基于人工智能技術(shù)的城鎮(zhèn)排水管網(wǎng)系統(tǒng)研究

代毅，陳增兵

(深圳市博銘維智能科技有限公司，廣東 深圳 518010)

1 引 言

城鎮(zhèn)排水管網(wǎng)管理信息系統(tǒng)[1]是利用相關(guān)技術(shù)與給排水專業(yè)技術(shù)相結(jié)合，集采集、管理、更新、綜合分析與處理城鎮(zhèn)排水管網(wǎng)系統(tǒng)信息等功能于一身的應(yīng)用系統(tǒng)。由于信息化建設(shè)較為滯后，導(dǎo)致目前排水基礎(chǔ)設(shè)施信息化建設(shè)水平較低，信息采集量不足、覆蓋內(nèi)容不全、時(shí)效性差、精度低。此外，由于排水管網(wǎng)數(shù)據(jù)挖掘程度較淺，對(duì)于信息的利用仍停留在表面。城鎮(zhèn)排水管理是一項(xiàng)復(fù)雜工程，牽扯管理部門多。目前許多部門已經(jīng)投入了相關(guān)信息化建設(shè)，也掌握一定的數(shù)據(jù)，但由于業(yè)務(wù)復(fù)雜，導(dǎo)致僅僅依靠自身收集的數(shù)據(jù)，仍然難以滿足自身業(yè)務(wù)需求。

1956年，以麥卡賽、明斯基、羅切斯特和申農(nóng)等為首的一批有遠(yuǎn)見(jiàn)卓識(shí)的年輕科學(xué)家，共同研究和探討用機(jī)器模擬智能的一系列有關(guān)問(wèn)題，并首次提出了“人工智能”[2]這一術(shù)語(yǔ)，它標(biāo)志著“人工智能”這門新興學(xué)科的正式誕生。目前人工智能技術(shù)發(fā)展迅速，已經(jīng)在機(jī)器視覺(jué)、指紋識(shí)別、人臉識(shí)別、專家系統(tǒng)、圖像理解等多個(gè)領(lǐng)域進(jìn)行廣泛應(yīng)用，推動(dòng)了相關(guān)產(chǎn)業(yè)的快速發(fā)展。尤其以基于深度學(xué)習(xí)[3]技術(shù)的海量數(shù)據(jù)分析，能夠?qū)Υ髽颖緮?shù)據(jù)進(jìn)快速分析，在機(jī)器視覺(jué)、語(yǔ)音識(shí)別領(lǐng)域具有重要應(yīng)用價(jià)值。將深度學(xué)習(xí)技術(shù)應(yīng)用于管網(wǎng)檢測(cè)數(shù)據(jù)(視頻/圖像)的分析處理，對(duì)于提升內(nèi)業(yè)人員數(shù)據(jù)分析效率具有重要意義。

將人工智能技術(shù)應(yīng)用于城鎮(zhèn)排水管網(wǎng)系統(tǒng)研究中，能夠進(jìn)一步提升系統(tǒng)的智能化、信息化水平，逐步提升水生態(tài)環(huán)境綜合指標(biāo)，為我國(guó)水生態(tài)環(huán)境建設(shè)以及海綿城市建設(shè)提供強(qiáng)有力的技術(shù)支撐。

2 人工智能排水管網(wǎng)系統(tǒng)

2.1 基于深度學(xué)習(xí)的管網(wǎng)檢測(cè)數(shù)據(jù)分析

傳統(tǒng)的機(jī)器學(xué)習(xí)[4]技術(shù)往往使用原始形式來(lái)處理自然數(shù)據(jù)，模型的學(xué)習(xí)能力受到很大的局限，構(gòu)成一個(gè)模式識(shí)別或機(jī)器學(xué)習(xí)系統(tǒng)往往需要相當(dāng)?shù)膶I(yè)知識(shí)來(lái)從原始數(shù)據(jù)中(如圖像的像素值)提取特征，并轉(zhuǎn)換成一個(gè)適當(dāng)?shù)膬?nèi)部表示。而深度學(xué)習(xí)則具有自動(dòng)提取特征的能力，它是一種針對(duì)表示的學(xué)習(xí)。深度學(xué)習(xí)允許多個(gè)處理層組成復(fù)雜計(jì)算模型，從而自動(dòng)獲取數(shù)據(jù)的表示與多個(gè)抽象級(jí)別。這些方法大大推動(dòng)了語(yǔ)音識(shí)別、視覺(jué)識(shí)別物體、物體檢測(cè)、藥物發(fā)現(xiàn)和基因組學(xué)等領(lǐng)域的發(fā)展。通過(guò)使用深度學(xué)習(xí)算法，有能力發(fā)現(xiàn)在大的數(shù)據(jù)集隱含的復(fù)雜結(jié)構(gòu)。

