一种基于声学响应残余特征增强与样本回流训练的扬声器异音智能判定方法与流程

摘要: 本发明涉及音频信号处理领域,特别涉及一种基于声学响应残余特征增强与样本回流训练的扬声器异音智能判定方法。背景技术:1、扬声器在制造、装配、运输及使用过程中,可能...
一种基于声学响应残余特征增强与样本回流训练的扬声器异音智能判定方法与流程

本发明涉及音频信号处理领域,特别涉及一种基于声学响应残余特征增强与样本回流训练的扬声器异音智能判定方法。

背景技术:

1、扬声器在制造、装配、运输及使用过程中,可能因音圈擦碰、振动系统偏心、纸盆或弹波局部异常、胶水脱落、结构松动、磁路间隙异常、装配应力不均或零部件碰撞等因素产生异音。此类异音往往并不表现为传统频响曲线中的明显失真,而可能以局部短时摩擦声、窄带异常纯音、非同步杂音、残余振铃或间歇性冲击的形式出现。在产线检测场景中,人工听音具有主观性强、疲劳影响大、经验依赖明显和结果不可追溯等问题。传统电声指标例如频率响应、总谐波失真、声压级或全局rms能量虽然可以反映扬声器的部分性能,但对轻微擦碰、局部结构松动、窄带杂音和间歇性异音的指向性不足,难以稳定替代人工听音。

2、对于对数扫频测试而言,激励频率随时间连续变化,主激励响应在时频平面中形成明确的主轨迹。对于步进快扫频测试而言,每一频点具有相对明确的保持区间和过渡区间。上述测试激励本身包含了可利用的先验约束信息。如果在检测前端忽略该先验约束,仅从完整响应中提取普通声谱图或全局能量特征,则无法充分区分正常主响应与异常残余成分。

3、因此,有必要提出一种利用测试激励时间频率关系对完整声学响应进行残余特征增强的扬声器异音智能判定方法,使其能够在进入ai模型之前先突出缺陷相关成分,并将原始响应、残余信号、残余图像、人工标签、预测结果和测试配置进行绑定,从而实现稳定训练、在线判定、低置信度样本回流和产线追溯。

技术实现思路

1、针对现有技术存在的上述问题,本发明的目的在于提供了一种基于声学响应残余特征增强与样本回流训练的扬声器异音智能判定方法,包括以下步骤:

2、步骤s1:生成频率变化规律已知的预设测试激励信号,并读取测试配置参数。

3、步骤s2:采集待测扬声器在所述测试激励信号作用下产生的完整声学响应信号。

4、步骤s3:对所述完整声学响应信号进行预处理,所述预处理包括去直流、幅值整理、时延估计、有效段截取和校准补偿。

5、步骤s4:依据所述测试激励信号的类型建立时间频率映射关系。

6、步骤s5:依据所述时间频率映射关系确定各分析帧对应的主激励频率,并以所述主激励频率为参考构建随频率变化的抑制参数,对所述完整声学响应信号中的正常主响应成分进行抑制,得到残余异常成分。

7、步骤s6:对所述残余异常成分进行能量归一化处理,将不同测试条件下的残余响应映射到一致的幅值参考系中。

8、步骤s7:对能量归一化后的残余异常成分执行时频变换,并对得到的残余能量矩阵进行局部背景扣除和图像映射,生成残余时频图像或残余特征矩阵。

9、步骤s8:将所述残余时频图像或残余特征矩阵输入已训练的异音分类模型,输出预测标签和置信度。

10、步骤s9:根据预设标签映射规则将所述预测标签映射为合格类或不合格类,并结合置信度阈值输出最终判定结果。

11、步骤s10:当预测置信度低于预设阈值或人工复核结果与模型输出不一致时,将当前样本的完整响应信号、残余信号、残余时频图像、预测结果和人工复核标签绑定后回流至训练样本库。

12、进一步的,所述步骤s5包括以下子步骤:

13、步骤s501:对所述完整声学响应信号进行分帧处理,根据所述时间频率映射关系确定每一分析帧对应的主激励频率。

14、步骤s502:以所述主激励频率为参考,构建随频率变化的跟踪高通截止频率,按以下公式确定所述跟踪高通截止频率:

15、,

16、式中,为第个分析帧的跟踪高通截止频率,为第个分析帧对应的主激励频率,为可配置跟踪因子,的取值范围为0.5至1.5;

17、步骤s503:采用所述跟踪高通截止频率对当前分析帧进行高通滤波,滤除所述主激励频率以下的正常主响应成分。

18、步骤s504:对高通滤波后的各帧信号进行重叠相加拼接,得到残余异常成分。

19、进一步的,所述步骤s7包括以下子步骤:

20、步骤s701:对能量归一化后的残余异常成分执行短时傅里叶变换,得到残余能量矩阵。

21、步骤s702:对所述残余能量矩阵中的各时频点,以该时频点邻域内的分位数统计值作为局部背景能量估计,所述局部背景能量估计按下式确定:

