CN106841403A

CN106841403A - 一种基于神经网络的声学玻璃缺陷检测方法

Info

Publication number: CN106841403A
Application number: CN201710053519.XA
Authority: CN
Inventors: 张涛; 唐伟; 丁碧云
Original assignee: Tianjin University
Current assignee: Tianjin University
Priority date: 2017-01-23
Filing date: 2017-01-23
Publication date: 2017-06-13

Abstract

一种基于神经网络的声学玻璃缺陷检测方法：在实际生产环境中利用拾音器采集玻璃样本的敲击信号；对敲击信号进行预处理；对纯净的敲击信号进行特征提取；设定BP神经网络的初始参数：将提取的特征作为神经网络的输入，设置BP神经网络的输入层节点个数为7，设置BP神经网络的隐含层节点数为15，设置BP神经网络的输出层节点数为2，设定输出结果为(0，1)表示玻璃样本有缺陷，(1，0)表示玻璃样本无缺陷；对BP神经网络进行训练，设定BP神经网络的学习速率为0.1，目标平方误差值为0.1，采用LeVenberg‑Marquardt算法对BP神经网络进行训练，当神经网络的误差小于设定的目标平方误差值时，停止训练。本发明提取的信号特征具有良好的区分度，能够更准确高效地完成玻璃缺陷检测任务。

Description

一种基于神经网络的声学玻璃缺陷检测方法

技术领域

本发明涉及一种玻璃缺陷检测方法。特别是涉及一种基于神经网络的声学玻璃缺陷检测方法。

背景技术

玻璃是最常见材料之一，广泛应用于各个工业领域中，同时也是最脆弱、最易受损的材料之一。在玻璃制品的生成和运输过程中，会造成孔洞、裂纹、沙眼等缺陷。如果不能在销售前将有缺陷的产品剔除，那么就会降低产品的合格率，带来一定经济损失。

目前，对于玻璃制品缺陷的无损检测方法主要有人工法、计算机视觉检测法、超声检测法、振动检测法等。人工法就是依靠有经验的工人对产品进行检查。该方法存在以下缺点：(1)误判率较高。由于工人的劳动强度较大，长时间进行观察，人眼很容易出现疲劳，会直接影响分类的准确性。(2)判决标准不统一，人工检查时，对于小缺陷的情况，合格与否是检查者主观判断的，不同的人甚至同一人在不同的状态下的判断标准很难做到统一。计算机视觉检测法是使用摄像头获得物体表面的图像信息，然后通过数字图像处理检测表面的裂纹。该方法应用范围广，但只能检测表面缺陷，并且受环境光照影响大。超声波检测法是利用超声波通过被检物体产生的反射信号和接收波的衰减来检测缺陷。振动检测法是分析物体的振动模态参数(振型、振幅、阻尼等)来检测缺陷。

声音是由机械振动产生的。振动体扰动周围的气体分子从而使空气压力产生周期性的变化。这种压力变化形成了或密或疏的空气波，并向物体的四周辐射出去，就形成了声波。物体结构损伤研究表明，物体结构的损伤必定引起刚度的变化，并且这种变化与损伤的类型、程度都有密切的关系。通过对刚度的变化的监测就可获得物体损伤的状况。然而，刚度是难以直接测量的，所以通过分析物体的敲击信号，可以反映刚度的变化，进而确定损伤的状况。当玻璃瓶出现裂纹损伤后，敲击信号的时域能量分布、频率峰值以及峰值位置都发生了变化，所以可以通过分析敲击信号的这些特征来判断玻璃瓶是否存在缺陷。

