CN117571745A - 一种低硼硅玻璃缺陷检测方法 - Google Patents
一种低硼硅玻璃缺陷检测方法 Download PDFInfo
- Publication number
- CN117571745A CN117571745A CN202311702705.3A CN202311702705A CN117571745A CN 117571745 A CN117571745 A CN 117571745A CN 202311702705 A CN202311702705 A CN 202311702705A CN 117571745 A CN117571745 A CN 117571745A
- Authority
- CN
- China
- Prior art keywords
- data
- infrared spectrum
- noise
- spectrum data
- amplitude
- 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
Links
- 239000005388 borosilicate glass Substances 0.000 title claims abstract description 43
- 230000007547 defect Effects 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 248
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 9
- 238000002425 crystallisation Methods 0.000 abstract description 12
- 230000008025 crystallization Effects 0.000 abstract description 12
- 239000000463 material Substances 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
-
- 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
- Y02P40/00—Technologies relating to the processing of minerals
- Y02P40/50—Glass production, e.g. reusing waste heat during processing or shaping
- Y02P40/57—Improving the yield, e-g- reduction of reject rates
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明涉及新型材料检测技术领域，具体涉及一种低硼硅玻璃缺陷检测方法；采集红外光谱数据；获取红外光谱数据中每个数据点的加噪量，进而得到加噪数据；获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号，进而得到加噪数据的噪声影响程度；获取红外光谱数据的噪声影响程度；根据加噪数据的噪声影响程度、红外光谱数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量，获取红外光谱数据的整体加噪量；根据红外光谱数据的整体加噪量，获取滤波窗口的大小；根据滤波窗口的大小去噪得到去噪后的红外光谱数据。本发明旨在自适应最优滤波窗口大小对红外光谱数据进行去噪，通过红外光谱数据对低硼硅玻璃进行晶化缺陷检测。
Description
技术领域
本发明涉及新型材料检测技术领域，具体涉及一种低硼硅玻璃缺陷检测方法。
背景技术
低硼硅玻璃是一种重要的工程材料，被广泛用于制造光学元件、太阳能面板、液晶显示器、光纤通信设备等。低硼硅玻璃中的缺陷，如晶化缺陷等，可能严重影响玻璃的性能和可靠性，因此晶化缺陷的检测对于确保玻璃的质量至关重要，传统的检测方法包括使用光学显微镜、红外成像等来观察和分析玻璃样品，这些方法可以检测可见的缺陷，但对于微小或深层次的缺陷不够灵敏，而红外光谱技术是一种常用于材料缺陷检测的方法，通过分析材料对红外光的吸收和散射来识别其化学成分和结构，可以用于检测玻璃中的一些化学和结构缺陷。
通过红外光谱技术来对低硼硅玻璃进行晶化缺陷检测时，由于不同物质对红外光的吸收能力是不一样的，因此在红外光谱数据中不同波数上数据点的变化不同，因此通过分析红外光谱数据中出现不同的数据点响应，来检测低硼硅玻璃中是否存在晶化缺陷，但是在采集低硼硅玻璃的红外光谱数据时，容易受到噪声的影响，而噪声会导致数据点的响应发生变化，影响对晶化缺陷的准确检测，又由于使用中值滤波算法对红外光谱数据进行去噪时，滤波窗口的大小会影响去噪的效果，也会影响对晶化缺陷的准确检测。
发明内容
为了解决上述问题，本发明提供一种低硼硅玻璃缺陷检测方法。
本发明的一种低硼硅玻璃缺陷检测方法采用如下技术方案：
本发明一个实施例提供了一种低硼硅玻璃缺陷检测方法，该方法包括以下步骤：
采集低硼硅玻璃的红外光谱数据；
根据红外光谱数据中数据点的幅值，获取红外光谱数据中每个数据点的加噪量；根据红外光谱数据中每个数据点的加噪量，对红外光谱数据中每个数据点进行加噪，获取加噪数据；根据加噪数据以及红外光谱数据，获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号；根据加噪数据中数据点的幅值、红外光谱数据中数据点的幅值、加噪数据的分量信号中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值，获取加噪数据的噪声影响程度；
根据红外光谱数据中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值，获取红外光谱数据的噪声影响程度；根据加噪数据的噪声影响程度、红外光谱数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量，获取红外光谱数据的整体加噪量；
根据红外光谱数据的整体加噪量，获取滤波窗口的大小；根据滤波窗口的大小对红外光谱数据进行去噪，得到去噪后的红外光谱数据，通过去噪后的红外光谱数据对低硼硅玻璃进行缺陷检测。
优选的，所述获取红外光谱数据中每个数据点的加噪量，包括的具体步骤如下：
式中，qi代表红外光谱数据中第i个数据点的加噪量；Fi代表红外光谱数据中第i个数据点的幅值；Fmin代表红外光谱数据的所有数据点中的最小幅值；Fmax代表红外光谱数据的所有数据点中的最大幅值；S代表红外光谱数据中所有数据点的幅值方差；norm()代表归一化函数。
优选的，所述根据红外光谱数据中每个数据点的加噪量，对红外光谱数据中每个数据点进行加噪，获取加噪数据，包括的具体步骤如下：
将红外光谱数据中第i个数据点的幅值与第i个数据点的加噪量的和，作为加噪数据的第i个数据点的幅值，得到加噪数据的每个数据点的幅值，得到加噪数据。
优选的，所述根据加噪数据以及红外光谱数据，获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号，包括的具体步骤如下：
使用EMD算法对红外光谱数据进行分解，获得红外光谱数据的各个分量信号，使用EMD算法对加噪数据进行分解，获得加噪数据的各个分量信号。
优选的，所述获取加噪数据的噪声影响程度，包括的具体步骤如下：
式中，p代表加噪数据的噪声影响程度；Fj,i表示加噪数据的第j个分量信号的第i个数据点的幅值；代表加噪数据的第j个分量信号中所有数据点的平均幅值；n代表分量信号中数据点的数量；m代表加噪数据的分量信号的数量；/>代表红外光谱数据的第j个分量信号中所有数据点的平均幅值，r代表红外光谱数据的分量信号的数量与加噪数据的分量信号的数量中的最小值；H代表红外光谱数据中所有数据点的平均幅值，K代表加噪数据中所有数据点的平均幅值；||代表绝对值符号。
优选的，所述根据红外光谱数据中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值，获取红外光谱数据的噪声影响程度，包括的具体步骤如下：
式中，Q代表红外光谱数据的噪声影响程度；S代表红外光谱数据中所有数据点的幅值方差，Na,b代表红外光谱数据的第a个分量信号的第b个数据点的幅值，代表红外光谱数据的第a个分量信号中所有数据点的平均幅值；n代表分量信号数据点的数量；f代表红外光谱数据的分量信号的数量；||代表绝对值符号。
优选的，所述根据加噪数据的噪声影响程度、红外光谱数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量，获取红外光谱数据的整体加噪量，包括的具体步骤如下：
式中，g代表红外光谱数据的整体加噪量；p代表加噪数据的噪声影响程度；代表红外光谱数据中所有数据点的加噪量的均值；Q代表红外光谱数据的噪声影响程度。
优选的，所述根据红外光谱数据的整体加噪量，获取滤波窗口的大小，包括的具体步骤如下：
式中，W代表滤波窗口大小；g代表红外光谱数据的整体加噪量；norm()代表归一化函数；代表向上取整符号。
优选的，所述根据滤波窗口的大小对红外光谱数据进行去噪，得到去噪后的红外光谱数据，包括的具体步骤如下：
根据滤波窗口大小，使用中值滤波算法对红外光谱数据进行去噪，得到去噪后的红外光谱数据。
优选的，所述采集低硼硅玻璃的红外光谱数据，包括的具体步骤如下：
使用红外光谱仪采集待检测的低硼硅玻璃的红外光谱数据。
本发明的技术方案的有益效果是：本发明通过红外光谱数据中数据点的幅值以及红外光谱数据中所有数据点的幅值方差，获取红外光谱数据中每个数据点的加噪量，进而得到加噪数据；获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号，进而得到加噪数据的噪声影响程度；根据红外光谱数据中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值，获取红外光谱数据的噪声影响程度；根据加噪数据的噪声影响程度、红外光谱数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量，获取红外光谱数据的整体加噪量；根据红外光谱数据的整体加噪量自适应获取滤波窗口的大小对红外光谱数据进行去噪，得到去噪后的红外光谱数据，提高了滤波效果，使得到的去噪后的红外光谱数据更加准确，使得根据去噪后的红外光谱数据对晶化缺陷的检测更加准确。
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，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地介绍，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他的附图。
图1为本发明的一种低硼硅玻璃缺陷检测方法的步骤流程图。
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低硼硅玻璃缺陷检测方法，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。
下面结合附图具体的说明本发明所提供的一种低硼硅玻璃缺陷检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种低硼硅玻璃缺陷检测方法的步骤流程图，该方法包括以下步骤：
S001.采集低硼硅玻璃的红外光谱数据。
需要说明的是，本发明的目的是对低硼硅玻璃的红外挂光谱数据进行去噪处理，因此首先需要采集红外光谱数据，在本发明实施例中，使用FTIR-850型号的红外光谱仪采集待检测的低硼硅玻璃的红外光谱数据。
至此，获取了红外光谱数据。
S002.获取红外光谱数据中每个数据点的加噪量，根据红外光谱数据中每个数据点的加噪量对红外光谱数据中的每个数据点进行加噪，获取加噪数据，获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号，根据加噪数据的各个分量信号以及红外光谱数据的各个分量信号，获取加噪数据的噪声影响程度。
需要说明的是，本发明的目的是对采集的红外光谱数据进行去噪处理，而在使用中值滤波算法对红外光谱数据进行去噪时，滤波窗口大小的选取尤为重要，而当红外光谱数据的整体噪声量较大时，即红外光谱数据中的噪声水平较大时，应该设置较大的滤波窗口，当红外光谱数据的整体噪声量较小时，应该设置较小的滤波窗口，因此本发明需要获取红外光谱数据的整体噪声量，根据红外光谱数据的整体噪声量的大小自适应获取滤波窗口的大小。本发明通过对红外光谱数据进行加噪获取加噪数据，根据加噪数据获取加噪数据的噪声影响程度，而加噪数据的噪声影响程度代表加入噪声量后的加噪数据的幅值变化程度；接着获取红外光谱数据的噪声影响程度，而红外光谱数据的噪声影响程度代表对未受噪声影响的红外光谱数据进行加噪后，红外光谱数据的幅值变化程度，因此根据加噪数据与红外光谱数据之间的关系，获取红外光谱数据的加噪量。
首先对红外光谱数据中的每个数据点进行加噪，获取加噪数据，在加噪的过程中需要根据红外光谱数据中每个数据点的幅值变化确定每个数据点的加噪量，因为如果红外光谱数据中任一数据点的幅值变化较小，而加入的噪声量较多时，会使得加噪后该数据的幅值变化太大，从而无法准确的估计加噪数据的噪声影响程度；而当红外光谱数据中任一数据点的幅值变化较大，而加入的噪声量较少时，也会导致无法准确的估计加噪数据的噪声影响程度，因此需要加入合适量的噪声，从而能够更好的对噪声影响程度进行评估。
在本发明实施例中，获取红外光谱数据中第i个数据点的加噪量：
式中，qi代表红外光谱数据中第i个数据点的加噪量；Fi代表红外光谱数据中第i个数据点的幅值；Fmin代表红外光谱数据的所有数据点中的最小幅值；Fmax代表红外光谱数据的所有数据点中的最大幅值；Fi-Fmin代表红外光谱数据中第i个数据点的幅值与红外光谱数据的所有数据点中的最小幅值的差值，即红外光谱数据中第i个数据点的幅值变化程度，其值越大时，说明红外光谱数据中第i个数据点的幅值的变化程度较大，则红外光谱数据中第i个数据点的加噪量较大，其值越小时，说明红外光谱数据中第i个数据点的幅值的变化程度较小，则红外光谱数据中第i个数据点的加噪量较小；代表红外光谱数据的所有数据点中的最大幅值与红外光谱数据的所有数据点的中值的差值绝对值，其差值绝对值越大，说明红外光谱数据中存在部分幅值较大的数据点，说明红外光谱数据受噪声的影响程度越大，则红外光谱数据中第i个数据点的加噪量越大；S代表红外光谱数据中所有数据点的幅值方差，当幅值方差越大时，说明红外光谱数据的幅值波动程度越大，红外光谱数据受噪声的影响程度越大，因此红外光谱数据的每个数据点的加噪量越大；norm()代表归一化函数，采用线性归一化方法，归一化对象为红外光谱数据中所有数据点的的值。
在本发明实施例中，将红外光谱数据中第i个数据点的幅值与第i个数据点的加噪量的和，作为加噪数据的第i个数据点的幅值，得到加噪数据的每个数据点的幅值，得到加噪数据。
需要说明的是，当随机噪声叠加在红外光谱数据中时，噪声的频率是随机的，因此为了能够准确的对不同频率的噪声产生的影响进行描述，本发明需要根据红外光谱数据与加噪数据，获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号。
在本发明实施例中，使用EMD算法对红外光谱数据进行分解，获得红外光谱数据的各个分量信号，使用EMD算法对加噪数据进行分解，获得加噪数据的各个分量信号，需要说明的是，EMD算法为公知技术，在本发明中不再对其进行过多赘述，并且获取的红外光谱数据的分量信号以及加噪数据的分量信号的数量不同，需要说明的是，EMD算法为公知技术，在本发明实施例中，不再对其进行过多赘述。
需要说明的是，根据加噪数据的幅值变化获取加噪数据的噪声程度，当加噪数据中数据点的幅值相比红外光谱数据的幅值较大，加噪数据的所有分量信号中数据点的幅值波动较大，以及加噪数据的每个分量信号中数据点的幅值相较于与红外光谱数据的每个分量信号中数据点的幅值较大时，加噪数据的噪声影响程度较大。
在本发明实施例中，获取加噪数据的噪声影响程度：
式中，p代表加噪数据的噪声影响程度；Fj,i表示加噪数据的第j个分量信号的第i个数据点的幅值；代表加噪数据的第j个分量信号中所有数据点的平均幅值；n代表分量信号中数据点的数量，需要说明的是，各个分量信号中数据点的个数相同；m代表加噪数据的分量信号的数量；/>代表红外光谱数据的第j个分量信号中所有数据点的平均幅值，r代表红外光谱数据的分量信号的数量与加噪数据的分量信号的数量中的最小值；||代表绝对值符号；/>代表加噪数据的第j个分量信号的第i个数据点的幅值与第j个分量信号的所有数据点的平均幅值之间的差值绝对值，代表加噪数据的第j个分量信号中数据点的幅值波动，/> 代表加噪数据的所有分量信号中数据点的幅值波动的均值，当值越大时，说明加噪数据中数据点的幅值较大，则加噪数据受噪声的影响程度越大；/>代表加噪数据与红外光谱数据的每条分量信号中所有数据点的平均幅值的差值绝对值的和，其值越大时，说明在对红外光谱数据中的每个数据点进行加噪后，得到的加噪数据的幅值变化程度越大，因此加噪数据的噪声影响程度越大；H代表红外光谱数据中所有数据点的平均幅值，K代表加噪数据中所有数据点的平均幅值；H-K的值越大时，说明加噪数据受噪声影响的程度越大。
至此，获取红外光谱数据中每个数据点的加噪量，根据红外光谱数据中每个数据点的加噪量对红外光谱数据中的每个数据点进行加噪，获取加噪数据，获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号，根据加噪数据的各个分量信号以及红外光谱数据的各个分量信号，获取加噪数据的噪声影响程度。
S003.根据加噪数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量，获取红外光谱数据的整体加噪量。
需要说明的是，获取了加噪数据的噪声影响程度，已知加噪数据的噪声影响程度代表加入一定的噪声量后加噪数据的幅值变化程度，而加噪数据的噪声影响程度也就近似于对未受噪声影响的红外光谱数据进行加噪后，红外光谱数据的噪声影响程度，因此红外光谱数据的噪声影响程度与红外光谱数据的整体加噪量的比值也就近似于加噪数据的噪声影响程度与红外光谱数据中所有数据点的加噪量的均值，而红外光谱数据的噪声影响程度取决于红外光谱数据中所有数据点的幅值方差以及红外光谱数据的每个分量信号中数据点的幅值波动。
在本发明实施例中，获取红外光谱数据的整体加噪量：
式中，g代表红外光谱数据的整体加噪量；S代表红外光谱数据中所有数据点的幅值方差，当幅值方差越大时，说明红外光谱数据的幅值波动程度越大，红外光谱数据的噪声影响程度越大，Na,b代表红外光谱数据的第a个分量信号的第b个数据点的幅值，代表红外光谱数据的第a个分量信号中所有数据点的平均幅值；n代表分量信号数据点的个数；f代表红外光谱数据的分量信号的数量；||代表绝对值符号；/>代表红外光谱数据的第a个分量信号中数据点的幅值波动，其值越大时，说明红外光谱数据的第a个分量信号中数据点的幅值波动较大，噪声的影响程度越大；/>代表红外光谱数据的所有分量信号中数据点的幅值波动的均值，其值越大时，说明红外光谱数据的噪声影响程度越大，Q代表红外光谱数据的噪声影响程度；p代表加噪数据的噪声影响程度；/>代表红外光谱数据中所有数据点的加噪量的均值，即加噪数据的整体加噪量；/>代表对红外光谱数据中的数据点进行加噪后，加噪数据的噪声影响程度也就近似于对未受噪声影响的红外光谱数据加噪后，红外光谱数据的噪声影响程度，因此红外光谱数据的噪声影响程度与/>的比值，代表红外光谱数据的整体加噪量。
至此，根据加噪数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量，获取红外光谱数据的整体加噪量。
S004.根据红外光谱数据的整体加噪量自适应滤波窗口大小，对红外光谱数据进行降噪处理，通过去噪后的红外光谱数据对低硼硅玻璃进行缺陷检测。
需要说明的是，本发明使用中值滤波算法对红外光谱数据中的噪声进行平滑，当红外光谱数据的整体加噪量较大时，说明红外光谱数据中的噪声水平较大，需要较大的滤波窗口来平滑红外光谱数据中的噪声，当红外光谱数据的整体加噪量较小时，说明红外光谱数据中的噪声水平较小，需要较小的滤波窗口来平滑红外光谱数据中的噪声，因此本发明根据红外光谱数据的整体加噪量，来自适应滤波窗口的大小。
在本发明实施例中，获取滤波窗口的大小：
式中，W代表滤波窗口大小；g代表红外光谱数据的整体加噪量；norm()代表归一化函数，采用sigmoid函数进行归一化；代表向上取整符号。
根据滤波窗口大小，使用中值滤波算法对红外光谱数据进行去噪，得到去噪后的红外光谱数据，根据去噪后的红外光谱数据检测低硼硅玻璃是否出现晶化缺陷；红外光谱数据进行低硼硅玻璃的晶化缺陷检测为现有技术，在本发明实施例不再赘述，则通过红外光谱数据对低硼硅玻璃完成晶化缺陷的检测。
至此，根据红外光谱数据的整体加噪量自适应滤波窗口大小，对红外光谱数据进行降噪处理，得到去噪后的红外光谱数据，根据去噪后的红外光谱数据检测低硼硅玻璃是否出现晶化缺陷。
以上所述仅为本发明的较佳实施例而已，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)
1.一种低硼硅玻璃缺陷检测方法，其特征在于，该方法包括以下步骤：
采集低硼硅玻璃的红外光谱数据；
根据红外光谱数据中数据点的幅值，获取红外光谱数据中每个数据点的加噪量；根据红外光谱数据中每个数据点的加噪量，对红外光谱数据中每个数据点进行加噪，获取加噪数据；根据加噪数据以及红外光谱数据，获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号；根据加噪数据中数据点的幅值、红外光谱数据中数据点的幅值、加噪数据的分量信号中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值，获取加噪数据的噪声影响程度；
根据红外光谱数据中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值，获取红外光谱数据的噪声影响程度；根据加噪数据的噪声影响程度、红外光谱数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量，获取红外光谱数据的整体加噪量；
根据红外光谱数据的整体加噪量，获取滤波窗口的大小；根据滤波窗口的大小对红外光谱数据进行去噪，得到去噪后的红外光谱数据，通过去噪后的红外光谱数据对低硼硅玻璃进行缺陷检测。
2.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法，其特征在于，所述获取红外光谱数据中每个数据点的加噪量，包括的具体步骤如下：
式中，qi代表红外光谱数据中第i个数据点的加噪量；Fi代表红外光谱数据中第i个数据点的幅值；Fmin代表红外光谱数据的所有数据点中的最小幅值；Fmax代表红外光谱数据的所有数据点中的最大幅值；S代表红外光谱数据中所有数据点的幅值方差；norm()代表归一化函数。
3.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法，其特征在于，所述根据红外光谱数据中每个数据点的加噪量，对红外光谱数据中每个数据点进行加噪，获取加噪数据，包括的具体步骤如下：
将红外光谱数据中第i个数据点的幅值与第i个数据点的加噪量的和，作为加噪数据的第i个数据点的幅值，得到加噪数据的每个数据点的幅值，得到加噪数据。
4.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法，其特征在于，所述根据加噪数据以及红外光谱数据，获取加噪数据的各个分量信号以及红外光谱数据的各个分量信号，包括的具体步骤如下：
使用EMD算法对红外光谱数据进行分解，获得红外光谱数据的各个分量信号，使用EMD算法对加噪数据进行分解，获得加噪数据的各个分量信号。
5.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法，其特征在于，所述获取加噪数据的噪声影响程度，包括的具体步骤如下：
