CN1838839A - 扬声器纯音检测方法 - Google Patents

Abstract

本发明属于扬声器纯音检测技术领域，其特征在于，该方法含有以下步骤：声卡放音的计算机采集声音的时域波形；计算机对所述波形进行信号头识别，判别一段有效信号的起始位置；计算机对所得信号进行Daub4小波分解，再把指定的近似系数置零后进行小波重构，得到重构信号；计算机对所得结果进行显示方式转换，构造出异音曲线；计算机把所得的异音曲线与设定的阈值曲线进行对比，异音曲线上任意一点超出该点的阈值，则判别为纯音检测不合格。本发明具有检测结果精确客观、可靠性高、适用面广、便于在线测试的优点。

Description

扬声器纯音检测方法

技术领域

本发明属于扬声器质量检测领域，涉及其中的纯音检测技术。

背景技术

纯音检测是扬声器检测过程中的一个重要基本环节，目前国内外各主要厂家的扬声器纯音检测方法仍然主要依赖于操作工人人耳检听，主观性较强，标准不一致，且有害于检听工人的身心健康。目前国际上仅有列支敦士登的NTI公司所开发的一套扬声器测试系统RT-Speaker可以实现自动化的纯音检测，但因其检测算法主要基于时域微分方法，对纯音故障(异音)的定位和检测结果不够精确，操作也不够方便实用，还不能够完全满足纯音检测的需求，且成本较高，价格昂贵。

发明内容

本发明的目的在于：打破传统的扬声器纯音检测方法，提供一种基于小波变换的检测方法，检测结果精确客观，可靠性高，适用面广，便于实现，可广泛应用于广大扬声器生产厂家的在线测试和研发工作。

本发明的特征在于，所述方法依次含有以下步骤：

步骤1  通过声卡输出正弦扫频信号给内壁附有吸音材料的隔离测试箱中的待检测扬声器，该扬声器发出的声音信号由一个麦克风采集，并经过放大后输入所述的声卡；

步骤2  该声卡把所采得的声音信号转化为时域波形送给计算机；

步骤3  该计算机对所述声音信号的时域波形进行信号头识别，判别出有效信号的起始位置，并从起始位置截取设定长度的声音信号，其步骤如下：

步骤3.1  该计算机首先取时域信号的前N个点，并从其中前n个信号点中估计出噪声上界，该N＞n，都为设定值；

步骤3.2  该计算机再搜寻这N个点中相邻两信号的幅度差分值中大于噪声上界两倍处的点，作为信号头；

步骤4  该计算机对步骤3中截取得到的信号进行Daub4离散小波分解，并把设定的近似系数置零后，对离散小波分解所得的结果进行Daub4离散小波重构，其步骤如下：

步骤4.1  对截取所得的信号中各点按时序先后排列成一列数据向量；

步骤4.2  该计算机把设定的如下所述的变换矩阵左乘于步骤4.1得到的数据向量：

其中：

$c_0=(1+\sqrt{3})/4\sqrt{2},c_1=(3+\sqrt{3})/4\sqrt{2}$

$c_2=(3-\sqrt{3})/4\sqrt{2},c_3=(1-\sqrt{3})/4\sqrt{2}$

该计算机把得到的结果进行重排后形成前后两半部分，分别对应于低频分量A1和高频分量D1，该低频分量即所述的近似系数，高频分量即细节系数；

步骤4.3  把步骤4.2得到的高频分量再按步骤4.2所述的方法再进行一次Daub4离散小波分解，提取出低频分量A2和高频分量D2；

步骤4.4  对步骤4.3得到的结果按以下步骤进行重构：

步骤4.4.1  对步骤4.3得到的低频分量A2置零，和高频分量D2按时序先后进行重排，得到一列数据向量；

步骤4.4.2  对步骤4.4.1中重排后得到的数据向量进行重构：用步骤4.2中所述变换矩阵的逆矩阵左乘于按步骤4.4.1中所述方法进行重排后的数据向量，得到重构向量D1’，再把步骤4.2中得到的低频分量A1置零，按步骤4.4.2中所述的方法与重构向量D1’再进行一次重构，得到重构信号R；

