基于神經(jīng)網(wǎng)絡(luò)的玻璃缺陷聲學(xué)檢測方法

張濤，高新意，唐偉，丁碧云

?

基于神經(jīng)網(wǎng)絡(luò)的玻璃缺陷聲學(xué)檢測方法

張濤，高新意，唐偉，丁碧云

(天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院，天津 300072)

描述了一種通過聲學(xué)信號檢測玻璃制品缺陷的方法。在實(shí)現(xiàn)步驟上，首先采集了不同缺陷類型的玻璃瓶敲擊聲，然后經(jīng)過頻譜變換及小波包變換，將敲擊信號映射至不同的變換域中，并在每個(gè)變換域中提取信號的特征，從而將樣本的缺陷信息對應(yīng)為統(tǒng)計(jì)特征和物理特征，并采用基于互信息量的特征選擇算法對特征空間進(jìn)行降維；降維后的特征子集作為后向傳播神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，再由該神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對玻璃缺陷的自動(dòng)化檢測。結(jié)果表明，在已有實(shí)驗(yàn)樣本數(shù)據(jù)下，該缺陷檢測算法能準(zhǔn)確高效地檢測出存在缺陷的樣本，識(shí)別結(jié)果的F-值穩(wěn)定在95%左右。

缺陷檢測；后向傳播神經(jīng)網(wǎng)絡(luò)；特征提?。宦晫W(xué)特征量；特征選擇

0 引言

玻璃是最常見的材料之一，廣泛應(yīng)用在各個(gè)工業(yè)領(lǐng)域，但由于它材質(zhì)的特殊性，同時(shí)它也是最脆弱、最易受損的材料之一。玻璃制品在制作和運(yùn)輸過程中，會(huì)造成沙眼、夾雜、孔洞、裂紋等缺陷，進(jìn)而對玻璃的彎曲強(qiáng)度、抗壓強(qiáng)度、疲勞極限等性能產(chǎn)生影響。目前，對玻璃制品缺陷的無損檢測方法主要有人工法、計(jì)算機(jī)視覺檢測法、超聲波檢測法、振動(dòng)檢測法和聲學(xué)檢測法等。

其中，聲學(xué)檢測法是通過分析聲音信號來檢測發(fā)聲物體是否存在缺陷的方法，較其它檢測方法而言，具有操作簡單、檢測速度快、受環(huán)境影響小和成本低等優(yōu)點(diǎn)[1]。在實(shí)際檢測過程中，通常采用敲擊信號來分析物體是否存在缺陷。由于玻璃材料在制作過程中受多種因素的影響，并且材料的缺陷類型和缺陷部位各異，導(dǎo)致所采集的敲擊信號中含有較多的干擾信息，難以對材料缺陷形成精確的描述，所以多年來，只能憑借經(jīng)驗(yàn)來判斷其中有用的特征。神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、非線性等優(yōu)點(diǎn)，將其應(yīng)用在聲學(xué)檢測中，可以實(shí)現(xiàn)對缺陷的自動(dòng)識(shí)別。目前，神經(jīng)網(wǎng)絡(luò)主要是和計(jì)算機(jī)視覺、超聲波等檢測技術(shù)相結(jié)合，實(shí)現(xiàn)對管道[2]、橋梁[3]和復(fù)合材料[4]等結(jié)構(gòu)的檢測。Valada等[5]提取環(huán)境中聲音信號的深度頻譜特征，將其作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，來實(shí)現(xiàn)對于異常環(huán)境的檢測。這種方法需要的數(shù)據(jù)量較大，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間很長，難以滿足應(yīng)用的實(shí)時(shí)性要求。如何從敲擊信號中提取出能全面代表材料缺陷的特征，并減少神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，是神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于聲學(xué)檢測中亟待解決的問題。

