CN115526890A - 一种电唱机唱头故障因素识别方法 - Google Patents

一种电唱机唱头故障因素识别方法 Download PDF

Info

Publication number
CN115526890A
CN115526890A CN202211488865.8A CN202211488865A CN115526890A CN 115526890 A CN115526890 A CN 115526890A CN 202211488865 A CN202211488865 A CN 202211488865A CN 115526890 A CN115526890 A CN 115526890A
Authority
CN
China
Prior art keywords
point
edge pixel
pixel point
value
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211488865.8A
Other languages
English (en)
Other versions
CN115526890B (zh
Inventor
衡友辉
吴伟伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Tengtaibo Technology Co ltd
Original Assignee
Shenzhen Tengtaibo Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Tengtaibo Technology Co ltd filed Critical Shenzhen Tengtaibo Technology Co ltd
Priority to CN202211488865.8A priority Critical patent/CN115526890B/zh
Publication of CN115526890A publication Critical patent/CN115526890A/zh
Application granted granted Critical
Publication of CN115526890B publication Critical patent/CN115526890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种电唱机唱头故障因素识别方法，该方法包括：根据电唱机不同周期的声音序列之间的差异获取故障可能性；若故障可能性大于故障阈值，采集电唱机的侧面图像并获取唱针区域以及唱针区域中的边缘像素点，过每个边缘像素点作目标垂线进而根据目标垂线得到每个边缘像素点的优选值，以确定针尖像素点；进一步以唱针区域中每个边缘像素点作为中心点构建窗口，根据窗口内的角度信息得到中心点的磨损概率，进而确定所有的磨损点，根据磨损点的磨损概率以及磨损点与针尖像素点的欧式距离得到磨损程度，根据磨损程度获取电唱机唱头故障因素，提高了对唱头故障因素判定的准确性。

Description

一种电唱机唱头故障因素识别方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种电唱机唱头故障因素识别方法。
背景技术
电唱机是一般指留声机，留声机是一种用来放送唱片录音的电动设备，其结构可以简单的分为唱盘、喇叭、唱壁以及唱头四部分，唱头属于电唱机的一部分，其内主要部分就是唱针，也是电唱机的主要部件之一，唱针在录音唱片纹路内所受到的机械震动变换电信号；唱针模拟信号转为震动，震动信号传导一个特制膜，再现声波压力，变为声音，再通过大喇叭放大，因此电唱机中唱针的好坏直接影响了电唱机的质量，对唱针是否存在故障的识别十分的重要。
目前对唱针的故障判别最常用的是通过电唱机发出的声音确定以及人工检查是否出现磨损，但是仅通过声音的判断忽略了电唱机其他部件的影响，而人工进行检查的结果存在较大的误差，无法准确分析此时唱针的故障磨损程度，判定结果的可靠性较低。
发明内容
为了解决唱针故障磨损分析不准确的问题，本发明的目的在于提供一种电唱机唱头故障因素识别方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种电唱机唱头故障因素识别方法，该方法包括以下步骤：
采集电唱机至少两个周期的声音序列，基于当前周期的声音序列与其相邻周期的声音序列之间的差异获取电唱机的故障可能性；
若所述故障可能性大于故障阈值，采集电唱机的侧面图像并获取所述侧面图像中的唱针区域；
获取所述唱针区域中的边缘像素点，过每个边缘像素点作目标垂线将所述唱针区域划分为两个子区域；根据所述目标垂线上每个像素点与两个子区域的边缘的欧式距离，获取所述目标垂线对应的边缘像素点的优选值，根据所述优选值确定针尖像素点；
以所述唱针区域中每个边缘像素点作为中心点构建窗口，根据所述窗口内边缘像素点的位置获取对应的角度信息，基于所述角度信息以及所述中心点的灰度信息获取所述中心点的磨损概率，以确定边缘像素点中的磨损点；
以每个所述磨损点与所述针尖像素点的欧式距离以及所述磨损点的磨损概率获取唱针区域的磨损程度，根据所述磨损程度获取电唱机唱头故障因素。
优选的，所述过每个边缘像素点作目标垂线将所述唱针区域划分为两个子区域的步骤，包括：
获取边缘像素点的切线，过边缘像素点作所述切线的垂线，将处于所述唱针区域中的垂线作为目标垂线；以目标垂线为分界线将所述唱针区域划分为两个子区域。
优选的，所述根据所述目标垂线上每个像素点与两个子区域的边缘的欧式距离，获取所述目标垂线对应的边缘像素点的优选值的步骤，包括：
将所述目标垂线上每个像素点作为目标点，过目标点作垂直于所述目标垂线的直线，所述直线分别与两个子区域的边缘存在两个交点；
获取目标点分别与对应两个交点之间的欧式距离，记为第一距离和第二距离，计算每个目标点对应的第一距离和第二距离的差值绝对值；
根据所述目标垂线上所有目标点对应的差值绝对值之和得到所述目标垂线对应的边缘像素点的优选值，所述优选值与差值绝对值之和呈负相关关系。
优选的，所述根据所述优选值确定针尖像素点的步骤，包括：
选取优选值最大时的边缘像素点，若优选值最大时的边缘像素点只有一个，对应边缘像素点为针尖像素点；
若优选值最大的边缘像素点不止一个，将优选值最大的边缘像素点记为待处理点，以每个待处理点为中心构建预设大小的窗口区域，根据窗口区域内每个边缘像素点与待处理点之间的坐标差异获取对应的角度值，将窗口区域内所有边缘像素点对应的角度值的平均值作为待处理点的特征值，所述特征值最大时的待处理点为针尖像素点。
优选的，所述根据所述窗口内边缘像素点的位置获取对应的角度信息的步骤，包括：
分别获取相邻两个边缘像素点之间的横坐标差值和纵坐标差值，将所述纵坐标差值和所述横坐标差值的比值进行反正切函数计算，得到相邻两个边缘像素点之间的角度；
所述窗口内所有相邻边缘像素点之间的角度为所述角度信息。
优选的，所述基于所述角度信息以及所述中心点的灰度信息获取所述中心点的磨损概率，以确定边缘像素点中的磨损点的步骤，包括：
过所述针尖像素点作目标垂线将所述唱针区域划分为两个子区域，分别记为最优子区域；取一个最优子区域中的边缘像素点w，基于目标垂线获取边缘像素点w在另一个最优子区域中对称位置的边缘像素点作为边缘像素点w的匹配点
Figure 59285DEST_PATH_IMAGE001
；若另一个最优子区域中对称位置不存在边缘像素点，选取与对称位置距离最近的边缘像素点作为边缘像素点w的匹配点
Figure 788206DEST_PATH_IMAGE001
；
磨损概率的计算方法为：
Figure 460496DEST_PATH_IMAGE002
其中，
Figure 755211DEST_PATH_IMAGE003
表示磨损概率；
Figure 792437DEST_PATH_IMAGE004
表示边缘像素点w对应的窗口中所有边缘像素点的数量；