由于管網(wǎng)檢測(cè)數(shù)據(jù)存在數(shù)據(jù)量大、需要分類種類多以及對(duì)數(shù)據(jù)分析人員專業(yè)水平要求較高等特點(diǎn)，目前對(duì)于海量的管網(wǎng)檢測(cè)數(shù)據(jù)需要大量的專業(yè)人員進(jìn)行數(shù)據(jù)分析，存在分析效率低、容易出現(xiàn)誤檢以及分析成本高等情況。通過(guò)基于深度學(xué)習(xí)的圖像智能分析技術(shù)，能夠解決目前管網(wǎng)檢測(cè)數(shù)據(jù)分析存在的難點(diǎn)，通過(guò)雙任務(wù)+雙輸入流的模型(two-task+two-stream)訓(xùn)練方式實(shí)現(xiàn)了更加準(zhǔn)確的數(shù)據(jù)分析判讀，具體算法實(shí)現(xiàn)過(guò)程分為以下幾個(gè)步驟：

(1)視頻分割：通過(guò)將采集的管網(wǎng)檢測(cè)視頻，根據(jù)視頻的長(zhǎng)度大小，將視頻按照預(yù)先設(shè)置的長(zhǎng)度閾值T進(jìn)行等間距分割成N個(gè)片段Vi i=[1.2...N]，這樣可以對(duì)視頻進(jìn)行并行多任務(wù)處理，提升處理速度，如圖1所示。

圖1 視頻分割

(2)特征提出：對(duì)分割完后的每個(gè)視頻片段，按照固定采樣間隔進(jìn)行圖像采樣，獲得采樣后K幀圖像序列Fi i=[1.2...k]，同時(shí)對(duì)這K幀圖像序列與其下一幀的圖像進(jìn)行差分，得到K幀的差分圖像序列Fj j=[1.2...k]，并通過(guò)歸一化的方式將等到的差分圖像序列Fj j=[1.2...k]進(jìn)行歸一化，將這兩組圖像序列作為特征輸入進(jìn)入深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行參數(shù)訓(xùn)練?；谏疃葘W(xué)習(xí)的管網(wǎng)數(shù)據(jù)分析判讀如圖2所示。

圖2 基于深度學(xué)習(xí)的管網(wǎng)數(shù)據(jù)分析判讀

(3)特征融合：融合分為兩個(gè)步驟，第一步：融合采樣得到圖像序列Fi i=[1.2...k]和經(jīng)過(guò)差分得到的圖像序列Fj j=[1.2...k]得到一個(gè)特征矩陣；第二步：在時(shí)間維度上通過(guò)最大池化的方式融合K幀采樣圖像Fi i=[1.2...k]和K幀差分圖像序列Fj j=[1.2...k]的特征得到這個(gè)視頻片段的特征Fvideo。

(4)分類器分類：分為兩個(gè)步驟，第一步：通過(guò)對(duì)視頻片段的特征判斷，經(jīng)過(guò)激活函數(shù)，輸出維度為2的分類結(jié)果，判斷該視頻片段是正常/異常的概率；第二步：通過(guò)激活函數(shù)，輸出維度為17(按照《城鎮(zhèn)排水管道檢測(cè)與評(píng)估技術(shù)規(guī)程》(CJJ_181-2012)[5]中規(guī)定的16中管道缺陷類型加上正常類型)的分類結(jié)果，判斷出該類型是否異常，以及異常情況下是屬于何種管道缺陷。

圖3 三種模型的PR曲線圖

通過(guò)將采用的雙任務(wù)雙流(two-task+two-stream)模型與只分類正常/異常類型缺陷的單任務(wù)模型(one-task)以及只通過(guò)采樣圖像序列作為單一輸入數(shù)據(jù)的雙任務(wù)模型(two-task)進(jìn)行比較，得出PR(Precision-Recall)曲線如圖3所示：

從PR曲線可以清晰看出，采用雙任務(wù)雙流模型的識(shí)別準(zhǔn)確率更高，三種模型的識(shí)別準(zhǔn)確率統(tǒng)計(jì)表格如表1所示：

3種模型識(shí)別準(zhǔn)確率統(tǒng)計(jì)結(jié)果 表1

2.2 基于人工智能的管網(wǎng)管理系統(tǒng)

(1)管網(wǎng)云平臺(tái)管理系統(tǒng)功能概述

通過(guò)將基于深度學(xué)習(xí)的管網(wǎng)缺陷識(shí)別技術(shù)、云計(jì)算技術(shù)[6]、GIS技術(shù)與管網(wǎng)管理系統(tǒng)進(jìn)行有機(jī)結(jié)合，實(shí)現(xiàn)管網(wǎng)智能管理信息系統(tǒng)，全面提升管網(wǎng)管理的智能化、信息化。管網(wǎng)管理系統(tǒng)包含以下幾個(gè)功能：管網(wǎng)檢測(cè)在線、管網(wǎng)信息、健康評(píng)估、管網(wǎng)監(jiān)測(cè)、缺陷識(shí)別、三維重建等功能。通過(guò)管網(wǎng)云平臺(tái)首頁(yè)能夠清晰地了解關(guān)注區(qū)域內(nèi)的管網(wǎng)整體統(tǒng)計(jì)數(shù)據(jù)，包括管網(wǎng)缺陷統(tǒng)計(jì)數(shù)據(jù)、管網(wǎng)檢測(cè)工程量數(shù)據(jù)、管網(wǎng)運(yùn)行狀態(tài)趨勢(shì)數(shù)據(jù)等多種數(shù)據(jù)，如圖4所示。

