买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国水利水电第九工程局有限公司

摘要：本申请涉及管道检测技术领域，公开了一种基于清淤检测的管道淤积风险评估方法及系统。所述方法包括：采集管道内部的历史图像数据集和历史声学数据集并创建管道淤积分布图和淤积特征数据集；对淤积特征数据集进行R型聚类分析和变异系数计算，得到淤积影响因素指标集并构建多层次淤积风险评估指标体系；将管道淤积分布图和淤积特征数据集输入预置的双层深度信念网络模型进行模型训练，得到淤积识别模型；采集管道内部的实时图像数据集和实时声学数据集并通过淤积识别模型进行淤积识别，得到目标淤积识别结果；根据多层次淤积风险评估指标体系对目标淤积识别结果进行风险评估并生成管道维护决策方案，本申请提高了管道淤积风险评估的准确率。

主权项：1.一种基于清淤检测的管道淤积风险评估方法，其特征在于，所述方法包括：采集管道内部的历史图像数据集和历史声学数据集并创建管道淤积分布图和淤积特征数据集；具体包括：对管道内部进行高分辨率图像扫描和多频段声学探测，得到历史图像数据集和历史声学数据集；对所述历史图像数据集进行图像分割和边缘检测处理，得到初始淤积区域标记图，并对所述历史声学数据集进行小波变换和频谱分析，得到淤积厚度分布数据；对所述初始淤积区域标记图和所述淤积厚度分布数据进行数据融合，得到管道淤积分布图，并对所述管道淤积分布图进行形态学处理和连通域分析，得到淤积斑块特征数据；其中，得到管道淤积分布图具体包括：将初始淤积区域标记图转换为二值图像，其中淤积区域标记为1，非淤积区域标记为0；将淤积厚度分布数据表示为二维函数，表示在每个坐标点处的淤积厚度；定义融合函数，该融合函数是二值图像和厚度分布函数的加权和，权重系数之和为1；通过最小化融合函数与实际测量淤积分布之间的误差平方和来优化权重系数；使用双三次插值算法对融合函数进行重采样，得到高分辨率的淤积分布函数；将高分辨率淤积分布函数与管道截面形状函数相乘，映射到三维坐标系中，生成管道淤积分布图；根据所述淤积斑块特征数据计算淤积面积比、淤积厚度均值和淤积分布均匀度，得到淤积统计特征，并对所述管道淤积分布图进行时间序列对比分析，得到淤积动态变化特征；其中，得到淤积统计特征具体包括：通过连通域分析，识别出各个独立的淤积斑块，得到淤积斑块特征数据；根据得到的淤积斑块特征数据，计算淤积面积比、淤积厚度均值和淤积分布均匀度，设表示第个淤积斑块的面积，表示第个淤积斑块的厚度，计算淤积面积比和淤积厚度均值： ； ；其中，是管道总面积，是淤积斑块的数量，淤积分布均匀度通过计算淤积厚度的方差来衡量，对管道淤积分布图进行时间序列对比分析，识别出淤积的动态变化特征，通过对不同时间点的淤积分布进行比较，计算出淤积增长速率和变化模式；根据所述淤积统计特征和所述淤积动态变化特征构建淤积特征向量，得到初始特征数据集；对所述初始特征数据集进行主成分分析，得到降维特征数据集，并将所述降维特征数据集与管道基础信息和环境参数进行关联分析，得到淤积特征数据集；对所述淤积特征数据集进行R型聚类分析和变异系数计算，得到淤积影响因素指标集并构建多层次淤积风险评估指标体系；具体包括：对所述淤积特征数据集进行标准化处理，得到标准化淤积特征矩阵，并根据所述标准化淤积特征矩阵计算特征间的相关系数矩阵，得到特征相关性数据；对所述特征相关性数据进行主对角线元素替换，得到R型聚类距离矩阵，并根据所述R型聚类距离矩阵进行层次聚类，得到特征聚类树状图；对所述特征聚类树状图进行截断处理，得到初始聚类结果，并根据所述初始聚类结果计算特征变异度数据；其中，计算特征变异度数据具体包括：计算各聚类的组内方差、总体方差和组间方差；基于组间方差、组内方差和总体方差计算特征变异度；对特征变异度进行标准化处理，使其值域范围在0到1之间；对所述特征变异度数据进行筛选，得到淤积影响因素指标集，并根据所述淤积影响因素指标集构建层次分析结构，得到多层次指标框架；其中，得到淤积影响因素指标集具体包括：通过设定变异度阈值和相关性阈值，筛选出具有高变异度且相互独立的特征，形成淤积影响因素指标集；以管道淤积风险评估为总目标，将指标集中的指标分类为物理特性、化学特性、环境因素的准则层；对各准则层进行逐级细分，直至形成包含具体指标的指标层；定义层次间关系矩阵，构建层次结构图，并进行拓扑排序，最终得到多层次指标框架；对所述多层次指标框架中的指标进行比较，构建判断矩阵，并通过特征值法计算各指标权重，得到加权指标体系；根据所述加权指标体系设计评分规则和综合评价方法，得到多层次淤积风险评估指标体系；将所述管道淤积分布图和所述淤积特征数据集输入预置的双层深度信念网络模型进行模型训练，得到淤积识别模型；具体包括：对所述管道淤积分布图进行图像分割和特征提取，得到图像特征向量，并对所述淤积特征数据集进行归一化处理，得到归一化特征数据；将所述图像特征向量和所述归一化特征数据进行拼接，得到组合输入数据，并对所述组合输入数据进行随机采样和批次划分，得到训练数据批次；根据所述训练数据批次对双层深度信念网络模型的第一层受限玻尔兹曼机进行无监督预训练，得到第一层网络参数；基于所述第一层网络参数对输入数据进行变换，得到第一层输出特征；根据所述第一层输出特征对所述双层深度信念网络模型的第二层受限玻尔兹曼机进行无监督预训练，得到第二层网络参数；将所述第一层网络参数和所述第二层网络参数组合，构建完整的深度信念网络结构，得到预训练模型；对所述预训练模型添加输出层并进行有监督微调训练，得到初始识别模型，并对所述初始识别模型进行交叉验证和参数优化，得到淤积识别模型；采集管道内部的实时图像数据集和实时声学数据集并通过所述淤积识别模型进行淤积识别，得到目标淤积识别结果；根据所述多层次淤积风险评估指标体系对所述目标淤积识别结果进行风险评估并生成管道维护决策方案。

全文数据：

权利要求：

百度查询： 中国水利水电第九工程局有限公司 基于清淤检测的管道淤积风险评估方法及系统