目前已有的方法主要利用通道内信号在时间轴上的相关性采集信号，但是由于声音信号的不稳定性，在时间轴上相关性并不好，导致稀疏处理后的效果不理想。

发明内容

本发明所要解决的技术问题是，提供一种能够更准确高效地完成玻璃缺陷检测任务的基于神经网络的声学玻璃缺陷检测方法。

本发明所采用的技术方案是：一种基于神经网络的声学玻璃缺陷检测方法，包括如下步骤：

1)在实际生产环境中利用拾音器采集玻璃样本的敲击信号；

2)对采集到的敲击信号进行预处理，包括降噪、端点检测和剔除异常数据，得到纯净的敲击信号；

3)对纯净的敲击信号进行特征提取，包括时域特征提取、频域特征提取和小波域特征提取；

4)设定BP神经网络的初始参数：将步骤3)提取的特征作为神经网络的输入，设置BP神经网络的输入层节点个数为7，设置BP神经网络的隐含层节点数为15，设置BP神经网络的输出层节点数为2，设定输出结果为(0，1)表示玻璃样本有缺陷，(1，0)表示玻璃样本无缺陷；

5)对BP神经网络进行训练，设定BP神经网络的学习速率为0.1，目标平方误差值为0.1，采用LeVenberg-Marquardt算法对BP神经网络进行训练，当神经网络的误差小于设定的目标平方误差值时，停止训练。

步骤2)中，采用高通滤波器进行降噪，采用短时能量和短时平均过零率的双门限算法对敲击声音信号进行端点检测。

步骤3)所述的时域特征提取包括：

(1)信号的均值提取，采用如下公式：

其中，N为完整敲击信号的长度，x_i为第i个信号点的幅值，为提取的信号均值；

(2)信号的均方根值RMS提取，采用如下公式：

(3)信号的峰值peak提取，采用如下公式：

步骤3)所述的频域特征提取：先对信号进行傅里叶变换，得到信号频谱，再分别求取信号频谱的面积和信号频谱主频率，其中：

所述的信号频谱的面积是指频谱信号与坐标轴围成的面积；所述的信号频谱主频率是指信号频谱最大值对应的横坐标值。

步骤3)所述的小波域特征的提取，是对信号进行db4小波包变换，采用节点3.1和3.3作为特征节点，并采用重构后的信号的能量作为小波域特征。

步骤4)中所述的设置BP神经网络的隐含层节点数为15个，是依据Kolomogorov定理进行选取：

n_h＝2n_r+1

式中，n_h为隐含层节点个数，n_r为输入层节点个数。

本发明的一种基于神经网络的声学玻璃缺陷检测方法，本发明通过分析敲击信号的时域、频域和小波域特征的变化，并利用神经网络来对样本进行学习和训练，从而判定玻璃制品是否存在缺陷，是一种更有效的空间音频编码方法，利用更少的传输通道精确重构出原始信号。本发明提取的信号特征具有良好的区分度，并利用神经网络的非线性对应关系搭建分类模型，可以有效地解决目前已有的检测方法存在的受客观环境影响大、检测结果不理想、对噪声过于敏感等问题，更准确高效地完成玻璃缺陷检测任务。

附图说明

图1是本发明基于神经网络的声学玻璃缺陷检测方法的流程图。

具体实施方式

下面结合实施例和附图对本发明的一种基于神经网络的声学玻璃缺陷检测方法做出详细说明。

如图1所示，本发明的一种基于神经网络的声学玻璃缺陷检测方法，包括如下步骤：

1)在实际生产环境中利用拾音器采集玻璃样本的敲击信号；

2)由于环境中存在噪声和其它不可避免的因素，导致采集的数据中存在噪声和异常信号。为了获得纯净的敲击信号，需要对采集到的敲击信号进行预处理，包括降噪、端点检测和剔除异常数据，得到纯净的敲击信号。，其中，采用高通滤波器进行降噪，采用短时能量和短时平均过零率的双门限算法对敲击声音信号进行端点检测；

3)对纯净的敲击信号进行特征提取，包括时域特征提取、频域特征提取和小波域特征提取；其中：

所述的时域特征提取包括：

(1)信号的均值提取，采用如下公式：

(2)信号的均方根值RMS提取，采用如下公式：

(3)信号的峰值peak提取，采用如下公式：

所述的频域特征提取是：先对信号进行傅里叶变换，得到信号频谱，再分别求取信号频谱的面积和信号频谱主频率，其中：所述的信号频谱的面积是指频谱信号与坐标轴围成的面积；所述的信号频谱主频率是指信号频谱最大值对应的横坐标值。