Figure 70972DEST_PATH_IMAGE005
表示边缘像素点w对应的窗口中第
Figure 219057DEST_PATH_IMAGE006
个角度；
Figure 633857DEST_PATH_IMAGE007
表示边缘像素点w对应的窗口中第
Figure 904302DEST_PATH_IMAGE008
个角度；
Figure 607816DEST_PATH_IMAGE009
表示边缘像素点w的灰度值；
Figure 621908DEST_PATH_IMAGE010
表示边缘像素点w的匹配点
Figure 94478DEST_PATH_IMAGE001
的灰度值；
Figure 535823DEST_PATH_IMAGE011
表示取最大值；
Figure 726633DEST_PATH_IMAGE012
表示边缘像素点w对应的窗口中所有角度的平均角度值；
Figure 278837DEST_PATH_IMAGE013
表示匹配点
Figure 871493DEST_PATH_IMAGE001
对应窗口中所有角度的平均角度值；
Figure 218160DEST_PATH_IMAGE014
表示自然常数；
Figure 896266DEST_PATH_IMAGE015
表示绝对值计算；
当磨损概率大于预设的磨损阈值时，磨损概率对应的边缘像素点为磨损点。
优选的，所述以每个所述磨损点与所述针尖像素点的欧式距离以及所述磨损点的磨损概率获取唱针区域的磨损程度的步骤，包括：
以每个所述磨损点与所述针尖像素点的欧式距离构建对应所述磨损点的权重，权重与所述欧式距离呈负相关关系；
获取所有所述磨损点的权重与所述磨损概率的加权求和并求平均值，所述平均值为唱针区域的磨损程度。
优选的，所述获取所述侧面图像中的唱针区域的步骤，包括：
获取所述侧面图像中灰度频率最大的灰度级，以所述灰度级对应的任意一个像素点为初始生长点，以初始生长点进行区域生长得到对应的区域；区域生长的生长准则为像素点之间的灰度值差异小于预设的灰度阈值；
对于初次生长得到的区域之外的剩余像素点，以剩余像素点中灰度频率最大的灰度级对应的任意一个像素点作为初始生长点，以初始生长点进行区域生长得到对应的区域；以此类推，直至将所述侧面图像中所有的像素点划分至对应的区域；
获取每个所述区域中所有像素点的平均灰度值以及所述区域的熵值，以所述区域的平均灰度值和所述区域的熵值的比值作为对应区域的置信度；
所有所述区域中置信度最大的区域为唱针区域。
优选的，所述基于当前周期的声音序列与其相邻周期的声音序列之间的差异获取电唱机的故障可能性的步骤，包括：
获取当前周期的声音序列与其相邻周期的声音序列中对应位置元素的差值绝对值，以所述差值绝对值获取对应位置元素的相似度，当所述相似度不大于正常阈值时，将所述相似度对应位置元素的异常判定次数加1，其中，异常判定次数的初始值为零；
统计当前周期的声音序列中每个位置元素的异常判定次数，以所述异常判定次数与当前周期的声音序列中所有元素数量的比值作为对应位置元素为噪声数据的概率；当所述概率不大于噪声阈值时，对应位置元素为正常数据；
获取当前周期的声音序列对应的标准声音序列，基于所述标准声音序列得到当前周期的声音序列中每个正常数据对应的标准数据；根据每个正常数据与标准数据的差值绝对值得到电唱机的故障可能性，所述故障可能性与所述差值绝对值呈正相关关系。
优选的，所述根据所述磨损程度获取电唱机唱头故障因素的步骤，包括：
若所述磨损程度大于预设阈值，电唱机唱头故障因素为唱针区域磨损。
本发明具有如下有益效果：本发明实施例中通过多个周期的声音序列获取电唱机的故障可能性，以初步确定电唱机是否发生故障，在故障可能性大于故障阈值时再采集图像进行分析，减少分析过程中的计算量；在对电唱机的侧面图像进行分析时，首先获取侧面图像中的唱针区域，基于唱针区域进行针对性的分析，排除其他区域在分析过程中的干扰，效率更高，考虑到对电唱机工作影响最大的是唱针的针尖区域，因此对唱针区域中每个边缘像素点进行分析，通过边缘像素点构建目标垂线将唱针区域划分为两个子区域，并根据目标垂线上每个像素点到两个子区域的边缘之间的欧式距离获取优选值，由于每个像素点到两个子区域的边缘像素点之间的欧式距离可反映出此时的两个子区域的对称情况，因此根据优选值确定的针尖像素点更加具有参考性；进一步的，对唱针区域中的磨损点进行获取，通过唱针区域中每个边缘像素点与其对应窗口内其他边缘像素点的角度信息和灰度信息进行结合分析，磨损概率的计算更加准确，则确定出的边缘像素点中的磨损点也更加准确，基于磨损点与针尖像素点的欧式距离，并结合磨损点的磨损概率对唱针区域的磨损程度进行判定，通过更加准确的磨损点得到的磨损程度的可信度更高，基于可信度更高的磨损程度进行电唱机唱头故障因素的判定也更加准确，且在声音信息的基础上结合图像信息的双重分析也提高了最终故障因素判断的准确程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种电唱机唱头故障因素识别方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种电唱机唱头故障因素识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本申请适用于电唱机唱头上的唱针进行磨损识别，下面结合附图具体的说明本发明所提供的一种电唱机唱头故障因素识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种电唱机唱头故障因素识别方法流程图，该方法包括以下步骤：
步骤S100，采集电唱机至少两个周期的声音序列，基于当前周期的声音序列与其相邻周期的声音序列之间的差异获取电唱机的故障可能性。
电唱机的唱头部分包含有主要部件唱针，唱针的好坏直接影响到电唱机的质量，因此对唱针故障的检测十分重要；电唱机发出的声音是由唱针在唱片上震动产生的，电唱机发出的声音可一定程度上反映唱针是否存在问题，因此本发明实施例中首先对声音信号进行采集，声音信号采集的方式实施者可自行选择，本发明实施例中通过声音传感器采集电唱机运行过程中的声信号，声信号的幅值记为Q，将一个周期内的声信号的幅值依次排列构成对应的声音序列。
考虑到电唱机发出的声音是基于唱针在唱片上的震动，因此声音与唱片上的纹理息息相关，为便于对电唱机对应声音序列的对比，以同一唱片循环多次，每次循环记为一个周期，且每个周期对应了一个声音序列，循环播放的次数实施者可自行设置，通过多个周期下的采集得到电唱机对应的多个声音序列，将声音序列的数量记为N，也即是采集得到了N个周期对应的声音序列；将每个声音序列记为
Figure 986582DEST_PATH_IMAGE016
，
Figure 496061DEST_PATH_IMAGE017
表示在一个周期内第一采样时刻声信号的幅值；
Figure 13630DEST_PATH_IMAGE018
表示在一个周期内第二采样时刻声信号的幅值；
Figure 913453DEST_PATH_IMAGE019
表示在第一周期内第
Figure 807459DEST_PATH_IMAGE020
采样时刻声信号的幅值；每个周期对应的声音序列的长度相同，并且每个声音序列中对应位置声信号的幅值的采样时刻一致。
声信号采集的过程中，不可避免的会受到噪声的干扰，噪声干扰可能是由于马达的磁场不均匀、转子不平衡以及传动变速机构、转盘等制造不良而产生的机械震动，传到唱头后会被转换成一种低频噪声；由于声音序列是由同样的采样时刻采集得到的相同长度的序列，因此在不同的声音序列之间可在同一位置标记出相同采样时刻的声信号的幅值，根据同一采样时刻下声信号的幅值之间的差异获取声音序列中的噪声数据。获取当前周期的声音序列与其相邻周期的声音序列中对应位置元素的差值绝对值，以差值绝对值获取对应位置元素的相似度，当相似度不大于正常阈值时，将相似度对应位置元素的异常判定次数加1，其中，异常判定次数的初始值为零；统计当前周期的声音序列中每个位置元素的异常判定次数，以异常判定次数与当前周期的声音序列中所有元素数量的比值作为对应位置元素为噪声数据的概率；当概率不大于噪声阈值时，对应位置元素为正常数据；获取当前周期的声音序列对应的标准声音序列，基于标准声音序列得到当前周期的声音序列中每个正常数据对应的标准数据；根据每个正常数据与标准数据的差值绝对值得到电唱机的故障可能性，故障可能性与差值绝对值呈正相关关系。
