基于扫频振动的禽蛋裂纹检测方法

针对禽蛋裂纹流水线在线检测中,声脉冲敲击法检测易受环境大噪声干扰、需要多次敲击、检测效率低等问题,文中拟构建基于磁致伸缩振动器扫频式振动的禽蛋裂纹检测系统,通过扫频振动增强破损蛋壳敏感频段的振动信息来提高信噪比,分别对裂纹在不同位置的禽蛋(裂纹分别出现在鸡蛋小头、赤道以及大头处)进行研究以提高辨识的普适性,通过对扫频振动音频信号进行功率谱分析,分别构建基于BP神经网络、径向基(RBF)神经网络和支持向量机(SVM)的禽蛋裂纹检测模型,并比较其检测效果。实验中,对290枚鸡蛋进行检测(训练集200枚,测试集90枚),结果表明:支持向量机裂纹检测模型分类效果最佳,测试集中无损蛋与裂纹蛋的判别率分别达到100%和98.3%,且检测每枚禽蛋的时间为57.7 ms,能够满足流水线在线检测要求。

应用于禽蛋壳体裂纹声检测的嵌入式神经网络方法

针对禽蛋裂纹检测系统复杂识别算法受时间和空间的约束很难在嵌入式平台上实现的缺陷,提出一种基于ARM处理器(STM32F407)的禽蛋裂纹检测系统的研究方法。该方法的主要思想为在嵌入式平台ARM处理器的基础上运用BP神经网络结构实现禽蛋裂纹检测,并对原有算法进行优化,其中嵌入式神经网络结构和优化算法具有减少硬件资源占用和降低实施复杂程度的优点。实验结果表明,基于ARM平台的BP神经网络的方法测试完好蛋和裂纹蛋的准确率较原有PC端上的测试准确率一致,但该方法可以更好地适应工业化要求。

基于Welch法功率谱和广义回归神经网络的禽蛋裂纹辨识

为建立一种快速无损检测禽蛋裂纹的方法,构建了基于磁致伸缩振子扫频式振动的禽蛋裂纹检测系统。系统以声学特性为基础,通过利用Welch法功率谱分析禽蛋振动音频信号,利用主成分分析法提取特征向量中的有用信息并构建基于广义回归神经网络(generalized regression neural network,GRNN)的禽蛋裂纹检测模型。实验对290枚鸡蛋进行检测(训练集200枚,测试集90枚)。结果表明,测试集中无损蛋与裂纹蛋的判别率分别达到96.7%和98.3%。研究表明,利用磁致伸缩振子扫频和Welch法功率谱分析,通过主成分分析法提取特征向量中的有用信息并结合GRNN模型检测禽蛋裂纹是可行的。