【技术实现步骤摘要】
一种基于机器学习的玻璃瓶裂纹检测方法
本专利技术涉及饮料行业中玻璃瓶缺陷的无损检测技术，特别是针对饮料行业中玻璃瓶注入饮料前对空玻璃瓶进行的裂纹无损检测方法。
技术介绍
1.玻璃瓶裂纹检测饮料行业的玻璃瓶在生产或运输过程中容易发生破损，出现瓶身损坏，产生裂纹等缺陷。这种存在裂纹的玻璃瓶用来装饮料，会造成饮料渗漏导致不必要的浪费，甚至会影响厂家的信誉，从而带来直接或间接的经济损失。这种问题在白酒厂尤其明显，用于灌装白酒的劣质玻璃瓶，不仅会造成白酒的浪费，流入市场更会影响厂家的信誉，造成经济损失。因此，为了防止意外损失，在灌装前对空瓶进行裂纹检查是非常必要的。目前针对玻璃瓶裂纹可能导致饮料渗漏这一问题，饮料行业通常采用传统的手工检测方法进行玻璃瓶的裂纹检测，如图1所示。这种方法广泛应用于很多饮料厂，如酒厂。该方法由灌装前检测和灌装后检测两部分组成。灌装前检测是通过人耳的感知(即人的听觉)识别瓶子的缺陷，初步剔除有裂纹的瓶子。这部分旨在通过对瓶子缺陷的初步检测来提高检测效率，其检测准确率约为95％。灌装后检...
【技术保护点】
1.一种基于机器学习的玻璃瓶裂纹检测方法，其特征在于，包括如下步骤：/n1)采用拾音器采集金属棒敲击待检测的玻璃瓶瓶身产生的声音信号，并将声音信号传输至工控机；/n2)在工控机中，对采集得到的声音信号进行特征提取，提取声音信号的传统特征、短时特征和时频特征三大类特征，得初始特征集；/n3)采用混洗蛙跳算法对初始特征集进行特征选择，得到最优特征子集；/n4)将最优特征子集作为BPNN的输入，进行BPNN训练得到模型参数，然后根据BPNN的输出判断玻璃瓶是否存在裂纹，最终得到裂纹检测结果；/n5)根据裂纹检测结果，采用剔除设备剔除存在裂纹的玻璃瓶。/n
【技术特征摘要】
1.一种基于机器学习的玻璃瓶裂纹检测方法，其特征在于，包括如下步骤：
1)采用拾音器采集金属棒敲击待检测的玻璃瓶瓶身产生的声音信号，并将声音信号传输至工控机；
2)在工控机中，对采集得到的声音信号进行特征提取，提取声音信号的传统特征、短时特征和时频特征三大类特征，得初始特征集；
3)采用混洗蛙跳算法对初始特征集进行特征选择，得到最优特征子集；
4)将最优特征子集作为BPNN的输入，进行BPNN训练得到模型参数，然后根据BPNN的输出判断玻璃瓶是否存在裂纹，最终得到裂纹检测结果；
5)根据裂纹检测结果，采用剔除设备剔除存在裂纹的玻璃瓶。
2.根据权利要求1所述的一种基于机器学习的玻璃瓶裂纹检测方法，其特征在于，步骤2)包括：
(2.1)提取声音信号的传统特征，记为{F1}。声音信号的传统特征包括：时域特征、频域特征和时频域特征。其中，时域特征包括：过零率、能量、均值、方差、均方根、峰值、峰值因子、脉冲因子、裕度因子、波形因子、K因子、峭度，以及自相关序列的均方根、峰值和峰值因子。频域特征包括：频谱面积、前5个频谱幅度峰值及其频率位置、重心频率、均方频率、以及频率的均方根、标准方差和方差。时频域特征包括三层小波包分解与重构后得到的第三层所有节点的能量和方差；
(2.2)提取声音信号的短时特征，记为{F2}。先对信号进行分帧处理，得到若干个子帧信号，然后分别提取各个子帧信号的传统特征，将各个子帧信号传统特征组合最终得到短时特征集{F2}；
(2.3)基于改进HHT方法提取声音信号的时频特征，记为{F3}。其步骤如下：
(2.3a)采用Daubechies小波对输入声音信号x(t)进行N层小波包分解与重构，得到2N个不同频段的窄带信号；
(2.3b)对得到的所有窄带信号分别做经验模式分解，得到若干个IMF分量；
(2.3c)计算窄带信号与其各个IMF分量的互信息量，并与IMF分量筛选阈值Mi对比，筛选出能够反映信号特征的真实IMF分量；
(2.3d)将筛选出来的真实IMF分量按照频率由高到低的顺序排序，得到最终整个信号的IMF分量；
(2.3e)对最终整个信号的IMF分量进行Hilbert变换，得到信号的瞬时属性，包括：每个IMF分量的瞬时频率和瞬时幅度，以及边际谱；
(2.3f)基于信号的瞬时属性，提取声音信号的时频特征，包括：边际谱的频谱面积、带宽...
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。