具体的，以当前声音序列中
Figure 374707DEST_PATH_IMAGE017
为例，获取当前声音序列中的
Figure 328756DEST_PATH_IMAGE017
在其相邻周期的声音序列中对应位置的
Figure 512613DEST_PATH_IMAGE021
，通过当前声音序列中的
Figure 147994DEST_PATH_IMAGE017
以及相邻周期的声音序列中对应位置的
Figure 632065DEST_PATH_IMAGE021
之间的差异获取两个声信号之间的相似度，相似度的计算为：
Figure 706417DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
表示相似度；
Figure 908729DEST_PATH_IMAGE017
表示当前声音序列中第一采样时刻声信号的幅值；
Figure 144538DEST_PATH_IMAGE024
表示当前声音序列的相邻周期的声音序列中第一采样时刻声信号的幅值；
Figure 420798DEST_PATH_IMAGE014
表示自然常数；
Figure 716651DEST_PATH_IMAGE025
表示取绝对值。
当
Figure 78362DEST_PATH_IMAGE026
的取值越小时，表明当前声音序列中第一采样时刻声信号的幅值与相邻周期的声音序列中第一采样时刻声信号的幅值之间差异较小，也即是两个声信号之间的相似度越大；通过指数函数的负相关映射，使得声信号之间幅值的差值绝对值
Figure 117862DEST_PATH_IMAGE026
与相似度
Figure 248629DEST_PATH_IMAGE023
呈现负相关关系，并且对相似度的取值进行了归一化处理。
声信号之间的相似度越大，表明在不同周期的相同采样时刻下的声信号幅值越接近，越可能是正常的声信号数据，本发明实施例中通过设置正常阈值判定每个采样时间下声信号的幅值是否为正常数据，作为优选，设置正常阈值大小为0.9，在当前声音序列中每个声信号的幅值与相邻周期的声音序列对应位置声信号的幅值之间的相似度大于正常阈值0.9时，将当前声音序列中的声信号幅值初步判定为正常数据，反之，当相似度不大于正常阈值0.9时，初步判定为异常数据，并将异常判定次数f+1，初始f=0；以此类推，对当前声音序列中每个声信号的幅值与采集到的其他N-1个周期的声音序列中对应位置声信号的幅值进行相似度的判断，并将相似度不大于正常阈值0.9的进行统计，对异常判定次数进行更新，最终得到当前声音序列中每个声信号对应的异常判定次数记为F，根据每个声信号对应的异常判定次数确定该声信号为异常的噪声数据，即声信号为噪声数据的概率为：
Figure 715382DEST_PATH_IMAGE027
其中，
Figure 564390DEST_PATH_IMAGE028
表示声信号为噪声数据的概率；
Figure DEST_PATH_IMAGE029
表示声信号对应的异常判定次数；
Figure 673160DEST_PATH_IMAGE030
表示采集的周期数量，也即是同一采样时刻下对应的声信号的数量。
声信号对应的异常判定次数越大，则该声信号被判定为异常的次数越多，越可能为噪声数据；为了便于对噪声数据进行判断分析，本发明实施例中通过设置噪声阈值，当声信号为噪声数据的概率大于噪声阈值时，将对应的声信号判定为噪声数据，反之，当声信号不大于噪声阈值时，对应的声信号判定为正常数据。
作为优选，本发明实施例中设置噪声阈值的大小为0.9。
基于判定一个声信号是否为噪声数据相同的方法，对采集得到的当前周期的声音序列中所有的声信号进行判断，将当前周期的声音序列中所有的声信号划分为正常数据和噪声数据，由于噪声数据可能是由于电唱机运行的音质变劣或者失真等情况产生，因此噪声数据不具备分析价值，后续对所有的正常数据进行分析。
由于采集声音序列时的唱片是固定的，因此可以获取该唱片在正常的电唱机下发出的标准声音序列，该标准声音序列与上述采集的每个周期的声音序列长度一致，且标准声音序列中的采样时刻与上述每个周期的声音序列的采样时刻也一致，则根据选取出的所有正常数据在声音序列中的位置可对应得到标准声音序列中的标准数据，基于每个正常数据与标准数据之间的差异获取该电唱机发生故障的故障可能性，故障可能性的具体计算为：
Figure 720751DEST_PATH_IMAGE031
其中，
Figure 296088DEST_PATH_IMAGE032
表示故障可能性；
Figure 897971DEST_PATH_IMAGE033
表示第
Figure 279274DEST_PATH_IMAGE034
个正常数据；
Figure 384633DEST_PATH_IMAGE035
表示第
Figure 927610DEST_PATH_IMAGE034
个正常数据对应的标准数据；
Figure 16789DEST_PATH_IMAGE036
表示取最大值；
Figure 936203DEST_PATH_IMAGE037
表示所有正常数据的数量，
Figure 896069DEST_PATH_IMAGE038
，
Figure 141105DEST_PATH_IMAGE020
是每个声音序列中采样时刻的数量，也即是每个声音序列中声信号的幅值的数量。
正常数据与其对应的标准数据的差值绝对值
Figure 186422DEST_PATH_IMAGE039
也即是声信号幅值之间的差值绝对值，该差值绝对值的取值越大，表明此时的正常数据与标准数据之间的偏差越大，则对应的故障可能性越大，分母
Figure 909527DEST_PATH_IMAGE040
用于归一化，使得最终故障可能性的取值在0-1之间，
Figure 989479DEST_PATH_IMAGE041
反映所有正常数据与其标准数据之间的平均差异，该平均差异越大，则正常数据与标准数据的差异越大，也即是电唱机发生故障的故障可能性越大。
步骤S200，若故障可能性大于故障阈值，采集电唱机的侧面图像并获取侧面图像中的唱针区域。
由步骤S100中得到电唱机的故障可能性，故障可能性的取值越大，则对应该电唱机越可能出现故障；通过设置故障阈值判断电唱机是否出现故障，若电唱机的故障可能性不大于故障阈值，则判定对应的电唱机未发生故障，反之，若电唱机的故障可能性大于故障阈值，则判定该电唱机发生了故障，需要对电唱机的情况进一步进行分析。
由于影响电唱机工作的最主要因素是唱针，因此首先对电唱机中的唱针进行分析，以获取该电唱机出现故障的故障因素和类别；布置相机拍摄电唱机的侧面图像，该侧面图像中包括电唱机的唱头区域和唱针区域，并且对侧面图像进行预处理，也即是对侧面图像进行滤波去噪以及灰度化处理，滤波去噪和灰度化处理均为现有公知手段，不再赘述，对预处理后的侧面图像进行分析。
为了准确的对唱针情况进行分析，在侧面图像中获取电唱机的唱针区域，首先将侧面图像划分为多个区域，区域的划分方法采用区域生长算法进行，具体的，选取一个初始生长点，该初始生长点是在侧面图像中灰度频率最大的像素点中选取，也即是灰度值出现次数最多的像素点中选取，以初始生长点按照生长准则进行遍历生长，生长准则为灰度值差异小于灰度阈值，灰度阈值的大小实施者可自行设置，本发明实施例中给出优选的灰度阈值为10，也即是两个像素点之间的灰度差异小于灰度阈值10，则满足生长条件进行区域生长，否则，将不进行生长，以此类推，通过不断的区域生长得到生长后的区域，区域生长的具体过程为现有公知技术，不再详细说明。
