[發明專利]一種基于神經網絡的聲學玻璃缺陷檢測方法

在審

• 申請號: 201710053519.X
• 申請日: 2017-01-23
• 公開（公告）號: CN106841403A
• 公開（公告）日: 2017-06-13
• 發明（設計）人: 張濤;唐偉;丁碧云
• 申請（專利權）人: 天津大學
• 主分類號: G01N29/44
• 分類號: G01N29/44
• 代理公司: 天津市北洋有限責任專利代理事務所12201
• 代理人: 杜文茹

技術領域

本發明涉及一種玻璃缺陷檢測方法。特別是涉及一種基于神經網絡的聲學玻璃缺陷檢測方法。

背景技術

玻璃是最常見材料之一，廣泛應用于各個工業領域中，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品剔除，那么就會降低產品的合格率，帶來一定經濟損失。

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驗的工人對產品進行檢查。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，人眼很容易出現疲勞，會直接影響分類的準確性。(2)判決標準不統一，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下的判斷標準很難做到統一。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，然后通過數字圖像處理檢測表面的裂紋。該方法應用范圍廣，但只能檢測表面缺陷，并且受環境光照影響大。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參數(振型、振幅、阻尼等)來檢測缺陷。

聲音是由機械振動產生的。振動體擾動周圍的氣體分子從而使空氣壓力產生周期性的變化。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。物體結構損傷研究表明，物體結構的損傷必定引起剛度的變化，并且這種變化與損傷的類型、程度都有密切的關系。通過對剛度的變化的監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。當玻璃瓶出現裂紋損傷后，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信號在時間軸上的相關性采集信號，但是由于聲音信號的不穩定性，在時間軸上相關性并不好，導致稀疏處理后的效果不理想。

發明內容

本發明所要解決的技術問題是，提供一種能夠更準確高效地完成玻璃缺陷檢測任務的基于神經網絡的聲學玻璃缺陷檢測方法。

本發明所采用的技術方案是：一種基于神經網絡的聲學玻璃缺陷檢測方法，包括如下步驟：

1)在實際生產環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處理，包括降噪、端點檢測和剔除異常數據，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取；

4)設定BP神經網絡的初始參數：將步驟3)提取的特征作為神經網絡的輸入，設置BP神經網絡的輸入層節點個數為7，設置BP神經網絡的隱含層節點數為15，設置BP神經網絡的輸出層節點數為2，設定輸出結果為(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神經網絡進行訓練，設定BP神經網絡的學習速率為0.1，目標平方誤差值為0.1，采用LeVenberg-Marquardt算法對BP神經網絡進行訓練，當神經網絡的誤差小于設定的目標平方誤差值時，停止訓練。

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，x_i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)所述的頻域特征提取：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的橫坐標值。

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，采用節點3.1和3.3作為特征節點，并采用重構后的信號的能量作為小波域特征。

步驟4)中所述的設置BP神經網絡的隱含層節點數為15個，是依據Kolomogorov定理進行選取：

n_h＝2n_r+1