步骤5  对所述重构信号R进行显示方式转换，构造出异音曲线，其步骤依次如下：

步骤5.1  数据压缩：把所述重构信号R分成若干设定长度的小段，把每段中绝对值最大的点作为该段的代表点，各段代表点所构成的曲线即为代表所述重构信号R的上包络线；

步骤5.2  归一化：该计算机内含完全光滑的Chirp信号按照步骤4、步骤5.1进行小波分解和重构及数据压缩后得到一条基准曲线；该计算机把步骤5.1中所述的上包络线与该基准曲线逐点进行相除，从而得到一条归一化后的上包络线；

步骤5.3  平滑处理：即对步骤5.2得到的该归一化后的上包络线作逐点数据平均：该计算机在各频率处上下各扩展设定的频率范围，构成一个平滑窗，再对该平滑窗内的点的所有数据作简单平均，从而得到一条平滑后的异音曲线；

步骤6  该计算机把步骤5.3得到的平滑后的异音曲线与一条设定的阈值曲线进行比较，若该异音曲线上有任意一点超出阈值，就判别为纯音检测不合格，所述阈值曲线是由若干个同型号正常扬声器所测得的若干条异音曲线，再上浮设定的百分比自动生成，或者是用手工输入设定的精确阈值而得。

所述声卡是Echo Mia MIDI声卡。

与现有技术相比，本发明所具有的有益效果是：检测精度更高，即使非常微弱的异音也能够被检测出来；准确度更高，所检测出的异音发生程度和频率范围更符合实际人耳检听结果；成本低廉，易于实现，适用面广，可广泛应用于广大扬声器生产厂家的在线测试和研发工作。

附图说明：

图1：异音信号的时域波形；

图2：软件流程图；

图3：硬件设施原理图；

图4：信号头识别算法流程图；

图5：信号头识别效果图；

图6：一次离散小波分解过程的计算机实现示意图；

图7：一次离散小波重构过程的计算机实现示意图；

图8：小波分析过程示意图；

图9：原始信号；

图10：重构信号；

图11：小波分解过程算法流程图；

图12：小波重构过程算法流程图；

图13：数据压缩后的曲线；

图14：数据压缩过程算法流程图；

图15：对完全光滑波形进行小波分析

图16：经过归一化处理的曲线；

图17：归一化过程算法流程图；

图18：平滑后的曲线；

图19：平滑过程算法流程图；

图20：自动生成阈值曲线过程的算法流程图

图21：阈值判别效果图(异音)；

图22：阈值判别效果图(合格)。

具体实施方式

图1～22是本发明的基于小波变换的扬声器纯音检测方法的最佳实施例，下面结合附图对本发明进一步说明如下：

本发明所提出的基于小波变换的扬声器纯音检测方法，包括以下步骤：

(1)通过声卡输出正弦扫频信号给置于测试箱中的待检测扬声器，扬声器所发出的声音信号由麦克风采集，输入回声卡。

(2)对所采得声音信号的时域波形进行信号头识别，判别出有效信号的起始位置，并从起始位置开始截取设定长度的信号。

(3)对截取所得信号进行离散小波分解，将设定的近似系数置零后进行小波重构。

(4)对重构结果进行显示方式转换，构造出异音曲线，该曲线能够客观合理地表征出信号中异音成分的程度和位置，以便于进行阈值判别。显示方式转换过程包括了数据压缩、归一化、平滑等步骤。

(5)利用所得的异音曲线与预先设定的阈值曲线进行比较，判别纯音检测是否合格，给出质量结论。

扬声器纯音检听要求当给扬声器额定功率输入正弦信号时，在扬声器正面检听，应无机械声、碰圈声、垃圾声。一旦扬声器出现上述情况，我们称扬声器存在“异音”。从时域波形(图1)上来看，异音扬声器的波形比较粗糙，存在毛刺、塌陷或者峰谷增多等现象，主要集中在正弦波形的波峰和波谷处。

