摘要：为保障污水管网的健康稳定运行，需要建立科学、实用的方法对城镇污水管网健康状况进行评价，以了解污水管网运行现状，为污水管网的检测、修复以及养护提供理论依据。本项目以CCTV、QV检测数据为基础，构建一套集健康预测，健康现状诊断的污水管网健康状况评价模型，对管道健康状况进行动态评估、等级划分。根据评价结果，有针对性的制定每年的管道健康状况监测、检测方案、修复方案。

关键词：市政排水管网 管网检测 人工智能 大数据

一、国内外现状：

排水管网系统是现代城市的根本，只要城市存在，排水管网系统就要工作。因此，无论规划、设计，还是运行管理，都必须考虑到其生命期内（规划、建设、运行管理、维护维修）的全过程。

伴随信息技术和完整性管理技术的进步发展，建设数字化管道已经成为国内外管道运营者的主要目标，管道企业均建立了 GIS 系统和完整性管理系统，并取得重要成果。

近年来，随着大数据、物联网、云计算、人工智能的发展，管道运营管理模式发生转变，数字化管道逐步向智能化管道发展，通过大数据建模，以大数据分析、数据挖掘、决策支持、移动应用等方式进行管道管理，实现管网运行事前优化预测、事中实时监测，事后全面分析的闭环管理，降低管网运营成本。

国内管网现在的主流数据源是ArcGIS。管网监测数据，包括水量、水质、水压、水泵运行、水库水位等，但管网的健康状况数据基本没有集成进去。

由于目前对污水管网健康状况的重要性认识不足，没有形成规范有序的“预测—诊断—反馈”流程。对于污水管道的检测多处于地毯式的盲目检测阶段，管道的修复工作也多是发生在可见的污水泄漏后被动式的抢修，造成极大的资源浪费和环境污染。

为保障污水管网的健康稳定运行，需要建立科学、实用的方法对城镇污水管网健康状况进行评价，以了解污水管网运行现状，为污水管网的检测、修复以及养护提供理论依据。

本项目以CCTV、QV检测数据为基础，构建一套集健康预测，健康现状诊断的污水管网健康状况评价模型，对管道健康状况进行动态评估、等级划分。根据评价结果，有针对性的制定每年的管道健康状况监测、检测方案、修复方案。

二、项目主要内容：

本项研究将在充分挖掘大数据的基础上，以人工智能深度学习和优化理论为依据，建立管道健康生命周期模型，根据实施区域的具体情况，调整参数，形成高效、低成本管道运行维护方案。

生命周期模型基本参数：

1. 选取建立模型的指标：管道性状、社会环境因素、管道结构状况、管道功能状况

2. 确定管网健康评估的指标：将城镇管网分为“正常（级）、亚健康（Ⅱ级）、损坏（Ⅲ级）、危急（Ⅳ级）”四个等级

3. 管理区域：以街道办事处或小区为基本单位，包含区内全部排水管道

工作基础：

1. 本公司在管道检测方面积累了海量数据，对市政管道缺陷的特征、分布、影响等方面有深入的研究。同时，本公司在市政管道的管理运行方面积累了丰富的经验。

2. 实施地已有CCTV、QV管道检测数据，如有智慧水务GIS系统，可以提供数据接口和通信协议。

四、实施方案：

管道健康健康状态是本系统成功的关键。首先，我们通过AI分析管道检测视频，得到管道健康状况及各种缺陷的具体信息，并存于数据库及工程图中，方法如下

在进行模型建立前，需对样本图片进行图片清洗工作，包含以下：

1、建立城镇排水管道CCTV/QV视频图片拆分模型，每秒24帧进行拆图。

2、建立管道图片标签库，标签库种类分为管道基础类型和管道缺陷类型。管道基础类型共11种类型。管道缺陷类型按《城镇排水管道检测与评估技术规程（CJJ-181-2012）》规程16种类型。拆分后的每张图片必须包含两种属性标签，管道类型标签和管道缺陷类型标签信息。

3、建立了以实际工程经验为基础的标签校准规则。根据实际情况，不同地区不同检测单位现场拍摄的视频成果存在大量不统一情况，根据实际工程经验优化了管道缺陷类型属性标签规则。

在上述工作基础上，进行以下工作

1、完成建立管道类型与缺陷类型的对应关系。结合实际工程经验，将管道类型和缺陷类型建立相应对应关系，有助于缺陷的准确识别。例如：当图片为井室、竖井、管道外景、模糊、强灯光、水下时不进行缺陷识别;当管道材质为混凝土管道时，缺陷识别结果不存在变形缺陷等。

2、完成建立1个CNN模型分析管道各种基础类型：片头、片尾、管道、接头、过渡、扫描详情、井室、竖井、管道外景、模糊图片、其他，共11种类型。

3、完成建立1个CNN模型分析管道缺陷：破裂、破裂详情、变形、腐蚀、腐蚀详情、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入、渗漏、渗漏详情、沉积、结垢、结垢详情、障碍物、残墙坝根、树根、树根详情、浮渣21种类型。

4、每个模型设立7个CNN层及5个全连接层，并加入dropout层及Regulation层。

5、引入非线性函数ReLU作为activate激励函数，这样深层神经网络就有意义了，不再是是输入的线性组合，可以逼近任意函数，ReLU会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。

6、优化函数选取。

7、学习率范围0.001-0.00005

8、完成建立训练结果分析及改进系统。我们用了三种方法来提升训练分析结果的准确率：数据标签自主学习修正系统;图像转换系统;结合实际工程经验的多组合干扰图系统。通过以上系统，使CNN模型的准确率提升至99.5%以上，满足实际工程应用需求。

然后建立管道缺陷知识图谱，并以此为基础，用LS（Least Square）方法预估缺陷的发育情况，作为下一步分析的基础。斯坦福大学SOL实验室在LS方法及其在排水管道的应用做了大量基础研究

结论：本项目以CCTV、QV检测数据为基础，构建一套集健康预测，健康现状诊断的污水管网健康状况评价模型，对管道健康状况进行动态评估、等级划分。根据评价结果，有针对性的制定每年的管道健康状况监测、检测方案、修复方案。为保障污水管网的健康稳定运行，建立科学、实用的方法对城镇污水管网健康状况进行评价，以了解污水管网运行现状，为污水管网的检测、修复以及养护提供理论依据。