本发明涉及新型材料检测,具体涉及一种低硼硅玻璃缺陷检测方法。
背景技术:
1、低硼硅玻璃是一种重要的工程材料,被广泛用于制造光学元件、太阳能面板、液晶显示器、光纤通信设备等。低硼硅玻璃中的缺陷,如晶化缺陷等,可能严重影响玻璃的性能和可靠性,因此晶化缺陷的检测对于确保玻璃的质量至关重要,传统的检测方法包括使用光学显微镜、红外成像等来观察和分析玻璃样品,这些方法可以检测可见的缺陷,但对于微小或深层次的缺陷不够灵敏,而红外光谱技术是一种常用于材料缺陷检测的方法,通过分析材料对红外光的吸收和散射来识别其化学成分和结构,可以用于检测玻璃中的一些化学和结构缺陷。
2、通过红外光谱技术来对低硼硅玻璃进行晶化缺陷检测时,由于不同物质对红外光的吸收能力是不一样的,因此在红外光谱数据中不同波数上数据点的变化不同,因此通过分析红外光谱数据中出现不同的数据点响应,来检测低硼硅玻璃中是否存在晶化缺陷,但是在采集低硼硅玻璃的红外光谱数据时,容易受到噪声的影响,而噪声会导致数据点的响应发生变化,影响对晶化缺陷的准确检测,又由于使用中值滤波算法对红外光谱数据进行去噪时,滤波窗口的大小会影响去噪的效果,也会影响对晶化缺陷的准确检测。
技术实现思路
1、为了解决上述问题,本发明提供一种低硼硅玻璃缺陷检测方法。
2、本发明的一种低硼硅玻璃缺陷检测方法采用如下技术方案:
3、本发明一个实施例提供了一种低硼硅玻璃缺陷检测方法,该方法包括以下步骤:
4、采集低硼硅玻璃的红外光谱数据;
5、根据红外光谱数据中数据点的幅值,获取红外光谱数据中每个数据点的加噪量;根据红外光谱数据中每个数据点的加噪量,对红外光谱数据中每个数据点进行加噪,获取加噪数据;根据加噪数据以及红外光谱数据,获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号;根据加噪数据中数据点的幅值、红外光谱数据中数据点的幅值、加噪数据的分量信号中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值,获取加噪数据的噪声影响程度;
6、根据红外光谱数据中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值,获取红外光谱数据的噪声影响程度;根据加噪数据的噪声影响程度、红外光谱数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量,获取红外光谱数据的整体加噪量;
7、根据红外光谱数据的整体加噪量,获取滤波窗口的大小;根据滤波窗口的大小对红外光谱数据进行去噪,得到去噪后的红外光谱数据,通过去噪后的红外光谱数据对低硼硅玻璃进行缺陷检测。
8、优选的,所述获取红外光谱数据中每个数据点的加噪量,包括的具体步骤如下:
9、
10、式中,qi代表红外光谱数据中第i个数据点的加噪量;fi代表红外光谱数据中第i个数据点的幅值;fmin代表红外光谱数据的所有数据点中的最小幅值;fmax代表红外光谱数据的所有数据点中的最大幅值;s代表红外光谱数据中所有数据点的幅值方差;norm()代表归一化函数。
11、优选的,所述根据红外光谱数据中每个数据点的加噪量,对红外光谱数据中每个数据点进行加噪,获取加噪数据,包括的具体步骤如下:
12、将红外光谱数据中第i个数据点的幅值与第i个数据点的加噪量的和,作为加噪数据的第i个数据点的幅值,得到加噪数据的每个数据点的幅值,得到加噪数据。
13、优选的,所述根据加噪数据以及红外光谱数据,获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号,包括的具体步骤如下:
14、使用emd算法对红外光谱数据进行分解,获得红外光谱数据的各个分量信号,使用emd算法对加噪数据进行分解,获得加噪数据的各个分量信号。
15、优选的,所述获取加噪数据的噪声影响程度,包括的具体步骤如下:
16、
17、式中,p代表加噪数据的噪声影响程度;fj,i表示加噪数据的第j个分量信号的第i个数据点的幅值;代表加噪数据的第j个分量信号中所有数据点的平均幅值;n代表分量信号中数据点的数量;m代表加噪数据的分量信号的数量;代表红外光谱数据的第j个分量信号中所有数据点的平均幅值,r代表红外光谱数据的分量信号的数量与加噪数据的分量信号的数量中的最小值;h代表红外光谱数据中所有数据点的平均幅值,k代表加噪数据中所有数据点的平均幅值;||代表绝对值符号。
18、优选的,所述根据红外光谱数据中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值,获取红外光谱数据的噪声影响程度,包括的具体步骤如下:
19、
