本發(fā)明涉及一種玻璃缺陷檢測方法。特別是涉及一種基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)玻璃缺陷檢測方法。
背景技術(shù)：
玻璃是最常見材料之一，廣泛應(yīng)用于各個工業(yè)領(lǐng)域中，同時也是最脆弱、最易受損的材料之一。在玻璃制品的生成和運輸過程中，會造成孔洞、裂紋、沙眼等缺陷。如果不能在銷售前將有缺陷的產(chǎn)品剔除，那么就會降低產(chǎn)品的合格率，帶來一定經(jīng)濟損失。
目前，對于玻璃制品缺陷的無損檢測方法主要有人工法、計算機視覺檢測法、超聲檢測法、振動檢測法等。人工法就是依靠有經(jīng)驗的工人對產(chǎn)品進行檢查。該方法存在以下缺點：(1)誤判率較高。由于工人的勞動強度較大，長時間進行觀察，人眼很容易出現(xiàn)疲勞，會直接影響分類的準(zhǔn)確性。(2)判決標(biāo)準(zhǔn)不統(tǒng)一，人工檢查時，對于小缺陷的情況，合格與否是檢查者主觀判斷的，不同的人甚至同一人在不同的狀態(tài)下的判斷標(biāo)準(zhǔn)很難做到統(tǒng)一。計算機視覺檢測法是使用攝像頭獲得物體表面的圖像信息，然后通過數(shù)字圖像處理檢測表面的裂紋。該方法應(yīng)用范圍廣，但只能檢測表面缺陷，并且受環(huán)境光照影響大。超聲波檢測法是利用超聲波通過被檢物體產(chǎn)生的反射信號和接收波的衰減來檢測缺陷。振動檢測法是分析物體的振動模態(tài)參數(shù)(振型、振幅、阻尼等)來檢測缺陷。
聲音是由機械振動產(chǎn)生的。振動體擾動周圍的氣體分子從而使空氣壓力產(chǎn)生周期性的變化。這種壓力變化形成了或密或疏的空氣波，并向物體的四周輻射出去，就形成了聲波。物體結(jié)構(gòu)損傷研究表明，物體結(jié)構(gòu)的損傷必定引起剛度的變化，并且這種變化與損傷的類型、程度都有密切的關(guān)系。通過對剛度的變化的監(jiān)測就可獲得物體損傷的狀況。然而，剛度是難以直接測量的，所以通過分析物體的敲擊信號，可以反映剛度的變化，進而確定損傷的狀況。當(dāng)玻璃瓶出現(xiàn)裂紋損傷后，敲擊信號的時域能量分布、頻率峰值以及峰值位置都發(fā)生了變化，所以可以通過分析敲擊信號的這些特征來判斷玻璃瓶是否存在缺陷。
目前已有的方法主要利用通道內(nèi)信號在時間軸上的相關(guān)性采集信號，但是由于聲音信號的不穩(wěn)定性，在時間軸上相關(guān)性并不好，導(dǎo)致稀疏處理后的效果不理想。
技術(shù)實現(xiàn)要素：
本發(fā)明所要解決的技術(shù)問題是，提供一種能夠更準(zhǔn)確高效地完成玻璃缺陷檢測任務(wù)的基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)玻璃缺陷檢測方法。
本發(fā)明所采用的技術(shù)方案是：一種基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)玻璃缺陷檢測方法，包括如下步驟：
1)在實際生產(chǎn)環(huán)境中利用拾音器采集玻璃樣本的敲擊信號；
2)對采集到的敲擊信號進行預(yù)處理，包括降噪、端點檢測和剔除異常數(shù)據(jù)，得到純凈的敲擊信號；
3)對純凈的敲擊信號進行特征提取，包括時域特征提取、頻域特征提取和小波域特征提??；
4)設(shè)定BP神經(jīng)網(wǎng)絡(luò)的初始參數(shù)：將步驟3)提取的特征作為神經(jīng)網(wǎng)絡(luò)的輸入，設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點個數(shù)為7，設(shè)置BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)為15，設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點數(shù)為2，設(shè)定輸出結(jié)果為(0，1)表示玻璃樣本有缺陷，(1，0)表示玻璃樣本無缺陷；
5)對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，設(shè)定BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率為0.1，目標(biāo)平方誤差值為0.1，采用LeVenberg-Marquardt算法對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，當(dāng)神經(jīng)網(wǎng)絡(luò)的誤差小于設(shè)定的目標(biāo)平方誤差值時，停止訓(xùn)練。
步驟2)中，采用高通濾波器進行降噪，采用短時能量和短時平均過零率的雙門限算法對敲擊聲音信號進行端點檢測。
步驟3)所述的時域特征提取包括：
(1)信號的均值提取，采用如下公式：
其中，N為完整敲擊信號的長度，xi為第i個信號點的幅值，為提取的信號均值；
(2)信號的均方根值RMS提取，采用如下公式：
(3)信號的峰值peak提取，采用如下公式：
步驟3)所述的頻域特征提?。合葘π盘栠M行傅里葉變換，得到信號頻譜，再分別求取信號頻譜的面積和信號頻譜主頻率，其中：
所述的信號頻譜的面積是指頻譜信號與坐標(biāo)軸圍成的面積；所述的信號頻譜主頻率是指信號頻譜最大值對應(yīng)的橫坐標(biāo)值。
步驟3)所述的小波域特征的提取，是對信號進行db4小波包變換，采用節(jié)點3.1和3.3作為特征節(jié)點，并采用重構(gòu)后的信號的能量作為小波域特征。
步驟4)中所述的設(shè)置BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)為15個，是依據(jù)Kolomogorov定理進行選?。?/p>
nh＝2nr+1
式中，nh為隱含層節(jié)點個數(shù)，nr為輸入層節(jié)點個數(shù)。