需要说明的是，当第一个区域生长完成后，从剩余像素点中再次选择一个初始生长点，仍然是在灰度频率最大的像素点中选取，以此时的初始生长点再次进行生长，直至将侧面图像中所有像素点均划分到对应的生长区域中，得到侧面图像对应的多个区域。
由于每个区域在获取时，生长条件是灰度值差异小于灰度阈值，因此每个区域中的像素点的灰度差异较小。根据电唱机的特点可知，唱头区域的面积大于唱针区域的面积且两个区域的灰度信息存在较大差异，理想情况下是根据灰度频率最大的灰度值区域生长得到两个区域，面积较大的为唱头区域，另一个为唱针区域；而实际由于图像拍摄方法不同，导致在对侧面图像进行区域划分为可能存在多个区域，因此需要从多个区域中找出唱针区域；获取每个区域中所有像素点的平均灰度值，以区域的平均灰度值和区域的熵值的比值作为对应区域的置信度；所有区域中置信度最大的区域为唱针区域。
具体的，获取每个区域对应图像的熵值以及每个区域中所有像素点的平均灰度值，熵值的计算以及平均灰度值的计算均为公知常数，不再赘述，根据每个区域对应的平均灰度值和熵值获取该区域对应的置信度，每个区域的置信度的计算为：
Figure 139837DEST_PATH_IMAGE042
其中，
Figure 672450DEST_PATH_IMAGE043
表示区域的置信度；
Figure 933667DEST_PATH_IMAGE044
表示区域中所有像素点的平均灰度值；
Figure 930442DEST_PATH_IMAGE045
表示区域的熵值。
唱针的表面较为光滑且一般为银色，对应的灰度值较大，因此当区域的平均灰度值较大时，该区域为唱针区域的置信度越大；相应的，当区域对应的熵值越大，说明该区域内像素点的灰度分布不规则，纹理信息越杂乱，因此该区域为唱针区域的置信度越小。
以此类推，获取每个区域为唱针区域的置信度，选取置信度最大时对应的区域，该区域即为唱针区域。
步骤S300，获取唱针区域中的边缘像素点，过每个边缘像素点作目标垂线将唱针区域划分为两个子区域；根据目标垂线上每个像素点与两个子区域的边缘的欧式距离，获取目标垂线对应的边缘像素点的优选值，根据优选值确定针尖像素点。
由步骤S200中获取到电唱机的唱针区域，由于唱针区域与唱片接触最密切的位置为针头部分，因此针头及其周围的区域及其容易发生磨损，进一步对唱针区域进行分析获取其中的针尖像素点，首先获取唱针区域中的边缘像素点，边缘像素点的获取方法采用canny算子检测，具体方法为现有公知技术，不再赘述；对唱针区域中的每个边缘像素点进行分析。
获取边缘像素点的切线，过边缘像素点作切线的垂线，将处于唱针区域中的垂线作为目标垂线；以目标垂线为分界线将唱针区域划分为两个子区域。将目标垂线上每个像素点作为目标点，过目标点作垂直于目标垂线的直线，直线分别与两个子区域的边缘存在两个交点；获取目标点分别与对应两个交点之间的欧式距离，记为第一距离和第二距离，计算每个目标点对应的第一距离和第二距离的差值绝对值；根据目标垂线上所有目标点对应的差值绝对值之和得到目标垂线对应的边缘像素点的优选值，优选值与差值绝对值之和呈负相关关系。
具体的，以边缘像素点z为例，获取边缘像素点z的切线
Figure 454964DEST_PATH_IMAGE046
，并基于切线
Figure 474872DEST_PATH_IMAGE046
作垂线，该垂线过边缘像素点z且与切线
Figure 539780DEST_PATH_IMAGE046
垂直，将处于唱针区域中的垂线记为目标垂线
Figure 328745DEST_PATH_IMAGE047
，目标垂线
Figure 86485DEST_PATH_IMAGE047
将边缘像素点z所在的唱针区域划分为两个子区域，过目标垂线
Figure 593690DEST_PATH_IMAGE047
上每个像素点作垂直于该目标垂线
Figure 196710DEST_PATH_IMAGE047
的直线，每条直线与两个子区域的边缘存在两个交点，也即是一个子区域的边缘上存在一个交点；以目标垂线
Figure 105760DEST_PATH_IMAGE047
上每个像素点作为目标点，获取目标点分别与对应两个交点之间的欧式距离，记为第一距离和第二距离，则每个目标点均对应一个第一距离和一个第二距离；基于每个目标点对应的第一距离和第二距离获取边缘像素点z作为针尖像素点的优选值，优选值的具体计算为：
Figure 503243DEST_PATH_IMAGE048
其中，
Figure 560061DEST_PATH_IMAGE049
表示优选值；
Figure 701192DEST_PATH_IMAGE050
表示第
Figure 261486DEST_PATH_IMAGE051
个目标点对应的第一距离；
Figure 310431DEST_PATH_IMAGE052
表示第
Figure 588966DEST_PATH_IMAGE051
个目标点对应的第二距离；
Figure DEST_PATH_IMAGE053
表示边缘像素点z的目标垂线
Figure 799367DEST_PATH_IMAGE047
上所有目标点的数量；
Figure 214168DEST_PATH_IMAGE014
表示自然常数；
Figure 687875DEST_PATH_IMAGE025
表示取绝对值。
Figure 656968DEST_PATH_IMAGE054
表示第
Figure 608743DEST_PATH_IMAGE051
个目标点对应的第一距离和第二距离的差值，反映了第
Figure 612472DEST_PATH_IMAGE051
个目标点到两个子区域的边缘的欧式距离差异，
Figure 257079DEST_PATH_IMAGE054
的取值越小，说明第
Figure 713469DEST_PATH_IMAGE051
个目标点到两个子区域的边缘的欧式距离差异越小，则第
Figure 468935DEST_PATH_IMAGE051
个目标点两侧越呈现对称分布；
Figure 327170DEST_PATH_IMAGE055
表示边缘像素点z的目标垂线
Figure 877100DEST_PATH_IMAGE047
上所有目标点到两个子区域边缘的欧式距离差异之和，
Figure 820785DEST_PATH_IMAGE055
的取值越小，说明边缘像素点z划分为两个子区域形状越对称，边缘像素点z为针尖像素点的可能性越大，其对应的优选值越大；指数函数的负相关映射用于将
Figure 379942DEST_PATH_IMAGE055
的取值与优选值的取值呈现负相关关系，并且将优选值的大小控制在0-1的范围内，更加便于分析。
以此类推，对唱针区域中每个边缘像素点进行分析，获取每个边缘像素点对应为针尖像素点的优选值，选取唱针区域中优选值最大时对应的边缘像素点，若优选值最大时的边缘像素点只有一个，则该边缘像素点即为针尖像素点。考虑到优选值最大时的边缘像素点可能不止一个，但针尖的区域的形状较为尖锐，也即是针尖像素点是一个凸起的像素点，因此，若优选值最大的边缘像素点不止一个，将优选值最大的边缘像素点记为待处理点，以每个待处理点为中心构建9*9大小的窗口区域，窗口区域的大小实施者可自行调整，根据窗口区域内每个边缘像素点与待处理点之间的坐标差异获取对应的角度，窗口区域内所有边缘像素点对应的角度的平均值作为待处理点的特征值；获取每个待处理点的特征值，将特征值最大时对应的待处理点作为针尖像素点。
其中，根据窗口区域内每个边缘像素点与待处理点之间的坐标差异获取对应的角度的方法：令窗口区域内待处理点的坐标为
Figure 92683DEST_PATH_IMAGE056
，窗口区域内任意一个边缘像素点的坐标为
Figure 813515DEST_PATH_IMAGE057
，则该边缘像素点与待处理点之间的角度为：
Figure 41234DEST_PATH_IMAGE058
，其中，
Figure 138503DEST_PATH_IMAGE059
表示角度；
Figure 971329DEST_PATH_IMAGE060
为反正切函数。
