【技术领域】
本发明涉及扬声器测试的技术领域，特别是一种基于机器学习的扬声器自动分类方法。
背景技术：
频率响应(frequencyresponse)是表征扬声器性能一个重要指标，同时也比较容易测量。频率响应反映扬声器相同激励电压各个频率的灵敏度。扬声器作为典型的非线性系统，生产工艺流程的细微差别导致频率响应曲线的差异。耳机等产品至少需要一对扬声器，所以扬声器生产企业需要将频率相近的扬声器分为相同的一组。目前主流的方案是根据频率响应进行分类。
在生产线上的质检过程中，有必要测试所有导致单体不良的原因。扬声器单体或者音箱有可能通过频率响应和阻抗曲线的质检，但依然听上去不良。比如，音圈摩擦或打底，或者从箱体传出的咔嗒声。目前技术缺陷分类条件单一(频率响应)，无法满足需求。特别是异常音的分类尤为重要，异常音指标直接影响听感，也是扬声器生产企业面临难题。企业需要培养“金耳朵”进行人工听音，人工听音存在主观性即依赖人的直接反馈，同时“金耳朵”培养周期长，容易疲劳。
技术实现要素：
本发明的目的就是解决现有技术中的问题，提出一种基于机器学习的扬声器自动分类方法，能够准确客观反映扬声器的异常音，替代人工听音及分类。
为实现上述目的，本发明提出了一种基于机器学习的扬声器自动分类方法，包括基于机器学习神经网络模型的训练方法和测试分类的方法；
神经网络模型的训练方法：通过电声测试系统测试多个不良和良品的扬声器，将获取的激励信号和响应信号作为训练样本输入神经网络进行训练，获得各个分类的判断规格，根据该分类原则，对生产的扬声器进行分类；
测试分类的方法：通过电声测试系统测试扬声器，将获取的激励信号和响应信号作为特征样本输入神经网络模型，特征样本与神经网络模型训练中得到的分类面进行比较，得到分类的结果。
作为优选，所述神经网络模型的训练方法具体包括以下步骤：
s1.采用电声测试系统对多个扬声器进行测试，获取激励信号和响应信号，根据采集的激励信号、响应信号，计算扬声器的指标，根据以上指标，进行良品和不良品的分类；
s2.将步骤s1判断为良品的扬声器的激励信号和响应信号导入peaq音频质量评价模型，该模式分别经过心理声学模型处理后，各自的输出经由感知模型特征提取、综合便可以计算出一系列模式输出参数；
s3.将步骤s2中的输出参数导入bp神经网络，
该神经网络可以计算出扬声器异常音的多个等级，其中，式中
i代表步骤s2中计算出来的参数个数，j代表神经网络的层级，peaq中选择是3层神经网。
作为优选，所述电声测试系统为cry615b电声分析系统。
作为优选，步骤s1中所获取的激励信号和响应信号包括：频率响应信号、总波失真信号、相位信号、信噪比信号、极性信号、异常音信号。
作为优选，步骤s1中所述激励信号和响应信号的信号形态为连续对数扫频信号。
作为优选，步骤s1中所计算的扬声器的指标包括：频率响应，谐波失真，相位，极性和异常音。
作为优选，步骤s2中的输出参数，导入bp神经网络，最后，由神经网络模型把这些参数映射为一个客观差异等级输出。
本发明的有益效果：
1、频率响应，阻抗测试能够同时完成，不需要额外测试时间；
2、自动完成进行异常音检测的自动分类；
3、替代人工听音及分类。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明分类方法的系统示意图；
图2是本发明分类方法的流程框图；
图3是本发明中bp神经网络计算公式的参数表。
【具体实施方式】
参阅图1和图2本发明一种基于机器学习的扬声器自动分类方法，包括基于机器学习神经网络模型的训练方法和测试分类的方法；
神经网络模型的训练方法：通过电声测试系统测试多个不良和良品的扬声器，将获取的激励信号和响应信号作为训练样本输入神经网络进行训练，获得各个分类的判断规格，根据该分类原则，对生产的扬声器进行分类，所述电声测试系统为cry615b电声分析系统；所述激励信号和响应信号的信号形态为连续对数扫频信号；所述激励信号和响应信号包括：频率响应信号、总波失真信号、相位信号、信噪比信号、极性信号、异常音信号；
测试分类的方法：通过电声测试系统测试扬声器，将获取的激励信号和响应信号作为特征样本输入神经网络模型，特征样本与神经网络模型训练中得到的分类面进行比较，得到分类的结果。
进一步地，所述神经网络模型的训练方法具体包括以下步骤：
s1.采用电声测试系统对多个扬声器进行测试，获取激励信号和响应信号，根据采集的激励信号、响应信号，计算扬声器的指标，频率响应，谐波失真，相位，极性和异常音；根据以上5个指标，进行良品和不良品的分类；
