[发明专利]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

权利要求书

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，故非常适用于非平稳信号的特征识别。计算过程如下：

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

2)将每个节点的系数平方求和，即

3)根据香农熵的定义，得到定义小波包系数平方熵的公式：

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维特征的最大重叠离散小波包系数平方熵特征的数据集。

5.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4)中，采用mRMR算法从数据集中选择最易于识别敲击声波信号特征且特征变量与特征变量之间相关性最小的一组特征子集，减小数据集规模从而提升模型训练效率以及分类准确率，可以手动设置最大需要选择特征个数。所述mRMR算法的流程如下：

1)根据互信息量的计算公式：计算数据集中所有特征变量与标签变量的互信息量：R₁＝F(X_f；C)，选择互信息量最大的特征变量，加入特征子集A，并将该特征变量从原始数据集中删除；

2)计算候选特征变量与已选特征变量之间的互信息量：R₂＝F(X_f；X_i)的平均值，并和候选特征变量与标签变量的互信息量作差，选择差值最大的候选特征变量，加入特征子集A；

3)重复2)直到选择的特征个数达到最大需要选择特征个数。