步骤S400，以唱针区域中每个边缘像素点作为中心点构建窗口，根据窗口内边缘像素点的位置获取对应的角度信息，基于角度信息以及中心点的灰度信息获取中心点的磨损概率，以确定边缘像素点中的磨损点。
电唱机在实际运行时，唱针是极易发生磨损的区域，由于唱针与唱片的接触是电唱机放唱过程中的第一步，因此唱针的好坏直接影响到电唱机放唱的效果，而由于唱针与唱片的接触放唱是一个相对运动的过程，因此接触点的摩擦不可避免的会造成两者的磨损，这种磨损由于空气中的灰尘以及放唱过程中产生的静电效应而更加严重；从理论上讲，唱针与唱片接近于点接触，因此尽管施加在唱针上的力是很小的，但是接触面上单位面积承受的压力却是很大的，这种压力和摩擦会在接触面上产生高热，使得唱针遭到磨损和破坏，尤其是在针尖周围的区域，出现磨损的概率极大。
由于唱针表面是光滑的，而出现磨损之后在其表面会产生相应的不规则纹理，因此对唱针区域的边缘像素点进行分析，判断每个边缘像素点发生磨损的情况；以唱针区域中边缘像素点w为例，将边缘像素点w作为中心点构建窗口，本发明实施例中设置窗口的大小为5*5，在其他实施例中实施者可自行设定；根据边缘像素点w为中心点的窗口得到边缘像素点w对应的5*5邻域像素点，统计在窗口对应的5*5邻域像素点中边缘像素点的数量记为
Figure 863062DEST_PATH_IMAGE061
，并获取每相邻两个边缘像素点之间所成直线的角度，例如对于坐标位置为
Figure 781339DEST_PATH_IMAGE056
的边缘像素点和坐标位置为
Figure 682299DEST_PATH_IMAGE057
的边缘像素点连接而成的直线的角度为：
Figure 104053DEST_PATH_IMAGE058
，其中，
Figure 635529DEST_PATH_IMAGE059
表示角度；
Figure 775523DEST_PATH_IMAGE056
和
Figure 745753DEST_PATH_IMAGE057
分别为两个边缘像素点对应的坐标位置；
Figure 287593DEST_PATH_IMAGE060
为反正切函数，用于将数值转换为角度。
以此类推，对于边缘像素点w对应的5*5邻域像素点中
Figure 786708DEST_PATH_IMAGE061
个边缘像素点，可对应得到
Figure 413998DEST_PATH_IMAGE062
个角度，并将窗口内所有相邻边缘像素点对应的直线的角度记为角度信息；例如在边缘像素点w对应的5*5邻域像素点中存在4个边缘像素点分别为
Figure 860023DEST_PATH_IMAGE063
，则边缘像素点
Figure 256369DEST_PATH_IMAGE064
和边缘像素点
Figure 926385DEST_PATH_IMAGE065
之间存在一个角度
Figure 40971DEST_PATH_IMAGE066
，边缘像素点
Figure 87425DEST_PATH_IMAGE065
和边缘像素点
Figure 603857DEST_PATH_IMAGE067
之间存在一个角度
Figure 444774DEST_PATH_IMAGE068
，边缘像素点
Figure 46656DEST_PATH_IMAGE067
和边缘像素点
Figure 631222DEST_PATH_IMAGE069
之间存在一个角度
Figure 205422DEST_PATH_IMAGE070
，并且将角度
Figure 217241DEST_PATH_IMAGE066
与角度
Figure 40840DEST_PATH_IMAGE068
是相邻角度。
通过获取边缘像素点w对应的5*5邻域像素点中所有相邻边缘像素点之间的角度，计算获取的所有角度的平均值记为平均角度值；由步骤S300获取针尖像素点的过程中可知，过针尖像素点的切线的目标垂线将唱针区域划分为了两个子区域，将此时的两个子区域分别记为最优子区域，对于边缘像素点w而言，其属于其中的一个最优子区域，因此获取边缘像素点w在另一个最优子区域中对称位置的边缘像素点作为边缘像素点w的匹配点
Figure 694675DEST_PATH_IMAGE001
，对称位置基于过针尖像素点的目标垂线获取；若另一个最优子区域中对称位置不存在边缘像素点，则选取与该对称位置距离最近的边缘像素点作为边缘像素点w的匹配点
Figure 920120DEST_PATH_IMAGE001
；根据同样的方法获取匹配点
Figure 102840DEST_PATH_IMAGE001
为中心点时的窗口，也即是获取匹配点
Figure 679315DEST_PATH_IMAGE001
对应的5*5邻域像素点，并获取其中所有相邻边缘像素点之间的角度，进而得到平均角度值；根据边缘像素点w与其对应的匹配点
Figure 808945DEST_PATH_IMAGE001
分别对应的窗口中5*5邻域像素点的角度信息，以及边缘像素点w与其对应的匹配点
Figure 888896DEST_PATH_IMAGE001
的灰度信息，获取边缘像素点w为磨损像素点的磨损概率，磨损概率的计算为：
Figure 508097DEST_PATH_IMAGE071
其中，
Figure 306288DEST_PATH_IMAGE003
表示磨损概率；
Figure 36347DEST_PATH_IMAGE004
表示边缘像素点w对应的窗口中所有边缘像素点的数量；
Figure 970805DEST_PATH_IMAGE005
表示边缘像素点w对应的窗口中第
Figure 26486DEST_PATH_IMAGE006
个角度；
Figure 311973DEST_PATH_IMAGE007
表示边缘像素点w对应的窗口中第
Figure 580144DEST_PATH_IMAGE008
个角度；
Figure 634687DEST_PATH_IMAGE009
表示边缘像素点w的灰度值；
Figure 595690DEST_PATH_IMAGE010
表示边缘像素点w的匹配点
Figure 102895DEST_PATH_IMAGE001
的灰度值；
Figure 174756DEST_PATH_IMAGE036
表示取最大值；
Figure 552648DEST_PATH_IMAGE012
表示边缘像素点w对应的窗口中所有角度的平均角度值；
Figure 418973DEST_PATH_IMAGE013
表示匹配点
Figure 679053DEST_PATH_IMAGE001
对应窗口中所有角度的平均角度值；
Figure 289026DEST_PATH_IMAGE014
表示自然常数；
Figure 318161DEST_PATH_IMAGE025
表示绝对值计算。
Figure 367106DEST_PATH_IMAGE072
表示相邻角度之间的差异，该项取值越大，说明相邻角度之间的差异越大，则表明相邻角度所对应的边缘像素点的连线不在一条直线上，对应的形状越不规则；
Figure 114482DEST_PATH_IMAGE072
的取值越大，则对应的
Figure 528146DEST_PATH_IMAGE073
的取值越小，
Figure 677368DEST_PATH_IMAGE074
的取值越大，并且
Figure 151075DEST_PATH_IMAGE073
起到了对角度差异进行归一化的作用，去除了量纲影响且确保了该项取值在0-1之间，因此
Figure 120168DEST_PATH_IMAGE074
的取值也在0-1之间，且
Figure 71943DEST_PATH_IMAGE074
的取值越大，表明边缘像素点w的磨损概率越大，也即是窗口内所有边缘像素点之间角度的平均差异
Figure 278933DEST_PATH_IMAGE075
的取值越大，边缘像素点w的磨损概率越大；
Figure 657962DEST_PATH_IMAGE076
表示边缘像素点w与其对应匹配点
Figure 114351DEST_PATH_IMAGE001