所述的小波域特征的提取，是对信号进行db4小波包变换，采用节点3.1和3.3作为特征节点，并采用重构后的信号的能量作为小波域特征。

4)设定BP神经网络的初始参数：将步骤3)提取的特征作为神经网络的输入，因为特征矩阵的维度为7，所以设置BP神经网络的输入层节点个数为7，设置BP神经网络的隐含层节点数为15，系统对于样本的识别分为有缺陷和无缺陷两类，因此设置BP神经网络的输出层节点数为2，设定输出结果为(0，1)表示玻璃样本有缺陷，(1，0)表示玻璃样本无缺陷；

所述的设置BP神经网络的隐含层节点数为15个，是依据Kolomogorov定理进行选取：

n_h＝2n_r+1

式中，n_h为隐含层节点个数，n_r为输入层节点个数。

本发明的一种基于神经网络的声学玻璃缺陷检测方法中，敲击信号的持续时间较短，同时为了满足检测系统的实时性，所以对于每个信号截取1024个采样点。对信号进行特征提取之后，获得的特征矩阵维度为7。根据Kolomogorov定理以及多次实验，依据下式来选取隐含层节点的个数：

n_h＝2n_r+1

式中，n_h为隐含层节点个数，n_r为输入层节点个数。所以，采用的BP网络隐含层节点数为15个。采用LeVenberg-Marquardt算法对BP网络进行训练，学习速率为0.1。

选用不同的算法对神经网络的训练时间会产生很大的影响，本发明尝试了多种不同的收敛算法，在这些算法中，LeVenberg-Marquardt算法的收敛速度和网络精度都较好。相信利用本发明所使用的方法，还会有更好的声学特征和收敛算法能够更加准确地检测出缺陷样本。

Claims

1.一种基于神经网络的声学玻璃缺陷检测方法，其特征在于，包括如下步骤：

1)在实际生产环境中利用拾音器采集玻璃样本的敲击信号；

2.根据权利要求1所述的一种基于神经网络的声学玻璃缺陷检测方法，其特征在于，步骤2)中，采用高通滤波器进行降噪，采用短时能量和短时平均过零率的双门限算法对敲击声音信号进行端点检测。

3.根据权利要求1所述的一种基于神经网络的声学玻璃缺陷检测方法，其特征在于，步骤3)所述的时域特征提取包括：

(1)信号的均值提取，采用如下公式：

\overset{&OverBar;}{x} = \frac{1}{N} Σ_{i = 1}^{N} (x_{i})

(2)信号的均方根值RMS提取，采用如下公式：

R M S = \sqrt{\frac{1}{N} Σ_{i = 1}^{N} {(x_{i} - \overset{&OverBar;}{x})}^{2}}

(3)信号的峰值peak提取，采用如下公式：

p e a k = \frac{1}{2} (m a x (x_{i}) - m i n (x_{i})) .

4.根据权利要求1所述的一种基于神经网络的声学玻璃缺陷检测方法，其特征在于，步骤3)所述的频域特征提取：先对信号进行傅里叶变换，得到信号频谱，再分别求取信号频谱的面积和信号频谱主频率，其中：

5.根据权利要求1所述的一种基于神经网络的声学玻璃缺陷检测方法，其特征在于，步骤3)所述的小波域特征的提取，是对信号进行db4小波包变换，采用节点3.1和3.3作为特征节点，并采用重构后的信号的能量作为小波域特征。

6.根据权利要求1所述的一种基于神经网络的声学玻璃缺陷检测方法，其特征在于，步骤4)中所述的设置BP神经网络的隐含层节点数为15个，是依据Kolomogorov定理进行选取：

n_h＝2n_r+1

式中，n_h为隐含层节点个数，n_r为输入层节点个数。