本發明涉及一種陶瓷制品無損檢測方法，具體涉及一種基于集成學習的陶瓷制品無損檢測方法，屬于結構無損檢測。

背景技術：

1、陶瓷具有耐高溫、耐腐蝕以及耐磨損等優良特性，是一種被廣泛應用的無機非金屬材料。陶瓷制品通常由天然或合成無機化合物通過高溫燒結工藝制造而成，制備工藝復雜，流程繁多，即使是同一生產線上的成品，其品質和規格都存在一定的差異。同時，陶瓷材料本身具有高脆性和低韌性的特點，內部微小的缺陷會導致應力集中，從而迅速造成陶瓷制品的破壞。

2、因此，為提高陶瓷制品的完整性和均一性，其質量檢測非常重要。

3、在傳統陶瓷制品的質量檢測中，通常使用敲擊法或目視法來判斷陶瓷制品是否存在缺陷。顯然這些方法無法滿足陶瓷制造業自動化生產的需求，為提高相關產業的生產效率和產品品質，研究一種適用于陶瓷制品自動化生產線的高效率、高精度的無損檢測方法變得尤為重要。

技術實現思路

1、為解決現有技術的不足，本發明的目的在于提供一種基于集成學習的陶瓷制品無損檢測方法。

2、為了實現上述目標，本發明采用如下的技術方案：

3、一種基于集成學習的陶瓷制品無損檢測方法，包括以下步驟：

4、s1、敲擊陶瓷制品任一位置，采集不同方位的聲音信號，對聲音信號進行起止點檢測；

5、s2、對于經過起止點檢測的聲音切片信號，進行降噪和歸一化預處理；

6、s3、按照聲音信號的特征，對經過預處理的聲音信號進行分解，計算信號分解后的各部分頻譜峰值和對應的頻率，構造缺陷特征指標；

7、s5、將缺陷特征指標組成向量作為缺陷檢測框架的輸入，輸出陶瓷制品的健康狀態。

8、上述缺陷檢測框架的訓練，包括以下步驟：

9、s1、敲擊陶瓷制品任一位置，采集不同方位的聲音信號，對聲音信號進行起止點檢測以得到切片信號；

10、s2、對于經過起止點檢測的聲音切片信號，進行降噪和歸一化預處理；

11、s3、按照聲音信號的特征，對經過預處理的聲音信號進行分解，計算信號分解后的各部分頻譜峰值和對應的頻率，構造缺陷特征指標；

12、s4、重復步驟a1-a3，獲取陶瓷制品的不同位置、種類缺陷的聲音信號，或添加不同程度和類型的噪聲，計算相應的缺陷特征指標；

13、將缺陷特征指標組成向量作為輸入，輸出為陶瓷制品的健康狀態，構建集成學習的缺陷檢測框架。

14、上述的方法，使用基于短時平均能量-過零率的算法進行聲音信號起止點檢測，步驟為：

15、a1、設置高閾值h與低閾值l，高閾值與短時能量曲線相交于h1、h2兩點，低閾值與短時能量曲線相交于l1、l2兩點；有效信號在h1-h2段以外，按照h1向左，h2向右的方向進行查找，直至找到l1、l2兩點；

16、a2、短時平均過零率，代表聲音信號在單位時間內穿越時間軸的累計次數，以短時平均過零率為指標，按照l1向左、l2向右的方向，查找到兩個與時間軸的交點t1和t2，t1為原始聲音信號的起始時間，t2為原始聲音信號的結束時間。

17、上述健康狀態：

18、若為有無缺陷，則輸出結果為一維[0,1]的數據，0代表沒有缺陷，1代表含有缺陷，且輸出數據越接近1，含有缺陷的概率越高；

19、若為缺陷類型，則輸出結果為若干維[0,1]的數據，每一維代表某一種類缺陷，0代表沒有該類缺陷，1代表含有該類缺陷，且輸出數據越接近1，含有該類缺陷的概率越高。

20、上述的方法，所述降噪基于蟻群算法-變分模量分解重構的方法進行。

21、上述的方法，所述對經過預處理的聲音信號的分解，使用小波包分解的方法進行。

22、上述的方法，使用貝葉斯優化器對集成學習的集成方法、基學習器類型、基學習器數量、基學習器的變量參數進行優化，并構建集成學習的缺陷檢測框架。

23、上述的方法，所述集成學習的集成方法包括并行方法bagging、串行方法boosting、混合方法stacking。

24、本發明的有益之處在于：

25、本發明的一種基于集成學習的陶瓷制品無損檢測方法，具有以下優點：

26、1、將基于蟻群算法-變分模態分解重構的算法用于敲擊聲音信號的降噪，可以明顯減小環境噪聲的污染，使得采集到的聲音信號更加精確，提高了陶瓷制品無損檢測算法的準確性；

27、2、提出的基于集成學習的陶瓷制品無損檢測方法，在保證檢測效率的同時，檢測精度優于類似的基于決策樹、神經網絡等其他機器學習無損檢測方法；

28、本發明的無損檢測方法是一種能夠利用敲擊聲音信息直接對自動化生產線上的陶瓷制品開展無損檢測的智能方法，從而可以減小人工檢測的誤判，提高生產效率與產品品質，具有很強的實用性和廣泛地適用性。

技術特征：

1.一種基于集成學習的陶瓷制品無損檢測方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的方法，其特征在于，所述缺陷檢測框架的訓練，包括以下步驟：

3.根據權利要求1或2所述的方法，其特征在于，使用基于短時平均能量-過零率的算法進行聲音信號起止點檢測，步驟為：

4.根據權利要求1所述的方法，其特征在于，所述健康狀態：

5.根據權利要求1或2所述的方法，其特征在于，所述降噪基于蟻群算法-變分模量分解重構的方法進行。

6.根據權利要求1或2所述的方法，其特征在于，所述對經過預處理的聲音信號的分解，使用小波包分解的方法進行。

7.根據權利要求2所述的方法，其特征在于，使用貝葉斯優化器對集成學習的集成方法、基學習器類型、基學習器數量、基學習器的變量參數進行優化，并構建集成學習的缺陷檢測框架。

8.根據權利要求2所述的方法，其特征在于，所述集成學習的集成方法包括并行方法bagging、串行方法boosting、混合方法stacking。

技術總結
本發明的一種基于集成學習的陶瓷制品無損檢測方法，通過敲擊陶瓷制品后在不同位置拾取聲音信號，結合基于短時平均能量?過零率的算法對聲音信號進行起止點檢測及切片，使用基于蟻群算法?變分模量分解的方法對切片聲音信號進行降噪重構；使用小波包分解經過處理后的聲音信號并對其進行快速傅里葉變換，由此得到的子信號頻譜峰值和對應的頻率構造缺陷特征指標，用于集成學習的輸入，而陶瓷制品的健康狀態為集成學習的輸出。本發明的檢測方法能夠直接使用聲音信號開展無損檢測，避免了人工檢測中容易出現的誤判，對比其他機器學習方法檢測精度和效率相對較高，適用于實際陶瓷制品的自動化生產過程。

技術研發人員：張慕宇,孔祥杲,江選英,韓曉偉,孔雙華,朱建國,余方杰
受保護的技術使用者：江蘇高淳陶瓷股份有限公司
技術研發日：
技術公布日：2025/4/24