之间的灰度差值绝对值，该灰度差值绝对值越大，表明边缘像素点w与其对应匹配点
Figure 869818DEST_PATH_IMAGE001
之间的灰度差异越大，也即是颜色信息越不对应，则边缘像素点w的磨损概率越大；
Figure 728052DEST_PATH_IMAGE077
用于选取最大值对灰度差值绝对值进行归一化，使得数值处于0-1之间；相应的，
Figure 543562DEST_PATH_IMAGE078
表示边缘像素点w对应窗口中所有角度的平均角度值与匹配点
Figure 487247DEST_PATH_IMAGE001
对应窗口中所有角度的平均角度值之间的差值绝对值，
Figure 46404DEST_PATH_IMAGE078
的取值越大，表明边缘像素点w与匹配点
Figure 759145DEST_PATH_IMAGE001
对应窗口内整体角度的差异较大，角度信息越不一致，对应的边缘像素点的分布也越不规则，因此
Figure 745556DEST_PATH_IMAGE078
的取值越大，边缘像素点w的磨损概率越大，也即是
Figure 176537DEST_PATH_IMAGE079
的取值越大，边缘像素点w的磨损概率越大，
Figure 273806DEST_PATH_IMAGE080
的目的同样是为了去除角度量纲的影响，使得数据范围处于0-1之间。
基于上述获取边缘像素点w的磨损概率相同的方法，获取唱针区域中其他每个边缘像素点的磨损概率，磨损概率越大，则对应边缘像素点为磨损点的概率越大，为了便于磨损点的判定，本发明实施例中设置磨损阈值，当边缘像素点的磨损概率大于该磨损阈值时，边缘像素点为磨损点，反之，当边缘像素点的磨损概率不大于磨损阈值时，边缘像素点为未磨损点。
作为优选，设置磨损阈值为0.8，通过磨损阈值得到所有磨损概率大于磨损阈值0.8的磨损点。
步骤S500，以每个磨损点与针尖像素点的欧式距离以及磨损点的磨损概率获取唱针区域的磨损程度，根据磨损程度获取电唱机唱头故障因素。
由步骤S300得到唱针区域的针尖像素点并由步骤S400获取到唱针区域中所有的磨损点，统计唱针区域中所有磨损点的数量记为
Figure 841054DEST_PATH_IMAGE081
，计算每个磨损点与针尖像素点之间的欧式距离，通过每个磨损点与针尖像素点之间的欧式距离以及每个磨损点对应的磨损概率获取唱针区域的磨损程度，以每个磨损点与针尖像素点的欧式距离构建对应磨损点的权重，权重与欧式距离呈负相关关系；获取所有磨损点的权重与磨损概率的加权求和并求平均值，平均值为唱针区域的磨损程度。磨损程度的计算具体为：
Figure 998366DEST_PATH_IMAGE082
其中，
Figure 916643DEST_PATH_IMAGE083
表示磨损程度；
Figure 755286DEST_PATH_IMAGE081
表示唱针区域中所有磨损点的数量；
Figure 442619DEST_PATH_IMAGE084
表示唱针区域中第m个磨损点与针尖像素点之间的欧式距离；
Figure 770832DEST_PATH_IMAGE085
表示与针尖像素点的欧式距离的最大值；
Figure 910827DEST_PATH_IMAGE086
表示第m个磨损点对应的磨损概率。
Figure 412215DEST_PATH_IMAGE087
表示第m个磨损点对应的权重，用于确保磨损程度计算的可靠度，由于电唱机故障最主要的影响因素是与唱片接触的针尖区域，因此第m个磨损点与针尖像素点之间的欧式距离越近，
Figure 954055DEST_PATH_IMAGE088
的取值越小，则第m个磨损点对应的权重
Figure 453169DEST_PATH_IMAGE087
越大；
Figure 80460DEST_PATH_IMAGE089
表示唱针区域中每个磨损点的权重与磨损点的磨损概率的加权求和，该项取值越大，则对应唱针区域的磨损程度越大，
Figure 260906DEST_PATH_IMAGE090
表示所有磨损点的磨损概率与其权重加权求和的平均值，反映了整体唱针区域的磨损程度，磨损程度越大，则唱针区域磨损的越严重，越可能导致唱头出现故障。
设置预设阈值，当唱针区域的磨损程度大于该预设阈值时，认为此时的唱针区域磨损较为严重，其会导致唱头出现故障，也即是此时电唱机的故障因素是由唱针的磨损造成的。作为一个优选示例，本发明实施例中设置预设阈值为0.75，其他实施例中实施者可根据实际情况设置不同的数值。
进一步的，若唱针区域的磨损程度不大于预设阈值0.75，则电唱机的故障可能是由其他故障因素引起；由于上述步骤中已经获取到了唱针区域，则可直接计算唱针的曲率半径，并根据现有公知常识判断唱针的曲率半径与唱片声槽宽度是否合理，唱针的曲率半径与唱片声槽宽度是否合理是指曲率半径与唱片声槽宽度是否相适配，由人工判断；曲率半径可直接通过唱针区域获取，不再赘述；由于唱片固定，唱片声槽宽度预先可知；若判定唱针的曲率半径与唱片声槽宽度不合理，则电唱机故障因素为唱针的曲率半径与唱片声槽宽度不合理造成。若此时唱针区域的磨损程度不大于预设阈值，且唱针的曲率半径与唱片声槽宽度合理，而声信号仍然出现故障，则故障因素为唱针的针压不合理，需要对针压进行调整。
综上所述，本发明实施例通过采集电唱机至少两个周期的声音序列，基于当前周期的声音序列与其相邻周期的声音序列之间的差异获取电唱机的故障可能性；若故障可能性大于故障阈值，采集电唱机的侧面图像，将侧面图像划分为至少两个区域，基于每个区域的熵值获取对应区域的置信度，以得到唱针区域；获取唱针区域中的边缘像素点，过每个边缘像素点作目标垂线将唱针区域划分为两个子区域；以两个子区域中的边缘像素点获取匹配点对，并根据所有的匹配点对获取对应边缘像素点的优选值，优选值最大的边缘像素点为针尖像素点；以唱针区域中每个边缘像素点作为中心点构建窗口，根据窗口内边缘像素点的位置获取对应的角度信息，基于角度信息以及中心点的灰度信息获取中心点的磨损概率，以确定边缘像素点中的磨损点；以每个磨损点与针尖像素点的欧式距离以及磨损点的磨损概率获取唱针区域的磨损程度，根据磨损程度获取电唱机唱头故障因素；对唱针区域磨损程度的识别更加准确，提高了对电唱机唱头故障因素判定的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电唱机唱头故障因素识别方法，其特征在于，该方法包括以下步骤：
采集电唱机至少两个周期的声音序列，基于当前周期的声音序列与其相邻周期的声音序列之间的差异获取电唱机的故障可能性；
若所述故障可能性大于故障阈值，采集电唱机的侧面图像并获取所述侧面图像中的唱针区域；
获取所述唱针区域中的边缘像素点，过每个边缘像素点作目标垂线将所述唱针区域划分为两个子区域；根据所述目标垂线上每个像素点与两个子区域的边缘的欧式距离，获取所述目标垂线对应的边缘像素点的优选值，根据所述优选值确定针尖像素点；
以所述唱针区域中每个边缘像素点作为中心点构建窗口，根据所述窗口内边缘像素点的位置获取对应的角度信息，基于所述角度信息以及所述中心点的灰度信息获取所述中心点的磨损概率，以确定边缘像素点中的磨损点；
以每个所述磨损点与所述针尖像素点的欧式距离以及所述磨损点的磨损概率获取唱针区域的磨损程度，根据所述磨损程度获取电唱机唱头故障因素。
2.根据权利要求1所述的一种电唱机唱头故障因素识别方法，其特征在于，所述过每个边缘像素点作目标垂线将所述唱针区域划分为两个子区域的步骤，包括：
获取边缘像素点的切线，过边缘像素点作所述切线的垂线，将处于所述唱针区域中的垂线作为目标垂线；以目标垂线为分界线将所述唱针区域划分为两个子区域。
3.根据权利要求1所述的一种电唱机唱头故障因素识别方法，其特征在于，所述根据所述目标垂线上每个像素点与两个子区域的边缘的欧式距离，获取所述目标垂线对应的边缘像素点的优选值的步骤，包括：
将所述目标垂线上每个像素点作为目标点，过目标点作垂直于所述目标垂线的直线，所述直线分别与两个子区域的边缘存在两个交点；
