CN103389516B - 金属探测识别方法 - Google Patents

Abstract

金属探测识别方法是涉及金属探测识别方法的改进。本发明提供一种可靠性和稳定性高的金属探测识别方法。本发明包括以下步骤：1）采集待测物的特征数据Xdata’和Ydata’；2）对Xdata’，和Ydata’进行量化处理得到特征点（n1’，n2’）；3）将特征点（n1’，n2’）在特征模板中进行特征对比，如果该点在特征模版中为干扰信号或产品效应特征，则判断该点是无效信号；如果该点在特征模版中为非干扰信号和非产品效应特征，则发出报警信息。

Description

金属探测识别方法

技术领域

本发明是涉及金属探测识别方法的改进。

背景技术

众所周知，在金属检测系统工作时，采用交变磁场产生涡流检测物料中的金属杂质；而被检测的金属杂质的尺寸很小，产生的信号比较微弱，往往会收到现场环境的电磁干扰、震动干扰等干扰的影响。另外，被检测的物料往往带有一定水分且含有各种的矿物质，导致被检测的物料自身会产生各种产品效应。对于随机的检测过程中如何区分干扰信号、产品效应信号还是金属杂质产生的信号是金属检测系统的可靠性的重要指标；而实际应用中干扰信号和产品效应信号却往往导致金属检测系统的性能下降甚至无法正常工作。

现有金属检测系统中一般采用幅度识别的方式，即根据采集到信号的数据的大小，设定一个判决的阀值，当采集到的数据大于阀值时认为为金属信号。这种方式往往在有干扰信号或者产品效应信号（即没有金属杂质存在）时，会导致误报警，；因为干扰信号或者产品效应信号会导致信号幅度大于阀值而产生误报警，金属检测系统的稳定性差。

发明内容

本发明就是针对上述问题，提供一种可靠性和稳定性高的金属探测识别方法。

为实现上述目的，本发明采用如下技术方案，本发明包括以下步骤：

1）采集待测物的特征数据Xdata’和Ydata’；

2）对Xdata’，和Ydata’进行量化处理得到特征点（n1’，n2’）；

3）将特征点（n1’，n2’）在特征模板中进行特征对比，如果该点在特征模版中为干扰信号或产品效应特征，则判断该点是无效信号；如果该点在特征模版中为非干扰信号和非产品效应特征，则发出报警信息。

作为一种优选方案，本发明所述特征模板采用了一个2N×2N的矩阵结构构成，N为正整数，用来存储无金属杂质待测物各特征点Xdata和Ydata在矩阵中的分布特征；2N×2N矩阵均分成四个区域，分别为Quadrant1、Quadrant2、Quadrant3、Quadrant4；每个区域由N×N的矩阵构成；2N×2N矩阵的中心为零点；根据对Xdata和Ydata的数据与零点差值进行统计，得到Xdata高于零点的最大值XPMax值和低于零点值的最小值XNMin值，以及Ydata高于零点的最大值YPMax值和低于零点值的最小值YNMin值；或 $n2=\frac{\mathrm{Ydata}\×N}{\mathrm{YPMax}}$ 或 $n2=\frac{\mathrm{Ydata}\×N}{\mathrm{YNMin}}.$

作为另一种优选方案，本发明所述或 或特征点（n1’，n2’）若未在特征模板中找到与其重合的特征点（n1，n2），则发出报警信息。

其次，本发明所述Xdata’和Ydata’、Xdata和Ydata均是待测物经过发射线圈和接收线圈组成的传感器过程中，接收线圈接收到信号经过处理后得到的幅度信号。

另外，本发明包括数据处理单元，数据处理单元从数据存储单元中读取所述特征模版并加载到高速数据缓存单元中；数据处理单元从数据采样单元中读取到所述Xdata’和Ydata’数据并进行量化处理后得到当前的Xdata’和Ydata’构成的一个特征（n1’，n2’）。

本发明有益效果：

本发明将干扰信号和产品效应特征与特征模板相关联，并将采集到的特征数据进行量化处理后在特征模板中进行特征对比，能够可靠的识别出金属杂质信号，完成对金属杂质的检测；避免了干扰信号和产品效应信号导致的误报警，检测系统的可靠性和稳定性得以显著地提高。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1是本发明未存储特征点的特征模板结构示意图。

