本发明专利技术公开了一种基于最大重叠离散小波包(MODWPT)系数平方熵特征与随机森林(RF)的声波信号特征识别的陶瓷结构缺陷检测方法，涉及信号处理与模式识别：1)对采集到陶瓷制品的敲击声音信号采用小波滤波滤除噪声并通过端点检测截取敲击声波信号部分；2)采用最大重叠离散小波包变换(MODWPT)分解预处理后的信号到第4层，共16个子带信号。采用本发明专利技术基于声波信号的最大重叠离散小波包系数平方熵特征和随进森林识别的陶瓷结构缺陷检测方法解决了现有同类检测装置成本高，并且本专利提出的基于最大重叠离散小波包系数平方熵的声波信号特征识别方法和其余特征识别方法相比，对声波信号特征识别的准确率更高，故可以进一步提升陶瓷结构缺陷检测的准确性。陶瓷结构缺陷检测的准确性。陶瓷结构缺陷检测的准确性。
【技术实现步骤摘要】
基于MODWPT系数平方熵与RF的陶瓷制品结构缺陷声波检测方法
[0001]本专利技术涉及基于声波信号特征识别的陶瓷结构缺陷检测方法，属于信号处理、陶 瓷生产、模式识别领域。
技术介绍
[0002]陶瓷制品和人类的日常生活密切相关，而作为一种硬度高、韧性差的脆性材料， 由于陶瓷材料制造工艺复杂工序多，即使在同样的工艺条件下，产品的强度差异也很大，成 批生产时质量不易准确控制，想提高产品质量，必须能够进行严格的产品检验。陶瓷裂纹、 缺损等结构缺陷的无损检测一直是陶瓷生产领域的研究热点。
[0003]无损检验的方法有很多，如射线检测、超声波检测等，但这些方法大都设备 昂贵，操作复杂；基于机器视觉的陶瓷缺陷检测只能发现被测物的表面问题而对陶瓷产品内 部缺陷无能为力；目前大多数陶瓷生产厂家仍采用传统的人工敲击听声来实现质量检测，但 严重依赖于操作人员的敲击和主观判断,易造成误判和漏判。随着计算机技术的发展，声波 信号可以采用拾音器(如麦克风等)进行采集并输入计算机，由计算机对信号进行处理、分 析后通过模式识别技术实现对陶瓷结构缺陷的自动化检测。
[0004]已有的数字化敲击检测研究中，单独分析信号的时域、频域这种方法不适用 于非平稳信号的分析，且研究的都是单一品种、单一器型的分类，在大部分应用领域中的检 测对象通常包含多种品种、器型，而品种、器型同样会影响声学特征参数，故检测效果一般， 小波分析、小波包分析等时频分析方法由于可以分析信号的时频联合域，包含了声波信号中 非常多的信息，因此非常适用于分析非平稳信号，然而这些方法存在一定局限性：对信号采 样长度有要求、分解时每分解一层，信号采样长度会减半的问题，这会对信号的统计参数带 来影响，且现有的研究主要采用的小波包能量特征应用于陶瓷时的检测效果一般。
技术实现思路
[0005]本专利技术的目的在于提供一种基于声波信号的最大重叠离散小波包(MODWPT)系数 平方熵特征和随机森林(RF)识别的陶瓷缺陷检测方法。利用该方法对陶瓷进行缺陷检测， 更好地解决了同类设备检测成本高、人工检测客观一致性差的问题，且当检测对象中混合了 多种类型(包括品种、器型等)的陶瓷制品时，本专利所提出的方法的缺陷检测准确率高于 现有的方法，故可以提升陶瓷缺陷检测精度。
[0006]本专利技术包括如下步骤：
[0007]1)声波信号的预处理：对采集到的敲击声音信号采用小波变换滤除噪声并通过 端点检测截取敲击声波信号部分。
[0008]2)采用最大重叠离散小波包变换(MODWPT)分解预处理后的信号到第4层，共 分解出16个子带信号。
[0009]3)对每个子带信号进行重构并计算每个子带信号的小波包系数平方熵，共得 到
类的平均结果输出最终分类结果并保存模型，将该特征变量从特征子集A中删除；
[0030]在步骤6)中，重复步骤5)，直至特征子集A为空集；
[0031]在步骤7)中，从每次输出的分类结果中取最优的一次所对应的模型作为分类 模型；
[0032]与现有技术相比，本专利技术的有益效果有：
[0033]本专利技术采用MODWPT算法处理信号，解决了小波包变换在处理陶瓷敲击声波信 号的局限性。提取小波包系数平方熵特征，与小波包归一化能量特征相比，该特征对检测陶 瓷缺陷的能力更强，因此可以提升敲击声波特征识别准确度从而提升陶瓷检测准确度。采用 mRMR算法选择特征，从而选出最易于识别声波信号的特征变量且特征变量之间冗余度最小的 特征。从而降低模型复杂度、提升模型训练效率且达到更高的准确率。
附图说明
[0034]图1为本专利技术实施例的方法流程图〈算法流程图)；
[0035]图2为本专利技术实施例的小波分解结果；
[0036]图3为本专利技术实施例的去噪结果(信号滤波结果)；
[0037]图4为本专利技术实施例的端点截取结果(双门限法端点截取结果)；
[0038]图5为本专利技术实施例的小波包系数平方嫡特征(最大重叠离散小波包系数平方嫡特征)；
[0039]图6为本专利技术实施例的分类结果。
具体实施方式
[0040]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。
