[发明专利]一种基于机器学习的玻璃瓶裂纹检测方法

权利要求书

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2^N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、截止频率和方差，前5个边际谱的峰值和峰值位置，边际谱方差，第三个和第四个IMF分量的极大值和极小值，前6个IMF分量的瞬时幅度的均值、均值、方差和有效值。

3.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3)包括：

(1)设定混洗蛙跳算法的初始参数，包括：青蛙种群数量、每组数、算法最大迭代次数和迭代次数iter＝0；

(2)设定特征选择中输出的最优特征子集维度m，m对应混洗蛙跳算法中青蛙个体的位置编码位数，其中青蛙的位置对应于维度为n的初始特征集中的一个维度为m特征子集；

(3)根据步骤(1)和步骤(2)设定的参数，随机生成青蛙种群的个体信息，其中每个青蛙个体的位置编码用一个含有m个由0到n-1之间的整数组成的无序不重复的序列表示，序列中的每个数对应一个特征，其中，n是初始特征集维度；

(4)将青蛙个体的位置信息利用适应度函数进行适应度计算，得出青蛙个体的适应度值以及是否满足的优化的约束条件，即计算在特征选择中该方案对应的特征子集的评估函数值。适应度函数表达式为：

这里S＝{S₁，S₂，…，S_M}是青蛙个体的位置信息，对应青蛙个体表示的特征子集，其中S∈F，S_i和S_j分别表示S中的第i和第j个特征。L表示样本数据对应的目标类标签。I(S_i，L)表示第i个特征与目标类标签的平均互信息量。I(S_i，S_j)表示第i个特征与第j个特征的平均互信息量。对青蛙种群的每个个体所在的位置进行评估，得到青蛙种群的每个个体适应度值；

(5)按照青蛙个体的适应度值对整个青蛙种群进行降序排序，并按照模因分组法对青蛙种群进行分组，确定每组中的组内最优青蛙、组内最差青蛙以及整个青蛙种群中的全局最优青蛙；

(6)每组中首先利用组内最优青蛙的信息更新组内最差青蛙，若发现更新后的组内最差青蛙的适应度值优于之前的青蛙且满足特征子集的约束条件，则完成一次更新过程；否则，采用全局最优青蛙的位置信息更新，若更新后的组内最差青蛙的适应度值优于之前的青蛙且满足特征子集的约束条件，则完成更新过程；若依然无法更新成功，则采用随机更新的方式更新组内最优青蛙；

(7)迭代次数iter加1；

(8)对全体青蛙种群进行混洗。若迭代次数小于算法最大迭代次数，则转到步骤(5)；否则，输出全局最优青蛙信息；

(6)根据全局最优青蛙信息，得到全局最优解的编码即为最佳的特征子集。