一种生产线上的自动化检测方法及装置与流程

本发明涉及测试领域，尤其涉及一种生产线上的自动化检测方法及装置。

背景技术：

生产线上对生产的设备进行质量检测，如对设备的扬声器质量进行检测，包括有无声、有无大幅度衰减瑕疵，是否有振音瑕疵等，振音指发出轰轰巨响，产生机壳和扬声器共振的现象，该现象有多个因素共同促成，例如设备的机壳的材质、厚薄程度、设计的结构、安装位置等。

可通过扬声器播放音频，用人耳鉴别，但是人工检测效率低。现有技术的自动化检测中用麦克风采集扬声器播放的音频，通过对采集到的音频进行频率分析等方法检测是否存在缺陷，但是生产线的现场存在噪声，易造成干扰，对用采集到的音频进行分析检测的难度增加，且振音缺陷检测的精准度大大降低。

技术实现要素：

本发明的目的在于提供一种生产线上的自动化检测方法及装置，采用生产线上的自动化检测方法，避免了人工检测准确度低的情况，大大提高了振音缺陷检测的精度。

本发明第一方面提供了一种生产线上的自动化检测方法，包括：

当检测到生产线上的待测设备播放测试音频时，采集所述待测设备在预设频率下的音频数据以及所述音频数据对应的振动偏移量；

获取由振动样本数据学习训练得到的神经网络模型；

将所述音频数据和所述振动偏移量输入所述神经网络模型，并与所述神经网络模型中的样本特征空间进行比较，输出比较结果，由所述比较结果确定所述待测设备的检测结果。

优选的，所述当检测到生产线上的待测设备播放测试音频时，采集所述待测设备在预设频率下的音频数据以及所述音频数据对应的振动偏移量之前，所述方法还包括：

采集所述待测设备在所述预设频率下的所述样本音频数据；以及采集由所述振动传感器获取到的样本振动偏移量；所述样本振动偏移量与所述预设频率对应；

由所述样本音频数据和所述样本振动偏移量构成所述样本特征空间，并对所述样本特征空间进行学习训练，训练得到所述神经网络模型。

优选的，将所述音频数据和所述振动偏移量输入所述神经网络模型，并与所述神经网络模型中的样本特征空间进行比较，输出比较结果，由所述比较结果确定所述待测设备的检测结果，包括：

若所述音频数据对应的所述振动偏移量满足所述神经网络模型中的预设阈值时，确定所述比较结果的类别，所述比较结果的类别包括：振音缺陷设备或完好设备。

优选的，所述振动传感器包括：光学振动传感器，所述振动偏移量包括：所述光学振动传感器发射的光折射在所述待测设备后接收的光强度。

优选的，所述由所述比较结果确定所述待测设备的检测结果之后，所述方法还包括：

将所述待测设备的检测结果输入所述神经网络模型，并计算检测准确率；

若所述计算得到的准确率低于参考门限值，由所述待测设备的检测结果更 新所述神经网络模型。

本发明第二方面提供了一种生产线上的自动化检测装置，包括：

采集模块，用于当检测到生产线上的待测设备播放测试音频时，采集所述待测设备在预设频率下的音频数据以及所述音频数据对应的振动偏移量；

获取模块，用于获取由振动样本数据学习训练得到的神经网络模型；

检测模块，用于将所述音频数据和所述振动偏移量输入所述神经网络模型，并与所述神经网络模型中的样本特征空间进行比较，输出比较结果，由所述比较结果确定所述待测设备的检测结果。