本發(fā)明的一種基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)玻璃缺陷檢測方法，本發(fā)明通過分析敲擊信號的時域、頻域和小波域特征的變化，并利用神經(jīng)網(wǎng)絡(luò)來對樣本進行學(xué)習(xí)和訓(xùn)練，從而判定玻璃制品是否存在缺陷，是一種更有效的空間音頻編碼方法，利用更少的傳輸通道精確重構(gòu)出原始信號。本發(fā)明提取的信號特征具有良好的區(qū)分度，并利用神經(jīng)網(wǎng)絡(luò)的非線性對應(yīng)關(guān)系搭建分類模型，可以有效地解決目前已有的檢測方法存在的受客觀環(huán)境影響大、檢測結(jié)果不理想、對噪聲過于敏感等問題，更準(zhǔn)確高效地完成玻璃缺陷檢測任務(wù)。
附圖說明
圖1是本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)玻璃缺陷檢測方法的流程圖。
具體實施方式
下面結(jié)合實施例和附圖對本發(fā)明的一種基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)玻璃缺陷檢測方法做出詳細說明。
如圖1所示，本發(fā)明的一種基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)玻璃缺陷檢測方法，包括如下步驟：
1)在實際生產(chǎn)環(huán)境中利用拾音器采集玻璃樣本的敲擊信號；
2)由于環(huán)境中存在噪聲和其它不可避免的因素，導(dǎo)致采集的數(shù)據(jù)中存在噪聲和異常信號。為了獲得純凈的敲擊信號，需要對采集到的敲擊信號進行預(yù)處理，包括降噪、端點檢測和剔除異常數(shù)據(jù)，得到純凈的敲擊信號。，其中，采用高通濾波器進行降噪，采用短時能量和短時平均過零率的雙門限算法對敲擊聲音信號進行端點檢測；
3)對純凈的敲擊信號進行特征提取，包括時域特征提取、頻域特征提取和小波域特征提??；其中：
所述的時域特征提取包括：
(1)信號的均值提取，采用如下公式：
其中，N為完整敲擊信號的長度，xi為第i個信號點的幅值，為提取的信號均值；
(2)信號的均方根值RMS提取，采用如下公式：
(3)信號的峰值peak提取，采用如下公式：
所述的頻域特征提取是：先對信號進行傅里葉變換，得到信號頻譜，再分別求取信號頻譜的面積和信號頻譜主頻率，其中：所述的信號頻譜的面積是指頻譜信號與坐標(biāo)軸圍成的面積；所述的信號頻譜主頻率是指信號頻譜最大值對應(yīng)的橫坐標(biāo)值。
所述的小波域特征的提取，是對信號進行db4小波包變換，采用節(jié)點3.1和3.3作為特征節(jié)點，并采用重構(gòu)后的信號的能量作為小波域特征。
4)設(shè)定BP神經(jīng)網(wǎng)絡(luò)的初始參數(shù)：將步驟3)提取的特征作為神經(jīng)網(wǎng)絡(luò)的輸入，因為特征矩陣的維度為7，所以設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點個數(shù)為7，設(shè)置BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)為15，系統(tǒng)對于樣本的識別分為有缺陷和無缺陷兩類，因此設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點數(shù)為2，設(shè)定輸出結(jié)果為(0，1)表示玻璃樣本有缺陷，(1，0)表示玻璃樣本無缺陷；
所述的設(shè)置BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)為15個，是依據(jù)Kolomogorov定理進行選?。?/p>
nh＝2nr+1
式中，nh為隱含層節(jié)點個數(shù)，nr為輸入層節(jié)點個數(shù)。
5)對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，設(shè)定BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率為0.1，目標(biāo)平方誤差值為0.1，采用LeVenberg-Marquardt算法對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，當(dāng)神經(jīng)網(wǎng)絡(luò)的誤差小于設(shè)定的目標(biāo)平方誤差值時，停止訓(xùn)練。
本發(fā)明的一種基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)玻璃缺陷檢測方法中，敲擊信號的持續(xù)時間較短，同時為了滿足檢測系統(tǒng)的實時性，所以對于每個信號截取1024個采樣點。對信號進行特征提取之后，獲得的特征矩陣維度為7。根據(jù)Kolomogorov定理以及多次實驗，依據(jù)下式來選取隱含層節(jié)點的個數(shù)：
nh＝2nr+1
式中，nh為隱含層節(jié)點個數(shù)，nr為輸入層節(jié)點個數(shù)。所以，采用的BP網(wǎng)絡(luò)隱含層節(jié)點數(shù)為15個。采用LeVenberg-Marquardt算法對BP網(wǎng)絡(luò)進行訓(xùn)練，學(xué)習(xí)速率為0.1。
選用不同的算法對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間會產(chǎn)生很大的影響，本發(fā)明嘗試了多種不同的收斂算法，在這些算法中，LeVenberg-Marquardt算法的收斂速度和網(wǎng)絡(luò)精度都較好。相信利用本發(fā)明所使用的方法，還會有更好的聲學(xué)特征和收斂算法能夠更加準(zhǔn)確地檢測出缺陷樣本。