一个稳定可靠的扬声器纯音检测系统应该能够根据时域采集信号进行分析，准确定位异音发生的频率范围，并合理客观地表示出异音程度的大小。本发明的检测算法利用小波变换多分辨率分析的特点，能够从时域和频域两方面表征信号局部信息，探测时域信号中的瞬态成分，并展示其频率成分。利用小波变换进行扬声器纯音检测的基本思想是：对时域信号进行适当的小波分解，分离出信号的高频分量并进行高频重构，重构结果再经过适当处理和转换，得出的异音曲线就能够表征出信号中异音成分的位置和程度。

本发明的软件流程图如图2所示，核心部分为小波分解和重构算法，另外为保证可靠性、稳定性和可操作性，还使用了一些其它辅助处理步骤，包括信号头识别、数据压缩、归一化、平滑等。下面根据该软件流程详细介绍各个步骤。

本系统的硬件平台构成包括通用计算机、专业声卡、功率放大器、麦克风、前置放大器和隔离测试箱，其组成结构图如图3所示。其中专业声卡选用的是美国Echo公司生产的EchoMia MIDI声卡。待检测扬声器置于内壁附有吸音海绵的隔离测试箱中，可有效衰减外部的干扰噪声，并杜绝了测试声响对操作工人的听力损害。通过专业声卡输出正弦扫频信号给待检测扬声器，扬声器所发出的声音信号由麦克风采集，输入回专业声卡，转换成为计算机可处理的数字信号。

由于声音信号在空气中传播的时间延迟，从录音开始到采集到有效信号有一定的时间差，因此所采得声音信号的时域波形开头部分有一小段是仅录下了环境噪音的无效信号，在开始计算和分析之前，需要先进行信号头识别，判别出有效信号的起始位置，并从起始位置开始截取适当长度的信号，以便后续分析。信号头识别算法是基于噪声上界估计和信号幅度差分比较的。该算法首先取时域波形的前10000个点，再从其中前500个信号点中估计出噪声上界，然后往后搜寻这10000个信号点中相邻两个信号点的幅度差分值大于噪声上界两倍处，认为是信号头。其算法流程图如图4所示，识别效果如图5所示。

识别所得的信号头被认为是有效信号的开始，从这里起截取适当的长度作为待分析信号。例如测试参数为采样率＝44.1kHz，放音时间＝3s时，则需截取的长度为44100×3＝132300个信号点。

截取之后所得信号中各点按时序先后排列成一列数据向量，对其进行离散小波分解和重构。根据实际情况，本发明选用了Daub4小波作为小波基。在计算机系统中，一次离散小波分解过程的具体实现(如图6)分为两步，滤波和重排：

1、滤波

小波分解滤波器系数存放于特定的变换矩阵中，将该矩阵左乘于待处理的数据向量。对于小波分解过程，应使用如式1所示的变换矩阵，对于小波重构过程，应使用式1的逆矩阵，如式2所示。根据小波变换的正交特性，两矩阵恰好互为转置。

根据式2与式1互为逆矩阵和阶数为2的要求，c₀c₁c₂c₃应该满足：

$c_0^2+c_1^2+c_2^2+c_3^2=1---\left(3\right)$

c₂c₀+c₃c₁＝0                                (4)

c₃-c₂+c₁-c₀＝0                              (5)

-c₂+2c₁-3c₀＝0                               (6)

由式3、式4、式5和式6求得上述两式中的系数分别为：

$c_0=(1+\sqrt{3})/4\sqrt{2},c_1=(3+\sqrt{3})/4\sqrt{2}$

$c_2=(3-\sqrt{3})/4\sqrt{2},c_3=(1-\sqrt{3})/4\sqrt{2}---\left(7\right)$

2、重排

对滤波所得结果按照图6所示方法进行重排，滤波结果中的近似系数(对应低频数据)以a表示，细节系数(对应高频数据)以d表示，重排后所得向量的前后两半部分正好分别对应于低频和高频分量。

对于一次离散小波重构过程，则恰好是上述过程的逆过程，应先对低频分量和高频分量进行重排，再进行滤波，滤波时所使用的矩阵应为式2。一次离散小波重构过程的计算机实现示意图如图7所示。