优选的，所述装置还包括：训练模块；

所述采集模块，还用于采集所述待测设备在所述预设频率下的所述样本音频数据；以及采集由所述振动传感器获取到的样本振动偏移量；所述样本振动偏移量与所述预设频率对应；

所述训练模块，用于由所述样本音频数据和所述样本振动偏移量构成所述样本特征空间，并对所述样本特征空间进行学习训练，训练得到所述神经网络模型。

优选的，所述检测模块具体用于：

若所述音频数据对应的所述振动偏移量满足所述神经网络模型中的预设阈值时，确定所述比较结果的类别，所述比较结果的类别包括：振音缺陷设备或完好设备。

优选的，所述振动传感器包括：光学振动传感器，所述振动偏移量包括：所述光学振动传感器发射的光折射在所述待测设备后接收的光强度。

优选的，所述装置还包括：

计算模块，用于将所述待测设备的检测结果输入所述神经网络模型，并计 算检测准确率；

更新模块，用于在所述计算得到的准确率低于参考门限值时，由所述待测设备的检测结果更新所述神经网络模型。

实施本发明具有以下有益效果：

本发明实施例中，当检测到生产线上的待测设备播放测试音频时，采集待测设备在预设频率下的音频数据以及音频数据对应的振动偏移量；获取由振动样本数据学习训练得到的神经网络模型；将音频数据和所述振动偏移量输入神经网络模型，并与神经网络模型中的样本特征空间进行比较，输出比较结果，由比较结果确定待测设备的检测结果。通过本发明实施例，采用生产线上的自动化检测方法，避免了人工检测准确度低的情况，通过采集待测设备在预设频率下的音频数据以及音频数据对应的振动偏移量进行分析比较确定待测设备是否存在振音缺陷，结合了音频采集和振动测试，避免了生产线上的声音或光波对振音检测的干扰，大大提高了振音缺陷检测的精度。

附图说明

图1为本发明实施例提供的一种生产线上的自动化检测方法的流程图；

图2是为本发明实施例提供的又一种生产线上的自动化检测方法的示意图；

图3为本发明实施例提供的一种生产线上的自动化检测装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种生产线上的自动化检测方法及装置，其中，生产线上的自动化检测装置可以为生产线上的检测装备，用于采集数据和处理数据，如产线上用于检测电视机、显示器、音响、音箱等产品的机器视觉机器人等。本发明实施例提供的生产线上包括流水线，待测设备、自动化检测装置以及传感器，其中，待测设备设于流水线上，自动化检测装置与传感器连接，自动化检测装置可控制待测设备。通过本发明实施例，可实现产线上的自动化振音检测，提高待测设备的振音检测精度。下述通过具体实施例详述。

参见图1，为本发明实施例提供的一种生产线上的自动化检测方法的示意图。如图所示，本发明实施例提供的生产线上的自动化检测方法可以包括步骤S101～S103。

S101，当检测到生产线上的待测设备播放测试音频时，采集待测设备在预设频率下的音频数据以及音频数据对应的振动偏移量。

具体实现中，生产线上的待测设备在播放测试音频，可通过麦克风采集待测设备播放的测试音频，得到音频数据，更进一步的，采集在预设频率下的音频数据。例如，用麦克风收集待测设备的实际播放的音频，分别记录下当待测设备调试到频率25、50、75、100时，麦克风实际测量得到的对应音量数据的数组A_sound＝{a₁,a₂,a₃,a₄}。

具体的，以待测设备的喇叭所处平面作为系统平面，在一头安装红外激光发射器，激光器发出激光照射到待测设备的喇叭平面处，在沿光发射路径处安装一个红外激光接收器，这两个红外发射接收器都固定安装。在红外接收器精度足够的情况下，根据光波反射定律，若待测设备的喇叭平面平稳没有移动，则红外激光发射出来的能量和接收器接收到的能量守恒。

进一步的，当红外激光发射器和接收器正常工作时，将接收器连接到量化光亮度读出数据d₁。在待测设备播放音频时，若存在振音缺陷，则表明待测设备的机壳会随喇叭进行不规则振动，导致出现漫反射现象，红外激光的光波实际反射路径发生改变，而红外激光器的接收路径是不变的，有部分的发射光波处在接收区域以外从而导致采集到的光亮度变小，则此时光亮度量化后读出数据d₁±Δx。

音频数据对应的振动偏移量可通过振动传感器采集，振动传感器例如光学振动传感器。振动偏移量包括：光学振动传感器发射的光折射在待测设备后接收的光强度。可设置不同的频率对应于系统发射不同光亮度的红外激光。例如，测试音频播放10秒以上，每200毫秒定时采集一次，定量采集50个音频数据，记录为ΔX＝{Δx₁,Δx₂,...Δx₅₀}，由采集所得的离散光强度数据恢复成连续光亮度数据，记录其中频率为50Hz、75Hz、100Hz、125Hz和150Hz时对应的光强度数据I_Hz＝{i₁,i₂,i₃,i₄,i₅}。

S102，获取由振动样本数据学习训练得到的神经网络模型。

具体实现中，神经网络模型为预先由振动样本数据学习训练得到，如BP(Back Propagation)神经网络。更进一步的，为步骤S101之前的方法步骤实现，如下：

