A SAR-based deep multi-feature fusion network (MDFLD-Net) for water leakage detection

泄漏(经济) 稳健性(进化) 特征提取 计算机科学 电子工程 遥感 人工智能 限制 目标检测 工程类 实时计算 模式识别(心理学) 融合 传感器融合 数据挖掘 旋光法 计算机视觉 深度学习 卷积神经网络 图像分辨率 供水管网 航空影像
作者
Yiming Li,Hongliang Guan,Fuzhou Duan,Yuyao Zhang,Kaiqi Wang,Yang Huang
出处
期刊:International journal of applied earth observation and geoinformation [Elsevier BV]
卷期号:144: 104915-104915 被引量:2
标识
DOI:10.1016/j.jag.2025.104915
摘要

• MDFLD-Net is proposed for leakage detection in water supply networks. • Fused backscatter, polarimetric decomposition, and closure phase features to characterize leakage anomalies. • Introduced MSFE, AFE, and DC modules to enhance leakage feature extraction capability. Traditional manual inspections for urban water supply network leak detection face challenges such as high costs, low efficiency, and limited coverage. Microwave remote sensing technology, offering a wide detection range and high operational efficiency, has emerged as a promising approach for large-scale leakage detection. However, in complex urban environments, existing microwave-based methods often struggle to effectively extract distinctive features of leakage-induced anomalies, thereby limiting detection accuracy. To overcome this limitation, we propose a Multi-feature Deep Fusion Leakage Detection Network (MDFLD-Net) that integrates backscatter intensity, polarimetric decomposition, and closure phase features—complementary observables that mitigate surface disturbances and enhance sensitivity to leakage-related soil moisture anomalies. The network employs multi-scale feature extraction modules (MSFE) to hierarchically capture both local details and global semantic patterns, abnormal frequency extraction modules (AFE) to capture the key frequency-domain characteristics of leakage, and deformable convolution modules (DC) in the fusion stage to refine spatial adaptability. Experimental results show that MDFLD-Net achieves a leakage identification accuracy of 86.3%, demonstrating its robustness and effectiveness in leakage detection.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
ganyanhui发布了新的文献求助10
刚刚
完美世界的应助被友好元槐采纳,获得10
刚刚
汉堡包的应助被可可采纳,获得10
刚刚
刚刚
小二郎的应助被卓尔不群金良采纳,获得10
1秒前
1秒前
充电宝的应助被chiyudawang采纳,获得10
1秒前
虚幻雪一发布了新的文献求助10
1秒前
桐桐的应助被lalala采纳,获得10
2秒前
蓝意发布了新的文献求助10
2秒前
2秒前
molihuakai的应助被彪壮的绮烟采纳,获得10
3秒前
Maestro_S的应助被张若虚采纳,获得10
3秒前
3秒前
落后夏之发布了新的文献求助10
4秒前
molihuakai的应助被嘟噜采纳,获得10
4秒前
4秒前
Cc发布了新的文献求助10
4秒前
LL完成签到,获得积分10
5秒前
5秒前
Akim的应助被ZND采纳,获得10
5秒前
洋芋大大王完成签到 ,获得积分10
5秒前
Hao发布了新的文献求助10
5秒前
6秒前
ganyanhui完成签到,获得积分10
6秒前
6秒前
6秒前
wanci的应助被单薄翠绿采纳,获得10
7秒前
7秒前
热心的荣轩完成签到,获得积分10
8秒前
Akim的应助被Xia采纳,获得10
8秒前
李健的应助被Xia采纳,获得10
8秒前
8秒前
小蘑菇的应助被Xia采纳,获得10
8秒前
CipherSage的应助被聪明的豌豆荚采纳,获得20
8秒前
厚朴大师发布了新的文献求助10
9秒前
9秒前
含糊的之味完成签到,获得积分10
9秒前
FashionBoy的应助被元宝采纳,获得10
9秒前
桐桐的应助被mary采纳,获得10
9秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
plantTFDB 508
高分子基功能界面水蒸发材料与应用研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8178203
求助须知:如何正确求助?哪些是违规求助? 9568998
关于积分的说明 21802098
捐赠科研通 7773088
什么是DOI,文献DOI怎么找? 3432711
关于科研通互助平台的介绍 2556748
邀请新用户注册赠送积分活动 2478259