針對以上問題，本文提出一種基于后向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)的玻璃缺陷聲學(xué)檢測算法，首先在不同的變換域中提取敲擊信號的特征，然后在保證檢測效果的前提下，以平均互信息量(Mutual Information, MI)最小化為原則對特征矩陣進(jìn)行特征選擇，將選擇后的特征子集作為神經(jīng)網(wǎng)絡(luò)的輸入，使得網(wǎng)絡(luò)的訓(xùn)練時(shí)間大為縮短。本文將該算法應(yīng)用在玻璃瓶的敲擊信號中，實(shí)現(xiàn)了對玻璃瓶缺陷的自動(dòng)檢測。

1 玻璃缺陷聲學(xué)檢測原理

聲音是由機(jī)械振動(dòng)產(chǎn)生的。振動(dòng)體擾動(dòng)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[6]。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、程度都有密切的聯(lián)系。通過對剛度變化的監(jiān)測就可知道物體損傷的狀況[7]。然而，剛度是難以直接測量的，一般是通過結(jié)構(gòu)的動(dòng)態(tài)響應(yīng)特性，如用對物體的敲擊信號來反映剛度的變化，進(jìn)而確定損傷的狀況。物體的整體剛度、質(zhì)量和物體產(chǎn)生的聲音信號的頻率和能量振型符合以下關(guān)系[3]：

由圖1可知，當(dāng)玻璃瓶出現(xiàn)裂紋損傷后，敲擊信號的時(shí)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。

聲學(xué)缺陷檢測系統(tǒng)包括聲音信號采集、預(yù)處理、特征提取、分類模型的搭建、識(shí)別分析等步驟，圖2描述了聲學(xué)缺陷檢測系統(tǒng)的基本框圖。

2 試驗(yàn)裝置及檢測方法

根據(jù)試驗(yàn)要求，設(shè)計(jì)了一套基于敲擊信號的玻璃瓶檢測系統(tǒng)，并將整個(gè)系統(tǒng)布置在實(shí)際的生產(chǎn)環(huán)境中，系統(tǒng)的結(jié)構(gòu)如圖3所示。

圖2 聲學(xué)檢測系統(tǒng)框圖

圖3 基于敲擊信號的玻璃瓶檢測裝置示意圖

整個(gè)檢測裝置跨接在機(jī)械傳送裝置上。為了保證檢測系統(tǒng)的實(shí)時(shí)性并降低功耗，系統(tǒng)各部分的控制邏輯及顯示輸出由工控機(jī)實(shí)現(xiàn)，敲擊信號的采集和分析由數(shù)字信號處理器(Digital Signal Processor, DSP)實(shí)現(xiàn)。玻璃瓶(參數(shù)規(guī)格見表1)在傳送帶上運(yùn)行，傳送帶速度為30 cm·s-1，瓶中心點(diǎn)間距為30 cm，通過計(jì)瓶器來檢測傳送帶上玻璃瓶通過的個(gè)數(shù)。當(dāng)檢測到有玻璃瓶到達(dá)敲擊位置時(shí)，觸發(fā)敲擊棒，由于實(shí)驗(yàn)裝置中敲擊棒的高度固定，敲擊棒敲擊瓶身位置，實(shí)驗(yàn)中如無特殊說明，產(chǎn)生的信號均指敲擊瓶身位置產(chǎn)生的信號。拾音器將采集到的敲擊信號傳入DSP中進(jìn)行分析，并輸出識(shí)別判決信號給剔除裝置。同時(shí)，敲擊信號的波形也會(huì)顯示在工控機(jī)的屏幕上。如果該玻璃瓶被判定為有缺陷，則通過剔除裝置將該缺陷瓶從傳送帶上剔除。

系統(tǒng)由硬件和軟件兩部分組成。硬件包括敲擊棒(自制)、計(jì)瓶器(由光電對管構(gòu)成)、拾音器(OB-D22) (參數(shù)如表2所示)、DSP處理器(TMS320VC5416)、工控機(jī)。其中，敲擊棒為不銹鋼材料，長約10 cm，采用小型電動(dòng)機(jī)控制，完成一次敲擊的時(shí)間約為0.1 s。軟件部分見下文描述的缺陷檢測算法。

