基于深度学习的磁瓦内部缺陷检测方法及其应用与流程

本发明属于磁瓦检测领域，具体涉及一种基于深度学习的磁瓦内部缺陷检测方法及其应用。

背景技术：

磁瓦是由磁性材料制成的一种特殊形状的磁体。根据磁性材料的不同，磁瓦被分为铁氧体磁瓦、钕铁硼合金磁瓦、铝镍钴合金磁瓦以及钐钴合金磁瓦。由于铁氧体磁瓦的高性价比优势，其被广泛地应用在国民经济和国防支柱产业，如汽车、家用电器、电动工具、电子和计算机等。近年来，随着时代的进步和环保意识的提升，铁氧体磁瓦作为一种清洁能源，更是被广泛地应用在电动汽车、新能源、智慧城市、智慧地球等新兴领域。由于原材料可获得性强，性价比高，铁氧体磁瓦整体市场需求量正以每年10％-15％的速度高速增长。此外，进入21世纪以来，凭借较为成熟的制造工艺以及相对合理的人力成本，铁氧体磁瓦逐渐成为我国磁瓦生产企业参与国际磁材贸易的核心产品。

磁瓦的制造需要经历一个多工序、多工艺的复杂生产流程，并且具有大批量、连续性的生产特点，所以成品磁瓦的偶发性质量问题在所难免。这其中尤其以磁瓦内部缺陷检测所暴露的问题最为突出，由于鲜有针对性的无损检测技术研究和应用，我国磁瓦内部缺陷检测还大量依赖于低效率、低精度的传统人工操作方法，其极大制约了我国磁瓦制造业的整体生产水平，以至于内部缺陷检测成为了提升我国磁瓦制造业核心竞争力的严重瓶颈。

技术实现要素：

本发明的目的在于提供一种快速、准确和可靠的基于深度学习的磁瓦内部无损缺陷检测方法。

为实现上述目的，本发明采用如下技术方案：

基于深度学习的磁瓦内部缺陷检测方法，包括：采集磁瓦声音信号并将所述声音信号输入到卷积网络模型中进行内部缺陷检测；

其中，所述卷积网络模型包括依次连接的五个滤波器和一个分类器，所述滤波器包括卷积层和池化层，卷积层的输出数据均经过批归一化处理后输入到池化层，第一个滤波器的卷积层的卷积核为32×1，后四个滤波器的卷积层的卷积核均为3×1，五个滤波器的池化层的卷积核均为2×1；所述分类器包括全连接层和softmax层。

进一步地，所述卷积网络模型是通过如下步骤被训练出来的：

(1)选择若干个好磁瓦和缺陷磁瓦，采集好磁瓦和缺陷磁瓦的声音信号，并将所述声音信号分为训练样本和测试样本；

(2)通过训练样本构成卷积网络模型，再利用测试样本测试卷积网络模型直到测试样本被完全检测正确为止的卷积网络模型为最终卷积网络模型。

进一步地，所述训练样本数量可通过数据扩增进行数据增加。

进一步地，所述全连接层输出的数据经过批归一化处理。

本发明还提供了一种磁瓦内部缺陷检测系统，包括用于采集磁瓦声音信号的声音采集器以及与声音采集器连接的用于检测磁瓦内部是否有缺陷的检测模块，检测模块内设置有上述的卷积网络模型。

本发明具有以下有益效果：

(1)利用卷积网络从磁瓦的声音信号中提取特征，能够有效的挖掘数据中的隐藏信息，从而实现识别磁瓦内部的缺陷；

(2)利用卷积网络能够自适应的提取信号特征，不需要大量的信号处理过程或者依赖工程经验，缩短了磁瓦缺陷识别时间，提高了工作效果；

(3)将卷积网络模型应用到实际工作过程中，当检测的磁瓦数量越多，卷积网络模型将会被训练的约精确，从而识别的准确度越高和可靠性越高。

附图说明

图1为本发明的卷积网络模型示意图。

图2为本发明的训练卷积网络模型示意图。

图3为第一层卷积层的特征提取的32个卷积核。

图4为好磁瓦(a)与缺陷磁瓦(b)在第一层卷积层后可视化图。

图5为卷积网络提取特征的散点图。

图6为实施例2的电气关系示意图。

具体实施方式

实施例1

本实施例提供的基于深度学习的磁瓦内部缺陷检测方法采集磁瓦声音信号并将所述声音信号输入到卷积网络模型中进行内部缺陷检测；具体地，所述磁瓦声音信号指示磁瓦与金属之间碰撞所产生的声音信号，所述碰撞是指金属与磁瓦之间被正常激励出声音信号且不损坏磁瓦。所述磁瓦声音信号被声音采集器采集并将采集的所述声音信号发输送至卷积网络模型中进行内部缺陷检测，所述声音采集器采用现有技术的数字声音采集器或者模拟声音采集器，数字声音采集器输出的信号为数字信号，因此不需要做处理即可被卷积网络模型进行数据运算检测，而模拟声音采集器输出的信号为模拟信号，则需要对模拟信号进行调离后再转换为数字信号，然后才能被卷积网络模型进行数据运算检测。

