[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

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

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。

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。

发明内容

本发明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。

本发明包括如下步骤：

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。

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。