表1 玻璃瓶規(guī)格參數(shù)

表2 拾音器OB-D22的性能參數(shù)

3 缺陷檢測算法

本文提出的缺陷檢測算法包括信號的預(yù)處理、特征提取和選擇、神經(jīng)網(wǎng)絡(luò)的建立和訓(xùn)練、樣本識(shí)別等步驟。

3.1 信號的預(yù)處理

由于信號采集環(huán)境中存在著不可避免的干擾因素，所以在數(shù)據(jù)中存在著噪聲和異常信號。為了獲得干凈的敲擊信號，對采集到的音頻數(shù)據(jù)進(jìn)行了預(yù)處理，包括降噪和端點(diǎn)檢測，并剔除了其中的異常數(shù)據(jù)。

經(jīng)過分析，環(huán)境噪聲主要分布在低頻段(200 Hz及以內(nèi))，而敲擊信號主要分布在高頻段(500 Hz及以上)，因此采用了高通濾波器去除噪聲信號。為了正確地判定敲擊聲音的起點(diǎn)，本文采用了基于短時(shí)能量和短時(shí)平均過零率的雙門限算法對敲擊信號進(jìn)行端點(diǎn)檢測，并截取敲擊聲出現(xiàn)之后的2 048個(gè)采樣點(diǎn)，圖4(a)和圖4(b)分別顯示了有缺陷瓶預(yù)處理之前和之后的信號波形圖。

另外，在采集的信號中，存在極少部分的異常數(shù)據(jù)，例如幅度過大，超出測量量程等。圖5顯示了有缺陷瓶存在異常信號的波形圖，由于這類信號丟失了部分信息，難以提取到有用的特征，所以將此類異常信號剔除。

在預(yù)處理之后，采用漢明窗(Hamming window)對信號進(jìn)行分幀處理。漢明窗的長度為256個(gè)采樣點(diǎn)，幀移為幀長的1/2。這樣每個(gè)敲擊信號被分成了15幀。下面所說的特征提取都是針對一幀信號而言的。

3.2 提取信號特征量

特征提取用于獲得信號中能夠反映有無缺陷特征的聲學(xué)參數(shù)，是決定缺陷檢測算法性能的關(guān)鍵。由于缺陷類型多樣，并且缺陷部位和敲擊部位的相對位置存在多種可能性，所以對于同一個(gè)瓶子，每次敲擊所產(chǎn)生的信號會(huì)存在差異。圖6顯示了對于同一個(gè)缺陷瓶(瓶身裂紋)，在不同位置敲擊時(shí)敲擊信號的時(shí)域波形圖。由圖6可見，通過單一特征難以描述缺陷情況，所以要在不同的變換域中提取特征來進(jìn)行缺陷檢測。

圖4 有缺陷瓶預(yù)處理之前和之后的信號波形圖

圖5 有缺陷瓶異常信號

3.2.1 時(shí)頻域特征

圖7 有缺陷瓶信號頻域特征

圖8 無缺陷瓶信號頻域特征

3.2.2 小波頻域特征

小波包分析不但能反映信號的頻率成分，而且能反映信號的頻率成分隨時(shí)間變化的趨勢和規(guī)律，在描述信號的時(shí)頻特征時(shí)具有獨(dú)特的優(yōu)勢[8]。本文采用db4小波基對敲擊信號做3層小波分解。分解后各個(gè)節(jié)點(diǎn)的能量分布值如表3所示。

表3 小波包分解后節(jié)點(diǎn)的能量分布值

表3說明，敲擊信號經(jīng)過3層小波分解之后，能量集中在節(jié)點(diǎn)3.1和3.3附近，所以選這兩個(gè)節(jié)點(diǎn)作為特征節(jié)點(diǎn)，采用重構(gòu)后信號的能量和均方差作為該幀信號的小波域特征。