s2.将步骤s1判断为良品的扬声器的激励信号和响应信号导入peaq音频质量评价模型(peaq是itu推荐的评价音频编解码还原度的算法模型)，该模式分别经过心理声学模型处理后，各自的输出经由感知模型特征提取、综合便可以计算出一系列模式输出参数；
s3.将步骤s2中的输出参数导入bp神经网络，
该神经网络可以计算出扬声器异常音的5个等级，异常音从没有到明显存在的状态，其中，式中
i代表步骤s2中计算出来的11个参数个数(具体的计算方法itu标准中都有明确的描述)，j代表神经网络的层级，peaq中选择是3层神经网。公式中参数选择如图3所示。
进一步地，步骤s2中的输出参数(modeloutputvariables，mov)，导入bp神经网络，最后，由神经网络模型把这些参数映射为一个客观差异等级输出。
本发明具体操作的步骤：
第一步：设置规格，需要20件没有异常音的产品和20件存在异常音的产品(包括明显和不明显)，有没有异常音的标准以人工听音为准，确保至少两个听音员确认为准。选取5件听音没有异常音的产品，将这5件产品的数据导入到cry6151b电声分析系统中测试，设置1db或者2db平移。
第二步：将剩下的15件的良品和15件的不良品的数据导入到cry6151b电声分析系统进行分类测试，分以下两种情况处理：
1)良品中测试为不良品，然后人工听音再次确认，如果确认为良品，并标记(例如可以将扬声器翻过来)；如果确认为不良品，挑出来放到一边。
2)不良品中测试为良品，然后人工听音再次确认，如果确认为良品，挑出出来放到一边。
根据1)中标记的良品，重新按第一步设置规格，此时的平移量可以根据不良品的测试数据综合考虑下，一般设置成1.0db即可。
第三步：根据第二步定义的规格，将确定的良品与不良品重新测试下，确认cry6151b电声分析系统可以将良品判断成合格，不良品判断成不合格。
第四步：根据第三步中检测的异常音合格产品结合频率响应进行分类。
第五步：产线实际测试，将判断成不良品的扬声器，进行人工复听，以人工听音的判断为准。
上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。
1.一种基于机器学习的扬声器自动分类方法，其特征在于：包括基于机器学习神经网络模型的训练方法和测试分类的方法；
神经网络模型的训练方法：通过电声测试系统测试多个不良和良品的扬声器，将获取的激励信号和响应信号作为训练样本输入神经网络进行训练，获得各个分类的判断规格，根据该分类原则，对生产的扬声器进行分类；
测试分类的方法：通过电声测试系统测试扬声器，将获取的激励信号和响应信号作为特征样本输入神经网络模型，特征样本与神经网络模型训练中得到的分类面进行比较，得到分类的结果。
2.如权利要求1所述的一种基于机器学习的扬声器自动分类方法，其特征在于：所述神经网络模型的训练方法具体包括以下步骤：
s1.采用电声测试系统对多个扬声器进行测试，获取激励信号和响应信号，根据采集的激励信号、响应信号，计算扬声器的指标，根据以上指标，进行良品和不良品的分类；
s2.将步骤s1判断为良品的扬声器的激励信号和响应信号导入peaq音频质量评价模型，该模式分别经过心理声学模型处理后，各自的输出经由感知模型特征提取、综合，计算出一系列模式输出参数；
s3.将步骤s2中的输出参数导入bp神经网络，
该神经网络可以计算出扬声器异常音的多个等级，其中，式中
i代表步骤s2中计算出来的多个参数个数，j代表神经网络的层级，peaq中选择是3层神经网。
3.如权利要求2所述的一种基于机器学习的扬声器自动分类方法，其特征在于：所述电声测试系统为cry615b电声分析系统。
4.如权利要求2所述的一种基于机器学习的扬声器自动分类方法，其特征在于：步骤s1中所获取的激励信号和响应信号包括：频率响应信号、总波失真信号、相位信号、信噪比信号、极性信号、异常音信号。
5.如权利要求4所述的一种基于机器学习的扬声器自动分类方法，其特征在于：步骤s1中所述激励信号和响应信号的信号形态为连续对数扫频信号。
6.如权利要求2所述的一种基于机器学习的扬声器自动分类方法，其特征在于：步骤s1中所计算的扬声器的指标包括：频率响应，谐波失真，相位，极性和异常音。
7.如权利要求2所述的一种基于机器学习的扬声器自动分类方法，其特征在于：步骤s2中的输出参数，导入bp神经网络，最后，由神经网络模型把这些参数映射为一个客观差异等级输出。
技术总结