图2是本发明存储特征点的特征模板结构示意图。

图3是本发明采样、信号处理及存储的硬件结构示意图。

图4是本发明特征数据采集系统电路原理框图。

图中，1为采样单元、2为数据处理单元、3为数据存储单元、4为数据缓存单元、5信号处理单元、6接收单元、7传感器单元、8功率发射单元、9信号产生单元。

具体实施方式

如图1所示，特征模板构成采用了一个2N×2N的矩阵结构构成；用来存储特征点在矩阵中的分布特征。根据对Xdata和Ydata的数据与零点差值进行统计，可以得到Xdata高于零点的最大值XPMax值和低于零点值的最小值XNMin值，以及Ydata高于零点的最大值YPMax值和低于零点值的最小值YNMin值。为了使Xdata和Ydata的数据与零点数据的差值符号属性进行匹配；根据数据Xdata和Ydata与零点值的比较后的符号关系组合分成了四个区域；Quadrant1、Quadrant2、Quadrant3、Quadrant4，每个区域都采用了N×N的四个分矩阵构成；当Xdata和Ydata同时大于零点时，特征点定义到Quadrant1中；当Ydata大于零点，且Xdata小于零点时，特征点定义到Quadrant2中；当Xdata和Ydata同时小于零点时，特征点定义到Quadrant3中；当Xdata大于零点，且Ydata小于零点时，特征点定义到Quadrant4中。四个分矩阵根据Xdata和Ydata特性进行记录对应的处理后的特征数据。

由YPMax和XPMax构成了Quadrant1区域的幅度的极限值；由YPMax和XNMin构成了Quadrant2区域的幅度的极限值；由YNMin和XNMin构成了Quadrant3区域的幅度的极限值；由YNMin和XPMax构成了Quadrant4区域的幅度的极限值；由于采用了统计学习的方式；YPMax、XPMax、YNMin、XNMin在采集的所有的信号中具有极限值特性，即采集所有的Xdata和Ydata均满足等式组1所述： $\left\{\begin{array}{c}\mathrm{XNMin}\≤\mathrm{Xdata}\≤\mathrm{XPMax}\\ \mathrm{YNMin}\≤\mathrm{Ydata}\≤\mathrm{YPMax}\end{array}\right.$ …………………………………等式组1.

为了使Xdata和Ydata构成的特征与2N×2N构成的矩阵数据对应；采用了对Xdata和Ydata进行量化处理；其量化处理的依据为Xdata和Ydata的四个极限值构成的四个量化参数：对于同时采样读取到的数据Xdata和Ydata，根据其与零点值的比较，进行量化；当零点值≤Xdata时，量化后数据为当零点值≥Xdata时，量化后数据为当零点值≤Ydata时，量化后数据为当零点值≥Ydata时，量化后数据为由等式组1可以得到量化后的数据满足等式组2关系： $\left\{\begin{array}{c}n1=\frac{\mathrm{Xdata}\&times;N}{\mathrm{XPMax}},(\mathrm{Xdata}>0;n\&le;N)\\ n1=\frac{\mathrm{Xdata}\&times;N}{\mathrm{XNMin}},(\mathrm{Xdata}<0;n\&le;N)\\ n2=\frac{\mathrm{Ydata}\&times;N}{\mathrm{YPMax}},(\mathrm{Ydata}>0;n\&le;N)\\ n2=\frac{\mathrm{Ydata}\&times;N}{\mathrm{YNMin}},(\mathrm{Ydata}<0;n\&le;N)\end{array}\right.$ ………………………………………等式组2

根据以上所述，本发明中Xdata和Ydata数据经过量化处理后，得到对应其在Quadrant1、Quadrant2、Quadrant3、Quadrant4中的一个区域的唯一的一个特征点（n1，n2）；当n=0时，为噪声处理；如果在检测物料中没有金属杂质时，当n不满足等式组2所描述数据时，说明等式1中的描述的四个极限值不能代表系统所处的环境干扰或者此产品效应的最大值；需要重新对系统的进行数据统计学习；使环境噪声或者产品效应的最大值在统计能力之内。当n满足等式组2的条件时；对环境干扰、产品效应信号可以采用以上所述方式统计其信号特征，把每一组采集的数据Xdata和Ydata经过量化处理后构成的特征点（n1，n2）写入对应区域的；完成对2N×2N特征模版的学习处理；然后把数据写入到数据存储区。根据对Xdata和Ydata数据进行量化处理后，根据数据特征写入2N×2N的特征模版后可以得到一个识别模版；图2是根据环境干扰特征和产品效应学习得到的一个特征模版示意图（阴影区域为特征点分布区域）；该示意图为针对某一特定环境和特定的产品得到一个示意结果；但是其分布特征不局限于图2所示。