22、,

23、式中,为时频点(m,k)处的局部背景能量估计,为残余异常成分的短时傅里叶变换结果,为以时频点(m,k)为中心的邻域窗口,(·)表示取邻域内能量值的第p百分位数,p的取值范围为10至50。

24、步骤s703:从各时频点的原始能量值中扣除对应的局部背景能量估计,并对负值进行零截断处理,得到扣除局部背景后的残余能量矩阵。

25、步骤s704:对扣除局部背景后的残余能量矩阵执行频率范围截取、能量范围统一和图像尺寸归一化处理,生成残余时频图像。

26、进一步的,所述步骤s4和所述步骤s5之间还包括过渡段处理步骤:

27、对于步进快扫频类型,在每一频点开始阶段丢弃与频率切换相关的过渡样本,丢弃长度按当前频率对应周期的预设倍数或预设固定样本数中的较大值确定;对于对数扫频类型,通过重叠分帧和平滑窗处理降低帧边界伪迹和主响应泄漏。

28、进一步的,所述步骤s9中:

29、所述预设标签映射规则由用户配置,用于定义哪些预测标签属于合格类、哪些预测标签属于不合格类,所述预测标签包括正常、音圈擦碰、纸盆异常、结构松动、杂音、轻微异常和严重异常中的多种。

30、所述最终判定结果进一步结合常规电声指标和工程阈值线进行综合判定。

31、所述异音分类模型的输出结果可配置为仅作为辅助提示,或在置信度满足阈值条件时参与最终判定。

32、进一步的,所述步骤s10中:

33、回流的样本包包含完整响应信号、残余信号、残余时频图像、样本编号、预测标签、置信度、人工复核标签、测试配置参数和模型版本信息。

34、回流触发条件还包括操作人员主动选择加入训练库、连续批次异常漂移、指定标签样本数量不足或模型版本验证失败。

35、进一步的,所述步骤s4包括以下子步骤:

36、步骤s401:判断所述测试激励信号的类型为对数扫频类型或步进快扫频类型。

37、步骤s402:当所述测试激励信号为对数扫频类型时,按瞬时频率与时间的对数关系,依据起始频率、终止频率和扫频总时长建立连续时间频率映射函数。

38、步骤s403:当所述测试激励信号为步进快扫频类型时,依据每一频点的起始时刻、保持时间和频率值建立分段时间频率映射表,并对相邻频点之间的频率切换区间标注过渡标记。

39、进一步的,所述步骤s6中,所述能量归一化处理采用局部均方根能量归一化、总响应均方根能量归一化或频带能量归一化中的至少一种方式,将不同声压、不同灵敏度和不同工装耦合条件下的残余响应映射到预设的幅值参考系中。

40、进一步的,所述步骤s8之前还包括以下步骤:

41、步骤s11:将多组残余时频图像或残余特征矩阵与人工确认的异音标签建立对应关系,形成训练样本库,所述异音标签按缺陷类型划分为多种类别;

42、步骤s12:使用所述训练样本库训练异音分类模型,所述异音分类模型为卷积神经网络、基于迁移学习的图像分类模型或传统机器学习分类器中的任一种,模型输出包括预测标签、各标签概率值和最高置信度。

43、进一步的,所述步骤s10之后还包括以下步骤:

44、步骤s13:训练模块生成更新后的异音分类模型,由部署模块将更新后的模型应用到产线预测模块;

45、步骤s14:记录每次测试对应的模型版本、部署时间和样本预测信息,使同一产品能根据样本编号追溯到对应的完整响应信号、残余时频图像、预测模型版本和人工复核记录。

46、相对于现有技术,本发明的有益效果为:本发明通过在人工智能判定前利用测试激励的先验时间频率约束对正常主响应进行系统化抑制,使完整声学响应信号中原本被主响应能量掩盖的擦碰、杂音、松动和异常纯音等残余异常成分的时频对比度得以增强,降低了异音分类模型对测试音量、产品灵敏度、工装耦合和环境底噪等无关因素的学习依赖,使得模型能够聚焦于与缺陷直接相关的异常残余特征而非正常发声特征,从而在跨批次和跨型号条件下保持稳定的异音判定能力。

47、本发明通过将产线测试中置信度不足或人工复核与模型输出不一致的样本,以绑定完整响应信号、残余信号、残余时频图像、预测结果和人工复核标签的方式自动回流至训练样本库,配合模型训练、部署和版本追溯机制,形成了从产线检测到模型训练再到模型部署的完整数据闭环,使得异音分类模型能够随产线运行持续积累边界样本和误判样本进行迭代优化,解决了传统产线检测模型部署后因缺乏有效反馈机制而难以持续改进的问题,同时每次测试绑定的完整数据包为后续质量追溯和争议复现提供了可查证的依据。