如图1所示，所述卷积网络模型包括输出层、滤波器、分类器和输出层，所述输入层用于输入声音信号，所述声音信号在输入至输入层时经过归一化处理后再输入至滤波器，滤波器包括依次连接的5个，即上一级的输出连接下一级的输入，所述滤波器内设置有依次连接的卷积层和池化层，所述卷积层输出的数据经过批归一化处理后再输入至池化层，可用于加速网络的训练和加快检测过程，第一级滤波器的卷积层的卷积核为32×1，采用较大的卷积宽度既能够避免网络层太深导致模型训练困难又能够保证网络提取有效的特征，后四级滤波器的卷积层的卷积核均为3×1，采用较小的多层卷积核提取特征，能够使网络变得更深，有利于提高模型对原始信号的表达能力以及模型的泛化能力。每级滤波器的池化层的卷积核均为2×1，池化的目的是保留主要特征以及减少运算量，防止过拟合的发生，以提高模型的泛化能力，本实施例采用宽度为2的最大池化算法对卷积层的输入进行采样，同样为加速网络的训练和加快检测过程，所述池化层的输出的数据也经过批归一化处理。所述分类器包括全连接层和softmax层，全连接层与第五级的池化层连接，且全连接层的输出与softmax层连接，softmax层与输出层连接，所述全连接层和softmax层与现有技术的卷积网络中的分类器相同，全连接层的卷积核为2×1，softmax层的卷积核为1×1。利用卷积网络从磁瓦的声音信号中提取特征，能够有效的挖掘数据中的隐藏信息，从而实现识别磁瓦内部的缺陷。

以四川某厂生产的铁氧类型的磁瓦为例，如图2所示，所述卷积网络模型是通过如下步骤被训练出来的：

(1)选择120片好磁瓦和120片缺陷磁瓦(磁瓦均通过2个以上经验丰富的工人经过多次检测)，采集好磁瓦和缺陷磁瓦的声音信号，并将所述声音信号分为训练样本和测试样本，训练样本和测试样本均为包括随机选择且不重复的60片好磁瓦和60片缺陷磁瓦的声音信号，因所述训练样本的数量不够，本实施例采用matlab对数据进行增广，增广的数据通过matlab在cpu上计算产生，而先前批次的计算则是在cpu上完成，能够高效节省计算资源，具体地，本实施例所采集的磁瓦声音数据为1000×1，随机抽取900×1的区域且滑动窗口尺寸大小为1，最多可以获得101个新样本数据。

(2)通过训练样本构成卷积网络模型，卷积网络模型由5层卷积层、5层池化层、1层全连接层和1层softmax层组成，再利用测试样本测试卷积网络模型直到测试样本被完全检测正确为止的卷积网络模型为最终卷积网络模型，卷积网络模型的每层的详细数据如表1所示。在测试的过程中，本实施例抽取3个900×的信号进行预测，即信号两端和中间，然后将softmax层计算的数据取平均值，由平均值预测测试信号。

所述图3为第一层训练完成后所得的32个卷积核，从图3中可知，每个卷积核的差异较大，代表每个卷积核所提取特征的不同。图4展示了好磁瓦与缺陷磁瓦在第一层被卷积网络所提取的特征通过32个的卷积核转化为的卷积网络特征图，图4中可知颜色越白证明该数据点越匹配该卷积核接收域。，并且好磁瓦与缺陷磁瓦被激活位置存在明显的差异，证明所构建的卷积网络能够从原始信号中提取特征，第一层32个卷积核所提取的特征。为了验证卷积网络的特征提取能力，通过主成分分析对最后一层数据进行可视化操作，也就是提取这些特征的前两个主成分，图5显示了卷积网络提取特征的散点图，好磁瓦和缺陷磁瓦之间明显有区分，同样的磁瓦能够明显的聚集在一起，使得检测率达到100％。