本发明中对截取所得信号进行具体小波分析的过程如图8所示：将时域信号S经过一次Daub4离散小波分解，得到低频分量(近似系数)A1和高频分量(细节系数)D1，再将高频分量D1再进行一次Daub4离散小波分解，提取出低频分量A2和高频分量D2；重构时，将A2置为零向量，与D2进行一次离散小波重构过程，得到D1’，再与置零后的A1进行一次重构，得到重构信号R。这样得到的重构信号R剔除了两次分解过程中的低频分量，仅包含高频分量D2中的信息，可以用来恰当而有效地表达信号中高频分量的成分(在时域波形上表现为粗糙、毛刺等)，也即异音的位置和程度。截取所得的原始信号(图9)经过小波分解和重构后的信号如图10所示。小波分解过程和重构过程的算法流程图分别如图11和图12所示。

图10所示的重构信号并不利于直接观察和阈值判别，还需进行显示方式转换，构造出异音曲线，该曲线必须能够客观合理地表征出信号中异音成分的程度和位置，以便于进行阈值判别。显示方式转换过程包括了数据压缩、归一化、平滑等步骤。

由于进行阈值判别时只需要涉及到曲线概貌即可，所以需要将复杂的重构信号进行数据压缩，取得重构信号的包络。其具体过程是：将重构信号分成若干设定长度的小段，每段中的绝对值最大值点作为该段的代表点，各个代表点所构成的新曲线就能够代表重构信号的上包络线。段长可由用户自行设定，以取得最佳效果。数据压缩后的曲线如图13所示。数据压缩过程的算法流程图如图14所示。

由于小波变换自身特性，随着频率增高，即使对于完全光滑波形，其重构信号值也有逐渐增高的趋势(如图15)，这样容易造成所有扬声器的异音曲线值都有逐渐增高的趋势(如图13)。所以需要经过归一化处理，使得对于光滑波形，在不同频率范围下，经过小波分析，其异音曲线都应该非常接近于一；而对于含异音的波形，在不同频率范围下的异音程度能够得到准确而公平的描述——凸现低频部分，抑制高频部分。归一化的具体过程是：将放音文件(完全光滑的Chirp信号)所代表的信号进行同样参数的信号处理方法(小波分解和重构、数据压缩)，得到的结果作为基准曲线(如图15)，待归一化的曲线逐点与其相除，就得到一条归一化后的曲线，如图16所示。归一化过程的算法流程图如图17所示。

通常情况下，此时经过归一化后得到的这条曲线尖锐峰、谷仍比较多，不够平滑。如果按此曲线设定阈值曲线或者与阈值曲线进行比较，曲线的峰、谷处略有偏移就有可能被认为不合格，相当于测试合格标准比较苛刻，因此生产上一般需要将此曲线经过平滑处理，削弱其凹凸程度，减小峰、谷值，得到一条较为平滑的曲线。平滑过程实际上是一种逐点数据平均算法，对某频率点处，上下各扩展一定频率范围，构成一个平滑窗，所有在平滑窗内的点的数据作简单平均，得到的结果作为该频率点处的平滑结果。例如对于800Hz处的点，上下各扩展100Hz，就是在700～900Hz范围内进行平滑。对整条曲线上的所有频率点都按照此算法计算，所得的平滑结果就组成一条经过平滑后的曲线。可自行设定不同平滑范围进行平滑，显然，平滑范围越大，参与平均的数据点就越多，曲线就越平滑。平滑后的曲线如图18所示。平滑过程的算法流程图如图19所示。

经过数据压缩、归一化、平滑等一系列显示方式转换过程后，即可得到一条异音曲线，将其与预先设定的阈值曲线进行比较。阈值曲线是一条经验曲线，对各个型号的扬声器都不相同。一般以若干个同型号正常扬声器所测得的若干条异音曲线作为基准，上浮一定百分比自动生成，也可手工输入设定精确的阈值。自动生成阈值曲线过程的算法流程图如图20所示。如果异音曲线上任意一点超出阈值，就判别为纯音检测不合格，或者说有异音现象产生，如图21所示。如果异音曲线所有点均在阈值曲线以下，就判别为纯音检测合格，如图22所示。