20、式中,q代表红外光谱数据的噪声影响程度;s代表红外光谱数据中所有数据点的幅值方差,na,b代表红外光谱数据的第a个分量信号的第b个数据点的幅值,代表红外光谱数据的第a个分量信号中所有数据点的平均幅值;n代表分量信号数据点的数量;f代表红外光谱数据的分量信号的数量;||代表绝对值符号。
21、优选的,所述根据加噪数据的噪声影响程度、红外光谱数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量,获取红外光谱数据的整体加噪量,包括的具体步骤如下:
22、
23、式中,g代表红外光谱数据的整体加噪量;p代表加噪数据的噪声影响程度;代表红外光谱数据中所有数据点的加噪量的均值;q代表红外光谱数据的噪声影响程度。
24、优选的,所述根据红外光谱数据的整体加噪量,获取滤波窗口的大小,包括的具体步骤如下:
25、
26、式中,w代表滤波窗口大小;g代表红外光谱数据的整体加噪量;norm()代表归一化函数;代表向上取整符号。
27、优选的,所述根据滤波窗口的大小对红外光谱数据进行去噪,得到去噪后的红外光谱数据,包括的具体步骤如下:
28、根据滤波窗口大小,使用中值滤波算法对红外光谱数据进行去噪,得到去噪后的红外光谱数据。
29、优选的,所述采集低硼硅玻璃的红外光谱数据,包括的具体步骤如下:
30、使用红外光谱仪采集待检测的低硼硅玻璃的红外光谱数据。
31、本发明的技术方案的有益效果是:本发明通过红外光谱数据中数据点的幅值以及红外光谱数据中所有数据点的幅值方差,获取红外光谱数据中每个数据点的加噪量,进而得到加噪数据;获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号,进而得到加噪数据的噪声影响程度;根据红外光谱数据中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值,获取红外光谱数据的噪声影响程度;根据加噪数据的噪声影响程度、红外光谱数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量,获取红外光谱数据的整体加噪量;根据红外光谱数据的整体加噪量自适应获取滤波窗口的大小对红外光谱数据进行去噪,得到去噪后的红外光谱数据,提高了滤波效果,使得到的去噪后的红外光谱数据更加准确,使得根据去噪后的红外光谱数据对晶化缺陷的检测更加准确。
1.一种低硼硅玻璃缺陷检测方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法,其特征在于,所述获取红外光谱数据中每个数据点的加噪量,包括的具体步骤如下:
3.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法,其特征在于,所述根据红外光谱数据中每个数据点的加噪量,对红外光谱数据中每个数据点进行加噪,获取加噪数据,包括的具体步骤如下:
4.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法,其特征在于,所述根据加噪数据以及红外光谱数据,获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号,包括的具体步骤如下:
5.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法,其特征在于,所述获取加噪数据的噪声影响程度,包括的具体步骤如下:
6.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法,其特征在于,所述根据红外光谱数据中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值,获取红外光谱数据的噪声影响程度,包括的具体步骤如下:
7.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法,其特征在于,所述根据加噪数据的噪声影响程度、红外光谱数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量,获取红外光谱数据的整体加噪量,包括的具体步骤如下:
8.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法,其特征在于,所述根据红外光谱数据的整体加噪量,获取滤波窗口的大小,包括的具体步骤如下:
9.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法,其特征在于,所述根据滤波窗口的大小对红外光谱数据进行去噪,得到去噪后的红外光谱数据,包括的具体步骤如下:
10.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法,其特征在于,所述采集低硼硅玻璃的红外光谱数据,包括的具体步骤如下: