(jù)集訓(xùn)練深層特征提取模型，得到所述預(yù)訓(xùn)練后的深層特征提取模型；所述深層特征提取模型為cnn14模型。

20、本技術(shù)實(shí)施例的一種可選的實(shí)施方式中，所述預(yù)設(shè)淺層特征提取算法為logfbank算法；所述將獲得的閥室各拾音器的音頻輸入預(yù)設(shè)淺層特征提取算法中，得到對(duì)應(yīng)的音頻的淺層特征，包括：

21、將獲得的閥室各拾音器的音頻輸入預(yù)設(shè)淺層特征提取算法中，通過(guò)分幀、預(yù)加重、加窗和快速傅里葉變換，將所述音頻轉(zhuǎn)化為三維特征向量；

22、對(duì)所述三維特征向量進(jìn)行復(fù)數(shù)取絕對(duì)值、mel濾波和取對(duì)數(shù)，得到對(duì)應(yīng)的音頻的淺層特征。

23、第二方面，本技術(shù)實(shí)施例提供一種基于聲紋識(shí)別的閥室泄漏檢測(cè)裝置，應(yīng)用于邊緣智能終端，該裝置包括：

24、第一提取模塊，用于將獲得的閥室各拾音器的音頻輸入預(yù)設(shè)淺層特征提取算法中，得到對(duì)應(yīng)的音頻的淺層特征；

25、第二提取模塊，用于將所述音頻的淺層特征輸入預(yù)訓(xùn)練后的深層特征提取模型中，得到對(duì)應(yīng)的音頻的深層特征；

26、泄漏檢測(cè)模塊，用于將所述音頻的深層特征輸入第一分類模型，將所述音頻的淺層特征輸入第二分類模型和第三分類模型，分別進(jìn)行泄漏檢測(cè)，得到對(duì)應(yīng)的第一檢測(cè)結(jié)果、第二檢測(cè)結(jié)果和第三檢測(cè)結(jié)果；

27、結(jié)果確定模塊，用于根據(jù)預(yù)先確定的第一分類模型、第二分類模型和第三分類模型的預(yù)測(cè)權(quán)重，以及所述第一檢測(cè)結(jié)果、第二檢測(cè)結(jié)果和第三檢測(cè)結(jié)果，基于軟投票方式，確定所述音頻的泄漏檢測(cè)結(jié)果。

28、第三方面，本技術(shù)實(shí)施例提供一種基于聲紋識(shí)別的閥室泄漏檢測(cè)系統(tǒng)，該系統(tǒng)包括：拾音器、邊緣智能終端、物聯(lián)網(wǎng)云平臺(tái)和終端可視化設(shè)備：

29、所述拾音器，用于實(shí)時(shí)拾取閥室環(huán)境音頻；

30、所述邊緣智能終端，用于對(duì)所述拾音器拾取的音頻進(jìn)行預(yù)處理；將預(yù)處理后的音頻輸入預(yù)設(shè)淺層特征提取算法中，得到對(duì)應(yīng)的音頻的淺層特征；將所述音頻的淺層特征輸入預(yù)訓(xùn)練后的深層特征提取模型中，得到對(duì)應(yīng)的音頻的深層特征；將所述音頻的深層特征輸入第一分類模型，將所述音頻的淺層特征輸入第二分類模型和第三分類模型，分別進(jìn)行泄漏檢測(cè)，得到對(duì)應(yīng)的第一檢測(cè)結(jié)果、第二檢測(cè)結(jié)果和第三檢測(cè)結(jié)果；根據(jù)預(yù)先確定的第一分類模型、第二分類模型和第三分類模型的預(yù)測(cè)權(quán)重，以及所述第一檢測(cè)結(jié)果、第二檢測(cè)結(jié)果和第三檢測(cè)結(jié)果，基于軟投票方式，確定所述音頻的泄漏檢測(cè)結(jié)果；以及，將所述音頻數(shù)據(jù)和音頻的泄漏檢測(cè)結(jié)果發(fā)送至所述物聯(lián)網(wǎng)云平臺(tái)；