Claims (2)

1.扬声器纯音检测方法，其特征在于，所述方法依次含有以下步骤：

步骤(1)通过声卡输出正弦扫频信号给内壁附有吸音材料的隔离测试箱中的待检测扬声器，该扬声器发出的声音信号由一个麦克风采集，并经过放大后输入所述的声卡；

步骤(2)该声卡把所采得的声音信号转化为时域波形送给计算机；

步骤(3)该计算机对所述声音信号的时域波形进行信号头识别，判别出有效信号的起始位置，并从起始位置截取设定长度的声音信号，其步骤如下：

步骤(3.1)该计算机首先取时域信号的前N个点，并从其中前n个信号点中估计出噪声上界，该N＞n，都为设定值；

步骤(3.2)该计算机再搜寻这N个点中相邻两信号的幅度差分值中大于噪声上界两倍处的点，作为信号头；

步骤(4)该计算机对步骤(3)中截取得到的信号进行Daub4离散小波分解，并把设定的近似系数置零后，对离散小波分解所得的结果进行Daub4离散小波重构，其步骤如下：

步骤(4.1)对截取所得的信号中各点按时序先后排列成一列数据向量；

步骤(4.2)该计算机把设定的如下所述的变换矩阵左乘于步骤(4.1)得到的数据向量：

其中：

$c_0=(1+\sqrt{3})/4\sqrt{2},c_1=(3+\sqrt{3})/4\sqrt{2}$

$c_2=(3-\sqrt{3})/4\sqrt{2},c_3=(1-\sqrt{3})/4\sqrt{2}$

该计算机把得到的结果进行重排后形成前后两半部分，分别对应于低频分量A1和高频分量D1，该低频分量即所述的近似系数，高频分量即细节系数；

步骤(4.3)把步骤(4.2)得到的高频分量再按步骤(4.2)所述的方法再进行一次Daub4离散小波分解，提取出低频分量A2和高频分量D2；

步骤(4.4)对步骤(4.3)得到的结果按以下步骤进行重构：

步骤(4.4.1)对步骤(4.3)得到的低频分量A2置零，和高频分量D2按时序先后进行重排，得到一列数据向量；

步骤(4.4.2)对步骤(4.4.1)中重排后得到的数据向量进行重构：用步骤(4.2)中所述变换矩阵的逆矩阵左乘于按步骤(4.4.1)中所述方法进行重排后的数据向量，得到重构向量D1’，再把步骤(4.2)中得到的低频分量A1置零，按步骤(4.4.2)中所述的方法与重构向量D1’再进行一次重构，得到重构信号R；

步骤(5)对所述重构信号R进行显示方式转换，构造出异音曲线，其步骤依次如下：

步骤(5.1)数据压缩：把所述重构信号R分成若干设定长度的小段，把每段中绝对值最大的点作为该段的代表点，各段代表点所构成的曲线即为代表所述重构信号R的上包络线；

步骤(5.2)归一化：该计算机内含完全光滑的Chirp信号按照步骤(4)、步骤(5.1)进行小波分解和重构及数据压缩后得到一条基准曲线；该计算机把步骤(5.1)中所述的上包络线与该基准曲线逐点进行相除，从而得到一条归一化后的上包络线；

步骤(5.3)平滑处理：即对步骤(5.2)得到的该归一化后的上包络线作逐点数据平均：该计算机在各频率处上下各扩展设定的频率范围，构成一个平滑窗，再对该平滑窗内的点的所有数据作简单平均，从而得到一条平滑后的异音曲线；

步骤(6)该计算机把步骤(5.3)得到的平滑后的异音曲线与一条设定的阈值曲线进行比较，若该异音曲线上有任意一点超出阈值，就判别为纯音检测不合格，所述阈值曲线是由若干个同型号正常扬声器所测得的若干条异音曲线，再上浮设定的百分比自动生成，或者是用手工输入设定的精确阈值而得。

2.根据权利要求1所述的扬声器纯音检测方法，其特征在于，所述声卡是Echo Mia MIDI声卡。

Images