获取目标点分别与对应两个交点之间的欧式距离，记为第一距离和第二距离，计算每个目标点对应的第一距离和第二距离的差值绝对值；
根据所述目标垂线上所有目标点对应的差值绝对值之和得到所述目标垂线对应的边缘像素点的优选值，所述优选值与差值绝对值之和呈负相关关系。
4.根据权利要求1所述的一种电唱机唱头故障因素识别方法，其特征在于，所述根据所述优选值确定针尖像素点的步骤，包括：
选取优选值最大时的边缘像素点，若优选值最大时的边缘像素点只有一个，对应边缘像素点为针尖像素点；
若优选值最大的边缘像素点不止一个，将优选值最大的边缘像素点记为待处理点，以每个待处理点为中心构建预设大小的窗口区域，根据窗口区域内每个边缘像素点与待处理点之间的坐标差异获取对应的角度值，将窗口区域内所有边缘像素点对应的角度值的平均值作为待处理点的特征值，所述特征值最大时的待处理点为针尖像素点。
5.根据权利要求1所述的一种电唱机唱头故障因素识别方法，其特征在于，所述根据所述窗口内边缘像素点的位置获取对应的角度信息的步骤，包括：
分别获取相邻两个边缘像素点之间的横坐标差值和纵坐标差值，将所述纵坐标差值和所述横坐标差值的比值进行反正切函数计算，得到相邻两个边缘像素点之间的角度；
所述窗口内所有相邻边缘像素点之间的角度为所述角度信息。
6.根据权利要求5所述的一种电唱机唱头故障因素识别方法，其特征在于，所述基于所述角度信息以及所述中心点的灰度信息获取所述中心点的磨损概率，以确定边缘像素点中的磨损点的步骤，包括：
过所述针尖像素点作目标垂线将所述唱针区域划分为两个子区域，分别记为最优子区域；取一个最优子区域中的边缘像素点w，基于目标垂线获取边缘像素点w在另一个最优子区域中对称位置的边缘像素点作为边缘像素点w的匹配点
Figure 126337DEST_PATH_IMAGE001
；若另一个最优子区域中对称位置不存在边缘像素点，选取与对称位置距离最近的边缘像素点作为边缘像素点w的匹配点
Figure 999616DEST_PATH_IMAGE001
；
磨损概率的计算方法为：
Figure 114202DEST_PATH_IMAGE002
其中，
Figure 895076DEST_PATH_IMAGE003
表示磨损概率；
Figure 411508DEST_PATH_IMAGE004
表示边缘像素点w对应的窗口中所有边缘像素点的数量；
Figure 518005DEST_PATH_IMAGE005
表示边缘像素点w对应的窗口中第
Figure 119887DEST_PATH_IMAGE006
个角度；
Figure 907715DEST_PATH_IMAGE007
表示边缘像素点w对应的窗口中第
Figure 278653DEST_PATH_IMAGE008
个角度；
Figure 290471DEST_PATH_IMAGE009
表示边缘像素点w的灰度值；
Figure 114071DEST_PATH_IMAGE010
表示边缘像素点w的匹配点
Figure 767906DEST_PATH_IMAGE001
的灰度值；
Figure 993351DEST_PATH_IMAGE011
表示取最大值；
Figure 176071DEST_PATH_IMAGE012
表示边缘像素点w对应的窗口中所有角度的平均角度值；
Figure 752546DEST_PATH_IMAGE013
表示匹配点
Figure 882176DEST_PATH_IMAGE001
对应窗口中所有角度的平均角度值；
Figure 962127DEST_PATH_IMAGE014
表示自然常数；
Figure 581327DEST_PATH_IMAGE015
表示绝对值计算；
当磨损概率大于预设的磨损阈值时，磨损概率对应的边缘像素点为磨损点。
7.根据权利要求1所述的一种电唱机唱头故障因素识别方法，其特征在于，所述以每个所述磨损点与所述针尖像素点的欧式距离以及所述磨损点的磨损概率获取唱针区域的磨损程度的步骤，包括：
以每个所述磨损点与所述针尖像素点的欧式距离构建对应所述磨损点的权重，权重与所述欧式距离呈负相关关系；
获取所有所述磨损点的权重与所述磨损概率的加权求和并求平均值，所述平均值为唱针区域的磨损程度。
8.根据权利要求1所述的一种电唱机唱头故障因素识别方法，其特征在于，所述获取所述侧面图像中的唱针区域的步骤，包括：
获取所述侧面图像中灰度频率最大的灰度级，以所述灰度级对应的任意一个像素点为初始生长点，以初始生长点进行区域生长得到对应的区域；区域生长的生长准则为像素点之间的灰度值差异小于预设的灰度阈值；
对于初次生长得到的区域之外的剩余像素点，以剩余像素点中灰度频率最大的灰度级对应的任意一个像素点作为初始生长点，以初始生长点进行区域生长得到对应的区域；以此类推，直至将所述侧面图像中所有的像素点划分至对应的区域；
获取每个所述区域中所有像素点的平均灰度值以及所述区域的熵值，以所述区域的平均灰度值和所述区域的熵值的比值作为对应区域的置信度；
所有所述区域中置信度最大的区域为唱针区域。
9.根据权利要求1所述的一种电唱机唱头故障因素识别方法，其特征在于，所述基于当前周期的声音序列与其相邻周期的声音序列之间的差异获取电唱机的故障可能性的步骤，包括：
获取当前周期的声音序列与其相邻周期的声音序列中对应位置元素的差值绝对值，以所述差值绝对值获取对应位置元素的相似度，当所述相似度不大于正常阈值时，将所述相似度对应位置元素的异常判定次数加1，其中，异常判定次数的初始值为零；
统计当前周期的声音序列中每个位置元素的异常判定次数，以所述异常判定次数与当前周期的声音序列中所有元素数量的比值作为对应位置元素为噪声数据的概率；当所述概率不大于噪声阈值时，对应位置元素为正常数据；
获取当前周期的声音序列对应的标准声音序列，基于所述标准声音序列得到当前周期的声音序列中每个正常数据对应的标准数据；根据每个正常数据与标准数据的差值绝对值得到电唱机的故障可能性，所述故障可能性与所述差值绝对值呈正相关关系。
10.根据权利要求1所述的一种电唱机唱头故障因素识别方法，其特征在于，所述根据所述磨损程度获取电唱机唱头故障因素的步骤，包括：
若所述磨损程度大于预设阈值，电唱机唱头故障因素为唱针区域磨损。
CN202211488865.8A 2022-11-25 2022-11-25 一种电唱机唱头故障因素识别方法 Active CN115526890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211488865.8A CN115526890B (zh) 2022-11-25 2022-11-25 一种电唱机唱头故障因素识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211488865.8A CN115526890B (zh) 2022-11-25 2022-11-25 一种电唱机唱头故障因素识别方法

Publications (2)

Publication Number Publication Date
CN115526890A true CN115526890A (zh) 2022-12-27
CN115526890B CN115526890B (zh) 2023-03-24

Family

ID=84705378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211488865.8A Active CN115526890B (zh) 2022-11-25 2022-11-25 一种电唱机唱头故障因素识别方法

Country Status (1)

Country Link