本发明根据不同的干扰信号和产品效应信号的特征，采用智能学习的识别方法，根据采集到信号对干扰信号特征和产品效应信号特征进行统计出其特征；或者对金属信号特征进行统计出模版；根据特征模版进行信号判别区分；可以很好的同时对干扰信号和产品效应信号与金属杂质信号进行很好的区分，提高检测的可靠性和稳定性，同时提高了检测的灵敏度；起到良好控制物品中金属杂质的效果。

如图3所示，采用本发明的金属检测系统工作时，数据处理单元从数据存储单元读取特征模版，加载到高速数据缓存单元中；数据处理单元2从数据采样单元1（XdataA、YdataA为采集的模拟信号）中读取到Xdata’和Ydata’数据后，进行量化处理后得到当前的Xdata’和Ydata’构成的一个特征（n1’，n2’）,判断与该组数据对应的区域中的（n1，n2）点进行特征对比，如果该点在特征模版中为干扰或者产品效应特征，在判断中测对该点数据认为是无效信号；如果在产品效应特征模版中该信号特征为非干扰信号和非产品效应信号，则发出报警信息。

本发明Xdata’和Ydata’、Xdata和Ydata可通过如图4所示系统进行采集。控制单元控制信号产生单元产生频率信号M01发送给功率放大单元，功率放大单元将信号放大后，接入传感器单元的发射线圈；平衡接收线圈通过耦合接收来自发射线圈的信号得到幅度相等方向相反的两个输出信号F21和F22；接收单元对F21和F22进行叠加处理后形成一个F3信号；信号处理单元将接收信号F3与信号产生单元产生的信号M02的多路信号完成了信号平衡和解调处理得到矢量信号XdataA和YdataA。两路信号一起构成当前金属信号的幅度和相位信息。

数据采样单元把矢量信号处理单元输出的模拟信号XdataA和YdataA转化为数字信号给数据处理单元。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (2)

1.金属探测识别方法，其特征在于包括以下步骤：

1)采集待测物的特征数据Xdata’和Ydata’；

2)对Xdata’，和Ydata’进行量化处理得到特征点(n1’，n2’)；

3)将特征点(n1’，n2’)在特征模板中进行特征对比，如果该点在特征模版中为干扰信号或产品效应特征，则判断该点是无效信号；如果该点在特征模版中为非干扰信号和非产品效应特征，则发出报警信息；

所述特征模板采用了一个2N×2N的矩阵结构构成，N为正整数，用来存储无金属杂质待测物各特征点Xdata和Ydata在矩阵中的分布特征；2N×2N矩阵均分成四个区域，分别为Quadrant1、Quadrant2、Quadrant3、Quadrant4；每个区域由N×N的矩阵构成；2N×2N矩阵的中心为零点；根据对Xdata和Ydata的数据与零点差值进行统计，得到Xdata高于零点的最大值XPMax值和低于零点值的最小值XNMin值，以及Ydata高于零点的最大值YPMax值和低于零点值的最小值YNMin值； $n1=\frac{Xdata\&times;N}{XPMax}$ 或 $n1=\frac{Xdata\&times;N}{XNMin},$ $n2=\frac{Ydata\&times;N}{YPMax}$ 或 $n2=\frac{Ydata\&times;N}{YNMin};$

所述Xdata’和Ydata’、Xdata和Ydata均是待测物经过发射线圈和接收线圈组成的传感器过程中，接收线圈接收到信号经过处理后得到的幅度信号。

2.根据权利要求1所述金属探测识别方法，其特征在于所述或 ${n1}^{,}=\frac{{\mathrm{Xdata}}^{\&prime;\&times;}N}{XNMin},$ $n{2}^{,}=\frac{{\mathrm{Ydata}}^{\&prime;}\&times;N}{YPMax}$ 或 $n{2}^{,}=\frac{{\mathrm{Ydata}}^{\&prime;}\&times;N}{YPMin};$ 特征点(n1’，n2’)若未在特征模板中找到与其重合的特征点(n1，n2)，则发出报警信息。