3.3 特征選擇

對所有瓶的每個(gè)敲擊信號進(jìn)行特征提取之后，得到的特征矩陣維度為15*18=270 (15為每個(gè)敲擊信號分成子幀的個(gè)數(shù)，18為每幀信號提取的特征個(gè)數(shù))。雖然大量的特征可以保證對信號描述的全面性，但特征矩陣每增加一維，就需要增加相應(yīng)指數(shù)個(gè)訓(xùn)練樣本才能保證充分訓(xùn)練。如圖9所示，在相同的停止條件下，訓(xùn)練時(shí)間會(huì)隨著特征個(gè)數(shù)的增加呈現(xiàn)指數(shù)形式的增長。另外，大量特征之間的相關(guān)性會(huì)造成冗余，增加不必要的計(jì)算量，使算法的實(shí)時(shí)性和分類模型的準(zhǔn)確率下降[9]。所以在特征空間中選取合適的特征是很有必要的。

圖9 訓(xùn)練時(shí)間隨特征個(gè)數(shù)的變化曲線

本文采用了信息論[10]中的互信息作為特征好壞的評價(jià)標(biāo)準(zhǔn)，并在經(jīng)典的基于互信息的特征選擇算法(Mutual Information Feature Selection, MIFS)基礎(chǔ)上增加了特征子集內(nèi)部的互相關(guān)性度量，用于排除冗余特征，構(gòu)成了新的評價(jià)函數(shù)。

互信息可以用于表示兩個(gè)變量之間的依賴程度，當(dāng)和完全獨(dú)立時(shí)，它們之間的互信息值為0，當(dāng)和之間的相似程度越大時(shí)，互信息的值就越大。

由于互信息可以表示兩個(gè)變量之間的相似程度，所以可以用于作為特征選擇的標(biāo)準(zhǔn)。RM Fano等[13]證明了在分類系統(tǒng)中，當(dāng)特征數(shù)據(jù)與類標(biāo)簽之間的互信息最大時(shí)，得到的分類效果誤差較??；在這個(gè)基礎(chǔ)上，Battiti R[14]提出了經(jīng)典的基于互信息的特征選擇算法(MIFS)，將特征與類標(biāo)簽之間的互信息作為評價(jià)標(biāo)準(zhǔn)，采用貪婪算法選擇符合評價(jià)標(biāo)準(zhǔn)的特征加入特征子集。但MIFS算法中存在評價(jià)函數(shù)失衡的情況，針對這一缺點(diǎn)，Kwak N等[15]提出了MIFS-U(MIFS-uncertainty)算法，作為MIFS算法的改進(jìn)。但是這些算法只考慮了特征與類標(biāo)簽之間的相似性，排除了原始特征集中的無關(guān)特征，沒有考慮到特征子集之間的冗余性，也沒有考慮到新加入的特征對于整個(gè)特征子集的影響。

針對上述的缺點(diǎn)，本文在MIFS算法的基礎(chǔ)上增加了特征子集內(nèi)部的互相關(guān)性度量用于排除冗余特征，也就是對原始特征集中的每個(gè)特征，先判斷它和類標(biāo)簽之間的互信息，如果低于某個(gè)閾值，則舍棄該特征，如果高于閾值，則加入候選特征集中。該步驟用于排除與分類無關(guān)的特征。對于候選特征集中的每個(gè)特征子集，計(jì)算平均互信息值，選出平均互信息最低的特征子集并輸出。

彈性蛋白酶（Elastase）是從胰腺中分泌的一種酶。彈性蛋白酶為白色或類白色結(jié)晶性粉末，有吸濕性，等電點(diǎn)9.5±0.5，適用的pH范圍為8.6～9.2，易溶于水和稀鹽酸溶液，在pH 4～10.5的范圍內(nèi)，溶解度可達(dá)50 mg/mL。彈性蛋白酶可從雞的胰腺中提取。

