The invention discloses an automatic detection method and device for a production line. When the detected detected equipment audio playback test production line, vibration offset acquisition of the audio data in the preset frequency measuring equipment and audio data corresponding to the acquisition; learning neural network model trained by vibration sample data; the audio data and the vibration displacement in the input of neural network model, and compared with the sample feature space in a neural network model, compare the results and test results of the device under test is determined by comparison of results. In one embodiment of the invention, the automatic detection method of production line, avoid the manual detection accuracy is low, the vibration offset audio data acquisition devices to be tested in a predetermined frequency and the audio data corresponding to the analysis and comparison to determine whether there is the sound vibration measurement equipment defects, greatly improve the detection of vibrato defects precision.
【技术实现步骤摘要】
一种生产线上的自动化检测方法及装置
本专利技术涉及测试领域,尤其涉及一种生产线上的自动化检测方法及装置。
技术介绍
生产线上对生产的设备进行质量检测,如对设备的扬声器质量进行检测,包括有无声、有无大幅度衰减瑕疵,是否有振音瑕疵等,振音指发出轰轰巨响,产生机壳和扬声器共振的现象,该现象有多个因素共同促成,例如设备的机壳的材质、厚薄程度、设计的结构、安装位置等。可通过扬声器播放音频,用人耳鉴别,但是人工检测效率低。现有技术的自动化检测中用麦克风采集扬声器播放的音频,通过对采集到的音频进行频率分析等方法检测是否存在缺陷,但是生产线的现场存在噪声,易造成干扰,对用采集到的音频进行分析检测的难度增加,且振音缺陷检测的精准度大大降低。
技术实现思路
本专利技术的目的在于提供一种生产线上的自动化检测方法及装置,采用生产线上的自动化检测方法,避免了人工检测准确度低的情况,大大提高了振音缺陷检测的精度。本专利技术第一方面提供了一种生产线上的自动化检测方法,包括:当检测到生产线上的待测设备播放测试音频时,采集所述待测设备在预设频率下的音频数据以及所述音频数据对应的振动偏移量;获取由振动样本数据学习训练得到的神经网络模型;将所述音频数据和所述振动偏移量输入所述神经网络模型,并与所述神经网络模型中的样本特征空间进行比较,输出比较结果,由所述比较结果确定所述待测设备的检测结果。优选的,所述当检测到生产线上的待测设备播放测试音频时,采集所述待测设备在预设频率下的音频数据以及所述音频数据对应的振动偏移量之前,所述方法还包括:采集所述待测设备在所述预设频率下的所述样本音频数据;以及采集由所述 ...
【技术保护点】
一种生产线上的自动化检测方法,其特征在于,包括:当检测到生产线上的待测设备播放测试音频时,采集所述待测设备在预设频率下的音频数据以及所述音频数据对应的振动偏移量;获取由振动样本数据学习训练得到的神经网络模型;将所述音频数据和所述振动偏移量输入所述神经网络模型,并与所述神经网络模型中的样本特征空间进行比较,输出比较结果,由所述比较结果确定所述待测设备的检测结果。
【技术特征摘要】
1.一种生产线上的自动化检测方法,其特征在于,包括:当检测到生产线上的待测设备播放测试音频时,采集所述待测设备在预设频率下的音频数据以及所述音频数据对应的振动偏移量;获取由振动样本数据学习训练得到的神经网络模型;将所述音频数据和所述振动偏移量输入所述神经网络模型,并与所述神经网络模型中的样本特征空间进行比较,输出比较结果,由所述比较结果确定所述待测设备的检测结果。2.如权利要求1所述方法,其特征在于,所述当检测到生产线上的待测设备播放测试音频时,采集所述待测设备在预设频率下的音频数据以及所述音频数据对应的振动偏移量之前,所述方法还包括:采集所述待测设备在所述预设频率下的所述样本音频数据;以及采集由所述振动传感器获取到的样本振动偏移量;所述样本振动偏移量与所述预设频率对应;由所述样本音频数据和所述样本振动偏移量构成所述样本特征空间,并对所述样本特征空间进行学习训练,训练得到所述神经网络模型。3.如权利要求1所述方法,其特征在于,将所述音频数据和所述振动偏移量输入所述神经网络模型,并与所述神经网络模型中的样本特征空间进行比较,输出比较结果,由所述比较结果确定所述待测设备的检测结果,包括:若所述音频数据对应的所述振动偏移量满足所述神经网络模型中的预设阈值时,确定所述比较结果的类别,所述比较结果的类别包括:振音缺陷设备或完好设备。4.如权利要求2所述方法,其特征在于,所述振动传感器包括:光学振动传感器,所述振动偏移量包括:所述光学振动传感器发射的光折射在所述待测设备后接收的光强度。5.如权利要求1所述方法,其特征在于,所述由所述比较结果确定所述待测设备的检测结果之后,所述方法还包括:将所述待测设备的检测结果输入所述神经网络模型,并计算检...
【专利技术属性】
技术研发人员:杨麟,林淼,沈航,
申请(专利权)人:研祥智能科技股份有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。