31、所述物聯(lián)網(wǎng)云平臺(tái)，用于接收所述音頻數(shù)據(jù)和音頻的泄漏檢測(cè)結(jié)果，基于泄漏診斷系統(tǒng)進(jìn)行數(shù)據(jù)管理；所述泄漏診斷系統(tǒng)包括實(shí)時(shí)監(jiān)測(cè)、異常報(bào)警、報(bào)警詳情、異常統(tǒng)計(jì)和系統(tǒng)管理5個(gè)模塊；

32、所述終端可視化設(shè)備，用于顯示閥室生產(chǎn)運(yùn)行狀態(tài)。

33、第四方面，本技術(shù)實(shí)施例提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述的基于聲紋識(shí)別的閥室泄漏檢測(cè)方法。

34、第五方面，本技術(shù)實(shí)施例提供一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器，處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上述的基于聲紋識(shí)別的閥室泄漏檢測(cè)方法。

35、第六方面，本技術(shù)實(shí)施例提供一種包含指令的計(jì)算機(jī)程序產(chǎn)品，當(dāng)計(jì)算機(jī)程序產(chǎn)品在計(jì)算機(jī)設(shè)備上運(yùn)行時(shí)，使得計(jì)算機(jī)設(shè)備執(zhí)行如上述的基于聲紋識(shí)別的閥室泄漏檢測(cè)方法。

36、第七方面，本技術(shù)實(shí)施例提供一種芯片，芯片包括處理器和通信接口，通信接口和處理器耦合，處理器用于運(yùn)行計(jì)算機(jī)程序或指令，以實(shí)現(xiàn)如上述的基于聲紋識(shí)別的閥室泄漏檢測(cè)方法。

37、本技術(shù)實(shí)施例提供的上述技術(shù)方案的有益效果至少包括：

38、本技術(shù)實(shí)施例提供的基于聲紋識(shí)別的閥室泄漏檢測(cè)方法，將獲得的閥室各拾音器的音頻通過(guò)預(yù)設(shè)淺層特征提取算法提取音頻的淺層特征，再將淺層特征輸入預(yù)訓(xùn)練后的深層特征提取模型提取深層特征，然后，將深層特征輸入第一分類模型，將淺層特征輸入第二分類模型和第三分類模型，分別進(jìn)行泄漏檢測(cè)，得到第一檢測(cè)結(jié)果、第二檢測(cè)結(jié)果和第三檢測(cè)結(jié)果，然后根據(jù)預(yù)先確定的第一分類模型、第二分類模型和第三分類模型的預(yù)測(cè)權(quán)重，基于軟投票方式，確定音頻的泄漏檢測(cè)結(jié)果。該方法基于聲紋識(shí)別技術(shù)，訓(xùn)練并部署聲紋分類模型，以達(dá)到診斷閥室是否泄漏的效果，通過(guò)設(shè)置三種不同的分類模型，提高了最終泄漏檢測(cè)結(jié)果的準(zhǔn)確率；通過(guò)拾音器采集聲音具有設(shè)備簡(jiǎn)單、實(shí)時(shí)采集且不受場(chǎng)地管道布局限制等優(yōu)點(diǎn)，適用于閥室環(huán)境；通過(guò)采集音頻進(jìn)行泄漏檢測(cè)，更易于確定閥室內(nèi)泄漏位置，適用于閥室異常工況診斷及異常點(diǎn)定位。

39、本技術(shù)實(shí)施例提供的基于聲紋識(shí)別的閥室泄漏檢測(cè)方法，根據(jù)每一拾音器中音頻的泄漏檢測(cè)結(jié)果，按照泄漏概率從高至低進(jìn)行排序，以泄漏概率最高的預(yù)設(shè)數(shù)量的拾音器位置的幾何中心為泄漏定位點(diǎn)。

40、本技術(shù)的其它特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書中闡述，并且，部分地從說(shuō)明書中變得顯而易見，或者通過(guò)實(shí)施本技術(shù)而了解。本技術(shù)的目的和其他優(yōu)點(diǎn)可通過(guò)在所寫的說(shuō)明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。

41、下面通過(guò)附圖和實(shí)施例，對(duì)本技術(shù)的技術(shù)方案做進(jìn)一步的詳細(xì)描述。