表1卷积网络模型每层的详细数据

实施例2

如图6所示，本实施例提供了一种磁瓦内部缺陷检测系统包括声音采集器和检测模块，所述声音采集器用于检测磁瓦声音信号，其可采用现有技术的数字声音采集器或者模拟声音采集器，数字声音采集器输出的信号为数字信号，因此不需要做处理即可被检测模块进行数据运算检测，而模拟声音采集器输出的信号为模拟信号，则需要对模拟信号进行调离后再转换为数字信号，具体地，模拟声音采集器后依次连接有前置放大器和模数转换模块，模数转换模块和检测模块连接，所述检测模块为现有技术可执行程序且可与其他设备进行数据交互的计算机实现，计算机内执行的程序为实施例1所提供的卷积网络模型实现的软件程序，与其他设备进行数据交互是指可接收声音采集器的采集的声音信号以及能将卷积网络模型的输出的检测结果进行显示以及根据检测结果生成控制其他设备指令。

本实施例提供了磁瓦内部缺陷检测分选装置包括传送带单元、声振激励单元、分选单元以及实施例2所提供的磁瓦内部缺陷检测系统，所述传送带单元包括第一传送带和第二传送带，第一传送带的末端下方2～5cm处设置声振激励单元，2～5cm的高度刚好可以激励磁瓦声音又不损坏磁瓦，高于这个高度磁瓦将可能损坏，低于这个高于磁瓦激励声音不明显，不利于声音信号的采集。

声振激励单元包括金属激励台、以及将跌落在金属激励台上的磁瓦推送到第二传送带的上推杆机构，所述推杆机构包括推杆以及驱动推杆动作的带有电信号控制器的电机，所述金属激励台的表面(与磁瓦接触的一面)至少设置有金属材料，也可是整个激励台均为采用金属制成，根据磁瓦的材质，优选选择铸铁制成，可以更好的激励磁瓦声音。所述金属激励台的一侧安装有用于采集磁瓦声音信号的声音采集器；所述金属激励台与第一传送带之间的安装有光电开关，光电开关可检测是否有磁瓦跌落，如磁瓦跌落则发送信号给计算机，计算机启动声音采集器采集声音信号。

所述第二传送带上设置有分选单元，所述分选单元包括设置在第二传送带一侧的推板机构、以及沿推板机构推动方向且位于第二传送带另一侧的滑板，所述推板机构包括推板以及驱动推板动作的带有电信号控制器的气缸；声音采集器与计算机连接，计算机内设置有检测模块，计算机还与电机的电信号控制器和气缸的电信号控制器连接，声音采集器采用磁瓦声音信号并将所述声音信号发送给计算机，计算机内的检测模块检测磁瓦内部是否缺陷，若磁瓦内部存在缺陷则发送控制指令给电机的电信号控制器和气缸的电信号控制器，电机的电信号控制器控制电机动作带动推杆将磁瓦推送到第二传送带上，气缸将有缺陷的磁瓦推送至滑板上，滑板采用光滑的材质制成，且倾斜按在第二传送带一侧，磁瓦滑落到安装在滑板末端的回收箱中。

本实施例的工作时，先将磁瓦放置在第一传送带上，磁瓦被第一传传送带传送至末端后跌落，跌落过程中激发光电开关采集到信号并将信号发送给计算机，计算机驱动声音采集器采集磁瓦声音信号，磁瓦跌落在金属跌落台上后产生声音信号，被声音采集器采集并发送给计算机，计算机内的检测模块(卷积网络模型)对声音信号进行检测，并将根据检测结果计算机发送控制指令给气缸的电信号控制器，检测结果为好磁瓦时发送气缸不动的指令信号或者不发送信号给气缸，检测结果为缺陷磁瓦时发送气缸动作的指令信号或者发送高平信号给气缸的电信号控制器，接收信号后气缸动作带动推板将缺陷气缸推送至滑板上，最后通过滑板进入回收箱内回收，好磁瓦通过第二传送带进入下一个操作区；同时，在计算机接收到声音信号时发送电机动作的指令信号或者发送高平信号给电机的电信号控制器，接收信号后电机驱动推杆将磁瓦推送至第二传送带上。需要说明的是，推杆机构和推板机构之间的无缝配合可通过传送带的输送时间以及从数据处理时间等计算实现也可通过在将分选单元安装在第二传送带的始端，检测结果出来后同时先后发送控制指令给电机或气缸实现无缝配合。

以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。