采集待测设备在预设频率下的样本音频数据；以及采集由振动传感器获取到的样本振动偏移量；样本振动偏移量与预设频率对应；

由样本音频数据和样本振动偏移量构成样本特征空间，并对样本特征空间进行学习训练，训练得到神经网络模型。

具体的，生产线上的待测设备在播放测试音频，可通过麦克风采集待测设备播放的测试音频，得到样本音频数据，更进一步的，采集在预设频率下的样 本音频数据。进一步的，为丰富样本集，设置待测设备每次播放一样的声音音频文件，声音文件里尽可能涵盖多频率连续的声音。例如，故设置播放音频为连续周期正弦信号，红外激光器发出的激光是与音频同步的连续周期正弦信号。用红外接收器定时采集，例如，测试音频播放10秒以上，每200毫秒定时采集一次，定量采集50个音频数据，记录为ΔX’，由采集所得的离散光强度数据恢复成连续光亮度数据，记录其中频率为50Hz、75Hz、100Hz、125Hz和150Hz时对应的光强度数据I’_Hz。对多个正常的待测设备进行采集，样本为Y＝{(A_sound,I_Hz)|A_sound∈(25,50,75,100)}，标记为Result＝1；并且对多个有振音的电视机采集，若无多个含振音缺陷的待测设备，则可以用一个有缺陷的待测设备采集多次，样本为Y′＝{(A_sound,I_Hz)|A_sound∈(25,50,75,100)}，标记为Result＝0。

有ΔX’和I’_Hz构成样本特征空间，通过BP(Back Propagation)神经网络进行学习训练。例如样本库有40个，每个样本有50个参数Δx作为第一层细胞的输入，输出学习训练结果，学习后得出带有经验的神经网络。

S103，将音频数据和振动偏移量输入神经网络模型，并与神经网络模型中的样本特征空间进行比较，输出比较结果，由比较结果确定待测设备的检测结果。

具体实现中，将采集到的音频数据和振动偏移量输入神经网络模型中，并与神经网络模型中的样本特征空间进行比较，进行分类，输出比较结果，确定比较结果的类别，比较结果的类别包括：振音缺陷设备或完好设备。

进一步可选的，步骤S103具体可以包括：

若音频数据对应的振动偏移量满足神经网络模型中的预设阈值时，确定比较结果的类别，比较结果的类别包括：振音缺陷设备或完好设备。

具体实现中，为了排除生产线上其他同频率声音/光波的干扰，可以作以下 约定：测试时，系统判断依据可以改为在确定待测设备频率情况下，红外接收器接受到的光强，必须在50Hz、75Hz、100Hz、125Hz和150Hz这5个频率下有任意3个频率光强处于BP神经网络里面的预设阈值内，才能输出相应的神经网络训练结果。

因为生产线上的声音/光波的干扰中，极少同时出现50Hz、75Hz、100Hz、125Hz和150Hz中的任意3个频率均存在并对测试结果进行干扰的情况，因此，可以大大减少误判的情况，使得本发明不需要十分苛刻的安静环境，在一般生产线上就能实现。

进一步的，在步骤S103之后，本发明实施例提供的方法还可以包括步骤：

将待测设备的检测结果输入神经网络模型，并计算检测准确率；

若计算得到的准确率低于参考门限值，由待测设备的检测结果更新神经网络模型。

具体实现中，本发明实施例的神经网络算法还实现再学习功能，将待测设备的检测结果返回输入神经网络模型中，计算本次检测的准确率，在准确率低于参考门限值时，更新神经网络模型，并根据待测设备对神经网络模型进行修正。

如图2所示，为本发明实施例提供的生产线上的自动化检测方法的又一示意图，待测设备设于生产线上，自动化检测装置可设于产线上，也可设于产线外，通过无线通讯。自动化检测装置与振动传感器连接，自动化检测装置设有麦克风，用于采集音频数据。通过样本振动偏移量和样本音频数据学习训练得到神经网络模型，在检测待测设备时，向训练好的神经网络模型输入振动偏移量和音频数据，进行分类检测，最后输出结果，得到检测结果，再将检测结果返回神经网络模型进行再学习和校正。

本发明实施例提供了一种在生产线上的自动化检测方法，当检测到生产线上的待测设备播放测试音频时，采集待测设备在预设频率下的音频数据以及音频数据对应的振动偏移量；获取由振动样本数据学习训练得到的神经网络模型；将音频数据和所述振动偏移量输入神经网络模型，并与神经网络模型中的样本特征空间进行比较，输出比较结果，由比较结果确定待测设备的检测结果。通过本发明实施例，采用生产线上的自动化检测方法，避免了人工检测准确度低的情况，通过采集待测设备在预设频率下的音频数据以及音频数据对应的振动偏移量进行分析比较确定待测设备是否存在振音缺陷，结合了音频采集和振动测试，避免了生产线上的声音或光波对振音检测的干扰，得到的检测结果再返回神经网络模型进行学习校正，大大提高了振音缺陷检测的精度。

下面将结合附图3，对本发明实施例提供的一种生产线上的自动化检测装置进行详细介绍，需要说明的是，图3所述的装置为附图1所示的方法的执行主体，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例图1和图2所示的实施例。

如图3所示，本发明实施例提供的生产线上的自动化检测装置包括：采集模块301、获取模块302以及检测模块303。

采集模块301，用于当检测到生产线上的待测设备播放测试音频时，采集待测设备在预设频率下的音频数据以及音频数据对应的振动偏移量。

具体实现中，生产线上的待测设备在播放测试音频，可通过麦克风采集待测设备播放的测试音频，得到音频数据，更进一步的，采集在预设频率下的音频数据。例如，用麦克风收集待测设备的实际播放的音频，分别记录下当待测设备调试到频率25、50、75、100时，麦克风实际测量得到的对应音量数据的 数组A_sound＝{a₁,a₂,a₃,a₄}。

音频数据对应的振动偏移量可通过振动传感器采集，振动传感器例如光学振动传感器。振动偏移量包括：光学振动传感器发射的光折射在待测设备后接收的光强度。可设置不同的频率对应于系统发射不同光亮度的红外激光。例如，测试音频播放10秒以上，每200毫秒定时采集一次，定量采集50个音频数据，记录为ΔX＝{Δx₁,Δx₂,...Δx₅₀}，由采集所得的离散光强度数据恢复成连续光亮度数据，记录其中频率为50Hz、75Hz、100Hz、125Hz和150Hz时对应的光强度数据I_Hz＝{i₁,i₂,i₃,i₄,i₅}。

获取模块302，用于获取由振动样本数据学习训练得到的神经网络模型。

进一步可选的，本发明实施例提供的装置还包括：训练模块304；

采集模块301，还用于采集待测设备在预设频率下的样本音频数据；以及采集由振动传感器获取到的样本振动偏移量；样本振动偏移量与预设频率对应；

训练模块304，用于由样本音频数据和样本振动偏移量构成样本特征空间，并对样本特征空间进行学习训练，训练得到神经网络模型。

具体如何训练得到神经网络模型参见图1所示，在此不重复。

检测模块303，用于将音频数据和振动偏移量输入神经网络模型，并与神经网络模型中的样本特征空间进行比较，输出比较结果，由比较结果确定待测设备的检测结果。

具体实现中，检测模块303将采集到的音频数据和振动偏移量输入神经网络模型中，并与神经网络模型中的样本特征空间进行比较，进行分类，输出比较结果，确定比较结果的类别，比较结果的类别包括：振音缺陷设备或完好设备。

进一步的，检测模块303具体用于：

若音频数据对应的振动偏移量满足神经网络模型中的预设阈值时，确定比 较结果的类别，述比较结果的类别包括：振音缺陷设备或完好设备。

具体实现中，为了排除生产线上其他同频率声音/光波的干扰，可以作以下约定：测试时，系统判断依据可以改为在确定待测设备频率情况下，红外接收器接受到的光强，必须在50Hz、75Hz、100Hz、125Hz和150Hz这5个频率下有任意3个频率光强处于BP神经网络里面的预设阈值内，才能输出相应的神经网络训练结果。可以大大减少误判的情况，使得本发明不需要十分苛刻的安静环境，在一般生产线上就能实现。

进一步可选的，本发明实施例提供的装置还包括：计算模块305和更新模块306。

计算模块305，用于将待测设备的检测结果输入神经网络模型，并计算检测准确率；

更新模块306，用于在计算得到的准确率低于参考门限值时，由待测设备的检测结果更新神经网络模型。

具体实现中，本发明实施例的神经网络算法还实现再学习功能，将待测设备的检测结果返回输入神经网络模型中，计算模块305计算本次检测的准确率，在准确率低于参考门限值时，更新模块306更新神经网络模型，并根据待测设备对神经网络模型进行修正。

本发明实施例提供了一种在生产线上的自动化检测装置，当检测到生产线上的待测设备播放测试音频时，采集模块用于采集待测设备在预设频率下的音频数据以及音频数据对应的振动偏移量；获取模块用于获取由振动样本数据学习训练得到的神经网络模型；检测模块用于将音频数据和所述振动偏移量输入神经网络模型，并与神经网络模型中的样本特征空间进行比较，输出比较结果，由比较结果确定待测设备的检测结果。通过本发明实施例，采用生产线上的自 动化检测方法，避免了人工检测准确度低的情况，通过采集待测设备在预设频率下的音频数据以及音频数据对应的振动偏移量进行分析比较确定待测设备是否存在振音缺陷，结合了音频采集和振动测试，避免了生产线上的声音或光波对振音检测的干扰，得到的检测结果再返回神经网络模型进行学习校正，大大提高了振音缺陷检测的精度。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。