圖4 基于人工智能技術(shù)的管網(wǎng)云平臺(tái)

管網(wǎng)云平臺(tái)包含設(shè)備在線管理系統(tǒng)、管網(wǎng)數(shù)據(jù)管理系統(tǒng)、健康評(píng)估管理系統(tǒng)、管網(wǎng)監(jiān)測(cè)管理系統(tǒng)以及管理數(shù)據(jù)智能分析系統(tǒng)(圖5)，其中①設(shè)備在線系統(tǒng)能夠?qū)芫W(wǎng)檢測(cè)設(shè)備進(jìn)行在線管理，包括現(xiàn)場(chǎng)檢測(cè)視頻實(shí)時(shí)回傳顯示，設(shè)備運(yùn)行軌跡遠(yuǎn)程查看等功能；②管網(wǎng)數(shù)據(jù)管理系統(tǒng)能夠在基于管網(wǎng)GIS技術(shù)的基礎(chǔ)上關(guān)聯(lián)相應(yīng)的管網(wǎng)檢測(cè)數(shù)據(jù)，包括管網(wǎng)檢測(cè)視頻、管網(wǎng)缺陷圖片、管網(wǎng)檢測(cè)報(bào)告、管段信息以及井口信息，實(shí)現(xiàn)管網(wǎng)數(shù)據(jù)綜合在線管理；③健康評(píng)估管理系統(tǒng)能夠?qū)芫W(wǎng)檢測(cè)數(shù)據(jù)進(jìn)行圖像化、統(tǒng)計(jì)表格形式進(jìn)行展示，同時(shí)也可以對(duì)管網(wǎng)缺陷區(qū)域進(jìn)行熱力圖展示，可以更加直觀地了解所關(guān)注區(qū)域管網(wǎng)的整體運(yùn)行狀況，以便制定相應(yīng)的解決方案；④管網(wǎng)監(jiān)測(cè)管理系統(tǒng)通過(guò)在線監(jiān)測(cè)設(shè)備能夠?qū)χ攸c(diǎn)區(qū)域進(jìn)行不間斷監(jiān)測(cè)，對(duì)相關(guān)緊急事件能夠及時(shí)預(yù)警，提升管網(wǎng)運(yùn)營(yíng)管理響應(yīng)效率。

圖5 管網(wǎng)云平臺(tái)各個(gè)子模塊

(2)管網(wǎng)缺陷在線識(shí)別系統(tǒng)

通過(guò)結(jié)合深度學(xué)習(xí)技術(shù)，將基于雙任務(wù)+雙流輸入的管網(wǎng)缺陷深度學(xué)習(xí)分類模型應(yīng)用于管網(wǎng)缺陷在線識(shí)別(圖6)，通過(guò)對(duì)上傳的管網(wǎng)檢測(cè)視頻，自動(dòng)調(diào)用模型進(jìn)行數(shù)據(jù)解讀，自動(dòng)判讀是否存在缺陷，以及缺陷的具體類型，并依據(jù)國(guó)家相關(guān)標(biāo)準(zhǔn)，自動(dòng)生成管網(wǎng)檢測(cè)報(bào)告，實(shí)現(xiàn)管網(wǎng)數(shù)據(jù)分析全流程自動(dòng)化、智能化，提升管網(wǎng)檢測(cè)數(shù)據(jù)分析效率。

圖6 管網(wǎng)缺陷在線識(shí)別系統(tǒng)

3 結(jié) 論

通過(guò)基于深度學(xué)習(xí)的管網(wǎng)海量檢測(cè)數(shù)據(jù)智能分析技術(shù)，可以自動(dòng)對(duì)管網(wǎng)檢測(cè)設(shè)備獲取的管網(wǎng)檢測(cè)數(shù)據(jù)進(jìn)行快速、智能分析，判讀出其中存在的管網(wǎng)缺陷，并結(jié)合管網(wǎng)GIS技術(shù)自動(dòng)關(guān)聯(lián)到對(duì)應(yīng)的管段信息，快速生成區(qū)域內(nèi)管網(wǎng)整體的運(yùn)行狀況，并根據(jù)專家診斷系統(tǒng)，科學(xué)提供專業(yè)的管網(wǎng)修復(fù)方案，為管網(wǎng)的智能化、信息化管理提供科學(xué)有效的解決方案。