式中，p代表加噪数据的噪声影响程度；Fj,i表示加噪数据的第j个分量信号的第i个数据点的幅值；代表加噪数据的第j个分量信号中所有数据点的平均幅值；n代表分量信号中数据点的数量；m代表加噪数据的分量信号的数量；/>代表红外光谱数据的第j个分量信号中所有数据点的平均幅值，r代表红外光谱数据的分量信号的数量与加噪数据的分量信号的数量中的最小值；H代表红外光谱数据中所有数据点的平均幅值，K代表加噪数据中所有数据点的平均幅值；||代表绝对值符号。
6.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法，其特征在于，所述根据红外光谱数据中数据点的幅值以及红外光谱数据的分量信号中数据点的幅值，获取红外光谱数据的噪声影响程度，包括的具体步骤如下：
式中，Q代表红外光谱数据的噪声影响程度；S代表红外光谱数据中所有数据点的幅值方差，Na,b代表红外光谱数据的第a个分量信号的第b个数据点的幅值，代表红外光谱数据的第a个分量信号中所有数据点的平均幅值；n代表分量信号数据点的数量；f代表红外光谱数据的分量信号的数量；||代表绝对值符号。
7.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法，其特征在于，所述根据加噪数据的噪声影响程度、红外光谱数据的噪声影响程度以及红外光谱数据中每个数据点的加噪量，获取红外光谱数据的整体加噪量，包括的具体步骤如下：
式中，g代表红外光谱数据的整体加噪量；p代表加噪数据的噪声影响程度；代表红外光谱数据中所有数据点的加噪量的均值；Q代表红外光谱数据的噪声影响程度。
8.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法，其特征在于，所述根据红外光谱数据的整体加噪量，获取滤波窗口的大小，包括的具体步骤如下：
式中，W代表滤波窗口大小；g代表红外光谱数据的整体加噪量；norm()代表归一化函数；代表向上取整符号。
9.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法，其特征在于，所述根据滤波窗口的大小对红外光谱数据进行去噪，得到去噪后的红外光谱数据，包括的具体步骤如下：
根据滤波窗口大小，使用中值滤波算法对红外光谱数据进行去噪，得到去噪后的红外光谱数据。
10.根据权利要求1所述的一种低硼硅玻璃缺陷检测方法，其特征在于，所述采集低硼硅玻璃的红外光谱数据，包括的具体步骤如下：
使用红外光谱仪采集待检测的低硼硅玻璃的红外光谱数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311702705.3A CN117571745B (zh) | 2023-12-12 | 一种低硼硅玻璃缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311702705.3A CN117571745B (zh) | 2023-12-12 | 一种低硼硅玻璃缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117571745A true CN117571745A (zh) | 2024-02-20 |
| CN117571745B CN117571745B (zh) | 2024-07-16 |
Family
ID=
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200309681A1 (en) * | 2019-03-27 | 2020-10-01 | Photothermal Spectroscopy Corp. | Method and apparatus for reducing noise in spectroscopic data at a point on a sample |
| CN116309559A (zh) * | 2023-05-17 | 2023-06-23 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃生产瑕疵智能识别方法 |
| CN116363140A (zh) * | 2023-06-02 | 2023-06-30 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质 |
| CN116660198A (zh) * | 2023-08-02 | 2023-08-29 | 中珀(北京)新材料科技有限公司 | 基于光谱分析的碳纳米材料浆料性能测试方法 |
| CN116818914A (zh) * | 2023-08-30 | 2023-09-29 | 东光县津东玻璃工艺制品有限公司 | 一种玻璃及其加工制品无损检测方法 |
| CN117194902A (zh) * | 2023-11-08 | 2023-12-08 | 昆山尚瑞智能科技有限公司 | 一种光谱测量过程中噪声数据滤除方法 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200309681A1 (en) * | 2019-03-27 | 2020-10-01 | Photothermal Spectroscopy Corp. | Method and apparatus for reducing noise in spectroscopic data at a point on a sample |
| CN116309559A (zh) * | 2023-05-17 | 2023-06-23 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃生产瑕疵智能识别方法 |
| CN116363140A (zh) * | 2023-06-02 | 2023-06-30 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质 |
| CN116660198A (zh) * | 2023-08-02 | 2023-08-29 | 中珀(北京)新材料科技有限公司 | 基于光谱分析的碳纳米材料浆料性能测试方法 |
| CN116818914A (zh) * | 2023-08-30 | 2023-09-29 | 东光县津东玻璃工艺制品有限公司 | 一种玻璃及其加工制品无损检测方法 |
| CN117194902A (zh) * | 2023-11-08 | 2023-12-08 | 昆山尚瑞智能科技有限公司 | 一种光谱测量过程中噪声数据滤除方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
| CN112766075B (zh) | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 | |
| CN110503060B (zh) | 一种光谱信号去噪方法及其系统 | |
| CN110987434A (zh) | 一种基于去噪技术的滚动轴承早期故障诊断方法 | |
| CN113160084B (zh) | 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 | |
| WO2023109717A1 (zh) | 一种太赫兹时域信号降噪方法、图像重建方法和系统 | |
| CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
| CN114417937A (zh) | 一种基于深度学习的拉曼光谱去噪方法 | |
| CN117664906B (zh) | 基于光谱特征的水体抗生素污染检测方法 | |
| CN111089856A (zh) | 一种拉曼光谱弱信号提取的后处理方法 | |
| CN105628675B (zh) | 一种功率敏感物质的拉曼荧光干扰的消除方法 | |
| CN114186596B (zh) | 一种谱图峰的多窗口识别方法、装置以及电子设备 | |
| CN101799916A (zh) | 基于贝叶斯估计的生物芯片图像小波去噪方法 | |
| CN117368141B (zh) | 基于人工智能的高氯酸盐废水浓度智能检测方法 | |
| CN117571745B (zh) | 一种低硼硅玻璃缺陷检测方法 | |
| CN110779875A (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
| CN117571745A (zh) | 一种低硼硅玻璃缺陷检测方法 | |
| CN109724693A (zh) | 一种基于平稳小波的融合光谱去噪方法 | |
| CN109670531A (zh) | 一种基于Hodrick-Prescott滤波器的近红外光谱信号的去噪方法 | |
| CN111854920A (zh) | 一种基于dvs振动监测信号的预处理方法及系统 | |
| CN110032968B (zh) | 基于双树复小波和自适应半软阈值法的去噪方法 | |
| CN112597958A (zh) | 一种滚动轴承故障自动识别方法及系统 | |
| CN116563144A (zh) | 一种基于动态注意力的密集型lstm残差网络去噪方法 | |
| Tibi et al. | Comparative Study of the Performance of Seismic Waveform Denoising Methods Using Local and Near‐Regional Data | |
| CN115797318A (zh) | 一种光谱数据预处理方法、装置、计算机设备及存储介质 |
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 |