[0041]本专利技术提供了一种基于声波信号最大重叠离散小波包系数平方熵特征识别的陶 瓷结构缺陷检测方法，具有精度高、检测效率高等优势，其流程图如图1所示。1)首先将采 集到的敲击声波信号采用小波包变换滤除噪声，并采用端点检测截取敲击声波信号部分。2) 将截取后的信号采用MODWPT分解为4层，小波基函数为coif4，共有16个子带信号。3)对每 个分解的子带信号，计算小波包系数平方熵，收集数据获得数据集。4)采用mRMR算法选择 特征子集A(可手动设置最大需要选择特征个数)。5)对于特征子集A，选取第一个特征变量 加入至需要构建随机森林的特征子集B构建随机森林，输出分类结果，并将该特征变量从特 征子集A中删除。6)重复步骤5)直至通过mRMR算法选择的特征子集A为空集。7)最后取分 类结果最优的用于构建随机森林的特征子集，建立陶瓷缺陷检测模型。
[0042]具体步骤如下：
[0043]步骤1，采用小波变换分解信号(可自行设置分解层数、小波基函数、每层 的信号是置0还是通过设置阈值去噪，本例的分解层数设置为7，小波基函数为coif5，由于 信号的噪声中低频处的噪声较小、高频处的噪声较大，因此将1
‑
3层(d1
‑
d3)的高频分量设 置0.001，4
‑
6层(d4
‑
d6)的高频分量设置为0.02，其余置0，再进行重构后得到滤波后的信 号，从而滤除噪声。并采用短时能量和平均过零率两种算法结合的方法，即双门限法进行端 点检测，找到信号的起止点n1和n2，截取敲击声波信号部分，敲击声波信号经过小波分解、 滤波结果、端点检测的结果如图2
‑
图4。
[0044]步骤2，采用最大重叠离散小波包变换(MODWPT)分解预处理后的信号到第4 层，小波基函数设置为coif4，共分解出16个子带信号。MODWPT的过程如下：
[0045]1)将信号周期延拓。
[0046]2)对用于分解的高通滤波器、低通滤波器，根据尺度j的不同，在每个滤波 器之间插入2
j
‑1‑
1个0重新设计滤波器
[0047]3)将周期延拓后的信号与重新设计后的低通滤波器与高通滤波器相卷积
[0048]4)重复步骤2)、步骤3)直至分解到4层。
[0049]步骤3，按如下步骤计算小波包系数平方熵：
[0050]1)对分解到第4层的共16个子带信号，计算每个子带信号的系数平方。
[0051]2)将每个节点的系数平方求和，即
[0052]3)根据香农熵的定义，得到定义小波包系数平方熵的公式：
[0053]4)对每个声波信号样本计算小波包系数平方熵，得到具有16维特征的最大本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于最大重叠离散小波包系数平方熵特征与随机森林的声波信号特征识别的陶瓷结构缺陷检测方法，其特征在于包括如下步骤：1)声波信号的预处理：通过一个对采集到的敲击声音信号采用小波变换滤除噪声并通过端点检测截取敲击声波信号部分。2)采用最大重叠离散小波包变换(MODWPT)分解预处理后的信号到第4层，共分解出16个子带信号。3)对每个子带信号进行重构并计算每个子带信号的小波包系数平方熵，共得到16个特征变量，从而得到16维最大重叠离散小波包系数平方熵特征的样本数据集。4)采用mRMR算法选择特征子集A(可手动设置最大需要选择特征个数)。5)对于特征子集A(特征变量个数为最大需要选择的特征变量个数)，选取第一个特征变量加入至需要构建随机森林的特征子集B构建随机森林，采用10叠交叉验证输出10次分类结果，取10次的分类结果的平均值作为最终分类结果，并将该特征变量从特征子集A中删除。6)重复5)直至通过mRMR算法选择的特征子集A为空集。7)取分类结果最优的用于构建随机森林的特征子集，建立陶瓷缺陷检测模型。2.如权利要求1所述的基于声波信号最大重叠离散小波包系数平方熵特征识别的陶瓷结构缺陷检测方法，其特征在于步骤1)中，将输入信号采用小波变换滤除噪声，可设置分解层数、每层的信号是置0还是设置阈值去噪，并将滤波后的信号采用短时能量、短时过零率两种门限结合的方法进行端点检测，截取敲击声波信号部分，方便信号分析。3.如权利要求1所述的基于最大重叠离散小波包系数平方熵特征与随机森林的声波信号特征识别的陶瓷结构缺陷检测方法，其特征在于步骤2)中，所述最大重叠离散小波包变换(MODWPT)，在离散小波包变换(DWPT)的基础上考虑了信号序列中所有起始点的加权平均，并在用于小波包分解的低通滤波器与高通滤波器中插0，因此具有不会相位扭曲，可以处理任意长度的信号，而且分解结果会随着循环位移而作出一致位移的特点，非常适用于处理声波信号这类非平稳信号。其中小波函数可自行选择。最大重叠离散小波包变换的步骤如下：1)将信号周期延拓。2)对用于分解的高通滤波器、低通滤波器，根据尺度j的不同，在每个滤波器之间插入2
j
‑1‑
1个0重新设计滤波器3)将周期延拓后的信号与重新设计后的低通滤波器与高通滤波器相卷积4)重复步骤2)、步骤3)直至分解到4层。4.如权利要求1所述的基于最大重叠离散小波包系数平方熵特征与随机森林的声波信号特征识别的陶瓷结构缺陷检测方法，其特征在于步骤3)中，所述的小波包系数平方熵特征，根据香农熵的定义来计算该特征，由于熵特征反映了一个体系的无序程度...
【专利技术属性】
技术研发人员：刘利平，蒋柳成，黄晓红，孙文悦，
申请(专利权)人：华北理工大学，
类型：发明
国别省市：
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。