按照改進(jìn)的MIFS算法原則，定義的評價(jià)函數(shù)為

經(jīng)過特征選擇之后，最終確定的特征子集維度為6，分別為：信號自相關(guān)序列的有效值、峰值因子、頻譜面積、信號的主頻率、第5個(gè)頻譜峰值、節(jié)點(diǎn)3.1重組信號的能量。表4給出了特征選擇之后特征子集之間的互信息量。

表4 特征子集的互信息量

由表4可見，特征子集之間的互信息量值較低，說明上述的特征選擇算法可以從大量的特征中選擇出相關(guān)性最小的特征子集。該算法可以在保證分類性能的基礎(chǔ)上盡可能地降低算法復(fù)雜度，減少了冗余，保證算法的實(shí)時(shí)性。

3.4 建立BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)即誤差反向傳播神經(jīng)網(wǎng)絡(luò)，它通過各層節(jié)點(diǎn)之間的權(quán)值將輸入和輸出聯(lián)系起來，從而實(shí)現(xiàn)特征和標(biāo)簽的非線性映射。本文采用了3層BP神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖10所示。

圖10 3層BP網(wǎng)絡(luò)結(jié)構(gòu)

對應(yīng)于提取的特征空間，設(shè)置輸入層節(jié)點(diǎn)的個(gè)數(shù)為6。樣本幀的識(shí)別結(jié)果為有缺陷和無缺陷兩類，因此BP網(wǎng)絡(luò)的輸出層有1個(gè)節(jié)點(diǎn)，設(shè)定輸出1為有缺陷幀，輸出0為無缺陷幀。根據(jù)式(12)以及大量實(shí)驗(yàn)，最終選取隱含層節(jié)點(diǎn)的個(gè)數(shù)為13。

3.5 評價(jià)指標(biāo)

表5 實(shí)驗(yàn)結(jié)果評價(jià)參數(shù)

本文采用表5中的指標(biāo)來對實(shí)驗(yàn)結(jié)果進(jìn)行評價(jià)，包括：精確率()、召回率()以及F-值。精確率、召回率和值的計(jì)算公式如下：

精確率表現(xiàn)了正確檢測出的缺陷瓶占所有檢測為缺陷瓶的比例，也就是查準(zhǔn)率。召回率表現(xiàn)為正確檢測出的缺陷瓶占所有缺陷瓶的比例，也就是查全率。值綜合考慮了精確率和召回率，是一個(gè)分類模型中常用的評價(jià)指標(biāo)。

4 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證檢測方法的有效性，設(shè)計(jì)并進(jìn)行了實(shí)驗(yàn)。通過敲擊裝置和聲音采集裝置對大量的玻璃瓶樣本進(jìn)行了敲擊信號的獲取，經(jīng)過預(yù)處理之后得到有缺陷和無缺陷的敲擊信號各1 000個(gè)。選取其中的60%作為訓(xùn)練集，20%作為測試集，另外20%作為驗(yàn)證集，通過交叉驗(yàn)證的方式來避免神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過擬合。對每幀信號提取前文所述的6個(gè)特征值，經(jīng)過歸一化后輸入BP神經(jīng)網(wǎng)絡(luò)中。根據(jù)實(shí)際需求，設(shè)定BP網(wǎng)絡(luò)的學(xué)習(xí)速率為0.1，停止條件為驗(yàn)證集的出錯(cuò)的樣本數(shù)達(dá)到6個(gè)或者平方誤差的變化率小于給定值。在BP算法的基礎(chǔ)上，采用Levenberg-Marquardt算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以提高BP網(wǎng)絡(luò)的收斂速度和網(wǎng)絡(luò)精度[11]。圖11為BP網(wǎng)絡(luò)訓(xùn)練曲線。從圖11中可以看到，經(jīng)過訓(xùn)練后，誤差達(dá)到了系統(tǒng)應(yīng)用的要求。

圖11 BP網(wǎng)絡(luò)訓(xùn)練過程

用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對測試集數(shù)據(jù)(包含100個(gè)無缺陷樣本和100個(gè)有缺陷樣本)進(jìn)行測試，實(shí)驗(yàn)結(jié)果如表6所示。

從表6中可以看到，對于測試集，信號幀檢測的平均精確率為84.86%，召回率為85.78%，值為85.78%。而對于整個(gè)敲擊信號檢測的平均精確率為99.93%左右，召回率為90.66%，綜合指標(biāo)值可以達(dá)到95.08%。

表6 檢測系統(tǒng)實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文提出的聲學(xué)檢測系統(tǒng)的有效性，在實(shí)際生產(chǎn)環(huán)境中進(jìn)行了測試。圖12是檢測裝置的機(jī)械概念圖，圖13是具體的系統(tǒng)實(shí)物圖。圖13(a)為計(jì)瓶器、圖13(b)為敲擊裝置和拾音器、圖13(c)為剔除裝置、圖13(d)是顯示設(shè)備。

圖12 檢測裝置機(jī)械概念圖

圖13 檢測系統(tǒng)的組件實(shí)物圖

檢測裝置投入使用后，運(yùn)行穩(wěn)定、效果良好，能夠?qū)崟r(shí)檢測出傳送帶上的有缺陷的瓶子，解決了之前人工檢測法所帶來的耗時(shí)、受人為因素影響較大的缺點(diǎn)，大大提高了生產(chǎn)效率。

5 結(jié)論

本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的聲學(xué)缺陷檢測方法。首先對敲擊信號提取特征，包括時(shí)頻域和小波域特征。然后基于特征之間的平均互信息量最小的標(biāo)準(zhǔn)對特征矩陣進(jìn)行特征選擇，選出相互之間相關(guān)性最小的特征子集作為BP神經(jīng)網(wǎng)絡(luò)的輸入，利用神經(jīng)網(wǎng)絡(luò)的非線性映射對缺陷樣本進(jìn)行自動(dòng)識(shí)別。經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法的平均精確率可達(dá)99.91%，能夠準(zhǔn)確地區(qū)分缺陷樣本和無缺陷樣本。但是對于沙眼等未影響整體結(jié)構(gòu)的缺陷，該方法的檢測能力有限，這也是系統(tǒng)平均召回率相對較低的原因。如何選取具有更好代表性的聲學(xué)特征，使得算法對于該類缺陷也具有較高的召回率，這一問題仍然需要在未來的工作中進(jìn)一步研究。

[1] 劉長福, 郝曉軍, 牛曉光, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的瓷絕緣子振動(dòng)聲學(xué)檢測結(jié)果分類[J]. 無損檢測, 2014, 36(1): 1-4.

LIU Changfu, HAO Xiaojun, NIU Xiaoguang, et al. Classification of the insulator inspection data by acoustic vibration based on BP neural network[J]. Nondestructive Testing, 2014, 36(1): 1-4.

[2] 王立坤, 趙晉云, 付松廣, 等. 基于神經(jīng)網(wǎng)絡(luò)的管道泄漏聲波信號特征識(shí)別[J]. 儀器儀表學(xué)報(bào), 2006, 27(增刊3): 2247-2249.

WANG Likun, ZHAO Jinyun, FU Songguang, et al. Recognizing characteristics of pipeline leakage acoustic signals based on neural network[J]. Chinese Journal of Scientific Instrument, 2006, 27(Suppl 3): 2247-2249.

[3] 孫宗光, 高贊明, 倪一清. 基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷位置識(shí)別[J]. 工程力學(xué), 2004, 21(1): 42-47.

SUN Zongguang, GAO Zanming, NI Yiqing. Identification of damage location in bridge deck by neural network[J]. Engineering Mechanics, 2004, 21(1): 42-47.

[4] 萬振, 王占剛. 基于神經(jīng)網(wǎng)絡(luò)的復(fù)合材料超聲波檢測研究[J]. 紡織學(xué)報(bào), 2010, 31(2): 54-59.

WAN Zhen, WANG Zhangang. Research on flaw detection for composite material using ultrasonic testing based on neural network[J]. Journal of Textile Research, 2010, 31(2): 54-59.

[5] VALADA A, SPINELLO L, BURGARD W, et al. Deep feature learning for acoustics-based terrain classification[C]//Proceedings of the International Symposium on Robotics Research (ISRR). 2015: 21-37.

[6] 何琳. 聲學(xué)理論與工程應(yīng)用[M]. 北京: 科學(xué)出版社, 2006.

HE Lin. Acoustics Theory and Engineering Application [M]. Bei- jing: Science Press, 2006.

[7] 楊光松. 損傷力學(xué)與復(fù)合材料損傷[M]. 北京: 國防工業(yè)出版社, 1995.

YANG Guangsong. Damage Mechanics and Composites Damage [M]. Bei Jing: National Defense Industrial Press, 1995.

[8] 崔錦泰, 程正興. 小波分析導(dǎo)論[M]. 西安: 西安交通大學(xué)出版社, 1995.

CUI Jintai, CHENG Zhengxing.Introduction of wavelet analysis [M]. Xi’an: Xi’an Communication University Press, 1995.

[9] YU L, LIU H. Feature selection for high-dimensional data: A fast correlation-based filter solution[C]//ICML. 2003, 3: 856-863.

[10] COVER T M, THOMAS J A. Elements of information theory[M]. New York: Wiley, 1991: 776.

[11] SAINI L M, SONI M K. Artificial neural network based peak load forecasting using Levenberg-Marquardt and quasi-Newton methods[J]. IEE Proceedings-Generation, Transmission and Distribution, 2002, 149(5): 578-584.

[12] AMIRI F, YOUSEFI M M R, LUCAS C, et al. Mutual information-based feature selection for intrusion detection systems[J]. Journal of Network & Computer Applications, 2011, 34(4): 1184-1199.

[13] FANO R M, HAWKINS D. Transmission of Information: A Statistical Theory of Communications[J]. American Journal of Physics, 1961, 29(11): 793-794.

[14] BATTITI R. Using mutual information for selecting features in supervised neural net learning[J]. IEEE Transactions on Neural Networks, 2002, 5(4): 537-550.

[15] KWAK N, CHOI C H. Input feature selection by mutual information based on Parzen window[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 24(12): 1667-1671.

Acoustic detection method of glass defects based on neural network

ZHANG Tao, GAO Xin-yi, TANG Wei, DING Bi-yun

(Schools of Electrical and Information Engineering, Tianjin University, Tianjin 300072, China)

This paper describes the acoustic method to detect the defects of glass products. Firstly, the percussion signals of glass samples with different types of defects are collected. After the Fourier transform and the wavelet package transform, the signals are represented in different transform domains. The defects are expressed as statistical and physical features extracted from these domains. Secondly, a feature selection algorithm based on mutual information is used to reduce the number of dimensions of the feature space. The reduced feature subset is used as the input of BP neural network to realize the automatic detection of glass defects. The experimental results show that the proposed defect detection algorithm can identify defects well, and the F-measure is stable at about 95% in existing experimental samples.

defect detection; Back Propagation(BP) neural network; feature extraction; acoustic feature; feature selection

O492

A

1000-3630(2018)-04-0488-08

10.16300/j.cnki.1000-3630.2018.05.014

2017-08-22;

2017-10-18

國家自然科學(xué)基金(61179045)、華為高校合作基金(2016120024000202)資助項(xiàng)目

張濤(1975－), 男, 河南西峽人, 博士, 副教授, 研究方向?yàn)閿?shù)字音頻處理、多媒體技術(shù)、信息隱藏與數(shù)字水印。

高新意,E-mail: xinyigao11@163.com