CN (1) CN115526890B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937755A (zh) * 2023-02-21 2023-04-07 山东双力现代农业装备有限公司 一种拖拉机变速箱立铣刀片视觉检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040062432A1 (en) * 2002-10-01 2004-04-01 Akio Ishikawa Image defect inspection method, image defect inspection apparatus and appearance inspection apparatus
US7162073B1 (en) * 2001-11-30 2007-01-09 Cognex Technology And Investment Corporation Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object
WO2016127883A1 (zh) * 2015-02-12 2016-08-18 阿里巴巴集团控股有限公司 一种图像区域检测方法及装置
CN112308790A (zh) * 2020-07-29 2021-02-02 中科汇金数字科技(北京)有限公司 一种老唱片音槽轨迹的提取分析方法
CN114092403A (zh) * 2021-10-25 2022-02-25 杭州电子科技大学 基于机器视觉的砂轮磨损检测方法及系统
WO2022110804A1 (zh) * 2020-11-24 2022-06-02 海南大学 一种基于局部统计信息的图像噪声检测方法、装置
CN115082418A (zh) * 2022-07-14 2022-09-20 山东聊城富锋汽车部件有限公司 一种汽车零部件精密识别方法
CN115272341A (zh) * 2022-09-29 2022-11-01 华联机械集团有限公司 一种基于机器视觉的包装机缺陷产品检测方法
CN115294120A (zh) * 2022-10-08 2022-11-04 誉隆半导体设备(江苏)有限公司 基于图像识别的阀门表面质量检测方法
CN115294338A (zh) * 2022-09-29 2022-11-04 中威泵业(江苏)有限公司 一种叶轮表面缺陷识别方法
CN115330767A (zh) * 2022-10-12 2022-11-11 南通南辉电子材料股份有限公司 一种腐蚀箔生产异常识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7162073B1 (en) * 2001-11-30 2007-01-09 Cognex Technology And Investment Corporation Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object
US20040062432A1 (en) * 2002-10-01 2004-04-01 Akio Ishikawa Image defect inspection method, image defect inspection apparatus and appearance inspection apparatus
WO2016127883A1 (zh) * 2015-02-12 2016-08-18 阿里巴巴集团控股有限公司 一种图像区域检测方法及装置
CN112308790A (zh) * 2020-07-29 2021-02-02 中科汇金数字科技(北京)有限公司 一种老唱片音槽轨迹的提取分析方法
WO2022110804A1 (zh) * 2020-11-24 2022-06-02 海南大学 一种基于局部统计信息的图像噪声检测方法、装置
CN114092403A (zh) * 2021-10-25 2022-02-25 杭州电子科技大学 基于机器视觉的砂轮磨损检测方法及系统
CN115082418A (zh) * 2022-07-14 2022-09-20 山东聊城富锋汽车部件有限公司 一种汽车零部件精密识别方法
CN115272341A (zh) * 2022-09-29 2022-11-01 华联机械集团有限公司 一种基于机器视觉的包装机缺陷产品检测方法
CN115294338A (zh) * 2022-09-29 2022-11-04 中威泵业(江苏)有限公司 一种叶轮表面缺陷识别方法
CN115294120A (zh) * 2022-10-08 2022-11-04 誉隆半导体设备(江苏)有限公司 基于图像识别的阀门表面质量检测方法
CN115330767A (zh) * 2022-10-12 2022-11-11 南通南辉电子材料股份有限公司 一种腐蚀箔生产异常识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
侯俊剑: "基于声像模式识别的故障诊断机理研究", 《上海交通大学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937755A (zh) * 2023-02-21 2023-04-07 山东双力现代农业装备有限公司 一种拖拉机变速箱立铣刀片视觉检测方法

Also Published As

Publication number Publication date
CN115526890B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN115222741A (zh) 一种电缆表面缺陷检测方法
CN115526890B (zh) 一种电唱机唱头故障因素识别方法
CN115311292A (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN115100203B (zh) 一种钢筋打磨除锈质量检测方法
CN115937204A (zh) 一种焊管生产质量检测方法
CN115359807B (zh) 一种用于城市噪声污染的噪声在线监测系统
CN115239632B (zh) 一种融合巡检图像和超声波图像的钢轨表面伤损检测方法
CN117409004B (zh) 一种基于医疗影像分析的肺部康复智能辅助系统
CN116402810B (zh) 基于图像处理的润滑油抗磨粒质量检测方法
CN113066064A (zh) 基于人工智能的锥束ct图像生物结构识别及三维重建系统
CN114820625A (zh) 一种汽车顶块缺陷检测方法
CN114140384A (zh) 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法
Kasahara et al. Fuzzy clustering of spatially relevant acoustic data for defect detection
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN116664569A (zh) 一种焊瘤缺陷检测方法
CN110111386B (zh) 一种肌肉组织中结构性角度的自动测量方法及系统
CN114419140A (zh) 一种轨道激光测量装置光斑中心的定位算法
CN117557820A (zh) 一种基于机器视觉的量子点光学膜损伤检测方法及系统
CN112669321B (zh) 一种基于特征提取及算法分类的喷砂不均检测方法
CN115438698A (zh) 一种基于图像处理的电力设备声音识别方法及系统
CN114694640A (zh) 基于音频频谱图的异常声音提取识别方法及装置
CN114549403A (zh) 一种机械零部件侧剖面多单体智能精密几何圆心检测方法
CN115116600A (zh) 一种儿童咳嗽自动分类识别系统
CN116958182B (zh) 基于图像数据的混凝土裂缝快速检测方法
CN116563286B (zh) 一种移动硬盘盒生产质量快速检测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant