基于NMF的罐裝食品真空度聲學檢測方法*

韓威 李昌 周松斌 劉偉鑫 邱澤帆

?

基于NMF的罐裝食品真空度聲學檢測方法*

韓威1,2李昌1周松斌1劉偉鑫1,2邱澤帆1

（1.廣東省智能制造研究所 廣東省現(xiàn)代控制技術(shù)重點實驗室 2.廣東工業(yè)大學）

目前頻譜峰值法被廣泛用于罐裝食品真空度檢測，其是將罐蓋振動所產(chǎn)生聲音的譜峰頻率是否在合適范圍作為檢測依據(jù)。而實際應(yīng)用中出現(xiàn)了部分不合格類型產(chǎn)品的譜峰頻率也處于設(shè)定的合適范圍，導(dǎo)致該方法做出誤判。為此，將罐裝食品真空度檢測歸結(jié)為單分類問題，提出基于非負矩陣分解的單分類算法。該算法僅需從合格品的數(shù)據(jù)學習得到分類器，用于判斷被檢品真空度是否合格。設(shè)計一個罐裝食品真空度檢測實驗系統(tǒng)，將本文方法、傳統(tǒng)的頻譜峰值法以及典型的單分類方法進行對比實驗。

罐裝食品真空度；聲學檢測；單分類；非負矩陣分解

0 引言

三片罐是廣泛應(yīng)用的食品包裝容器，一般要求真空，以防止儲存的食品過早變質(zhì)。但罐身成型時卷邊不良、灌裝時空氣排除不充分、罐破損等情況，會造成罐裝食品的密封性差或內(nèi)部空氣超標，從而導(dǎo)致罐內(nèi)真空度不合格，進而威脅食品質(zhì)量。因此，罐裝食品真空度檢測具有重要意義。

罐內(nèi)真空度與其內(nèi)部氣壓密切相關(guān)，而罐蓋受迫振動所產(chǎn)生的聲音反映了其承受的應(yīng)力情況，因此可通過罐蓋振動產(chǎn)生的聲音來分析罐內(nèi)真空度。近年來，聲學技術(shù)在罐裝食品真空度檢測中得到廣泛應(yīng)用[1-3]。目前，基于聲學的罐裝食品真空度檢測技術(shù)主要采用頻譜峰值法[1-2]，即根據(jù)罐蓋振動所產(chǎn)生聲音的譜峰頻率是否在合適范圍內(nèi)來判斷產(chǎn)品真空度是否合格。該方法來源于人工經(jīng)驗，把譜峰頻率作為特征以檢測罐裝食品真空度。然而，物體振動發(fā)出的聲音一般是由多個頻率不同的分量信號融合而成的復(fù)合信號[4]。因此在罐裝食品真空度檢測中，僅用罐蓋振動產(chǎn)生聲音的譜峰頻率特征，不足以有效判定罐裝食品真空度是否合格。在實際應(yīng)用中也發(fā)現(xiàn)，部分不合格類型罐裝食品的譜峰頻率與合格罐裝食品的譜峰頻率相近，導(dǎo)致頻譜峰值法做出誤判。

本文介紹一種單分類方法用于罐裝食品真空度檢測。該方法基于非負矩陣分解（non-negative matrix factorization, NMF）算法[5]構(gòu)建單分類網(wǎng)絡(luò)（OneClass- NMF），此網(wǎng)絡(luò)僅需合格樣本進行訓(xùn)練。訓(xùn)練階段，通過持續(xù)減小合格樣本數(shù)據(jù)的分解誤差來訓(xùn)練OneClass-NMF，最終得到NMF的特征矩陣。檢測階段，在固定特征矩陣的情況下，先對測試數(shù)據(jù)進行NMF以得到相應(yīng)的系數(shù)矩陣，而后重構(gòu)測試數(shù)據(jù)并計算重構(gòu)誤差，最終據(jù)此誤差判斷被檢對象是否合格。

1 檢測方法

1.1 NMF

NMF具有將原始數(shù)據(jù)分解為直觀部分表示的特性[5]。它將非負數(shù)據(jù)矩陣分解為特征矩陣和系數(shù)矩陣，并限制特征矩陣和系數(shù)矩陣也是非負的[6]。

優(yōu)化求解NMF的2個分解矩陣的代價函數(shù)為

1.2 基于OneClass-NMF的檢測方法

由于實際中很難得到足夠數(shù)量的不合格樣本，并且不合格類型繁多，因此常用的基于卷積神經(jīng)網(wǎng)絡(luò)[7]或遞歸神經(jīng)網(wǎng)絡(luò)[8]的多分類器難以適用。檢測罐裝食品真空度的目的是判定產(chǎn)品是否合格，并不需要辨識具體的不合格類型。因此，本文提出將罐裝食品真空度檢測歸結(jié)為單分類問題[9]。

在單分類任務(wù)中，訓(xùn)練數(shù)據(jù)集僅需由正常（如合格產(chǎn)品）樣本的數(shù)據(jù)組成，異常（如不合格產(chǎn)品）樣本不需要先驗已知。其目的是根據(jù)正常數(shù)據(jù)學習出一個能夠準確描述正常的模型，而與這個描述模型的偏差超過閾值則被認為是異常[10]。單分類方法已應(yīng)用于文本分類、垃圾郵件檢測、圖像與視頻異常檢測、機器故障檢測等領(lǐng)域[11]。典型的單分類方法有基于支持向量機的單分類[12]（OneClass-SVM）、基于自動編碼器的單分類[13-14]（OneClass-AutoEncoder）等。

本文提出基于OneClass-NMF的罐裝食品真空度聲學檢測方法流程圖如圖1所示。

圖1 基于OneClass-NMF的檢測方法流程圖

僅用合格產(chǎn)品的數(shù)據(jù)對OneClass-NMF進行訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練階段如下：

OneClass-NMF檢測階段如下：

5）輸出檢測結(jié)果，重構(gòu)誤差小于閥值，則被檢產(chǎn)品是合格品，反之為不合格品。

2 罐裝食品真空度檢測實驗

2.1 實驗系統(tǒng)

罐裝食品真空度檢測實驗系統(tǒng)示意圖如圖2所示。在本實驗中，系統(tǒng)聲音采集頻率為48 kHz，采樣精度為32 bits，每個檢測對象采集的聲音時長為18.67 ms。

圖2 罐裝食品真空度檢測實驗系統(tǒng)示意圖

實驗系統(tǒng)工作流程：當光電傳感器檢測到傳送帶上有待檢罐裝食品后，控制與處理模塊通過電磁信號發(fā)生單元驅(qū)動電磁激勵探頭向罐蓋施加電磁激勵，使罐蓋振動并產(chǎn)生聲音；麥克風采集聲音，并將聲音信號輸入控制與處理模塊；控制與處理模塊調(diào)用預(yù)先訓(xùn)練的檢測模型（如本文提出的OneClass-NMF算法，用于對比實驗的頻譜峰值法、OneClass-SVM算法和OneClass-AutoEncoder算法），對聲音信號進行運算并輸出當前產(chǎn)品是否合格的判斷結(jié)果。

2.2 實驗數(shù)據(jù)

實驗樣品選用三片罐包裝的涼茶，有70個合格樣品和33個不合格樣品。不合格類型包括漏罐、癟罐、空罐和破損罐等。根據(jù)上述實驗系統(tǒng)對每罐產(chǎn)品采集1次聲音數(shù)據(jù)，最終得到實驗數(shù)據(jù)如表1所示。圖3顯示了合格產(chǎn)品和不合格（泄漏）產(chǎn)品的聲音信號和頻譜。

表1 實驗數(shù)據(jù)

圖3 合格與不合格罐裝涼茶的聲音信號及頻譜

2.3 實驗評價指標

本文提出的OneClass-NMF算法與頻譜峰值法、OneClass-SVM算法、OneClass-AutoEncoder算法等進行對比實驗。實驗評價指標如表2所示。指標僅適用于OneClass-AutoEncoder算法和OneClass- NMF算法。檢測正確率是評估檢測系統(tǒng)不可或缺的指標，適用于所有檢測方法。評價指標為

其中，是被檢對象被正確預(yù)測的數(shù)量；為被檢對象總數(shù)。

表2 實驗評價指標

2.4 實驗結(jié)果

指標的結(jié)果如圖4所示，其中矩形框（虛線矩形框為不合格樣本，實線矩形框為合格樣本）表示測試樣本的值的分布范圍。合格樣本的值應(yīng)小于不合格樣本的值；如果合格樣本的值落入不合格樣本的值的分布范圍，則視為判斷錯誤。

圖4 RE結(jié)果

取10次實驗檢測正確率的平均值，作為最終的結(jié)果，如表3所示。

表3 Acc結(jié)果

2.5 實驗分析與討論

與OneClass-AutoEncoder算法相比，本文提出的OneClass-NMF算法在實驗結(jié)果中，合格樣本與不合格樣本值的分布范圍不僅沒有混疊，而且還有較為明顯的差距。此外，OneClass-NMF算法得到的重構(gòu)誤差更小，這意味著它能充分地分解和重構(gòu)原始數(shù)據(jù)。

結(jié)果表明：OneClass-NMF算法獲得較高的正確率。分析各算法的出錯情況發(fā)現(xiàn)，罐蓋破損和罐身癟程度較大的樣本是引起誤判的主要原因。

3 結(jié)論

本文介紹一種基于NMF的單分類方法，并將該方法用于罐裝食品真空度檢測。先利用合格產(chǎn)品的數(shù)據(jù)訓(xùn)練OneClass-NMF，再用于判斷被檢產(chǎn)品是否合格。對比不同方法的實驗結(jié)果，本方法獲得較高的檢測正確率，并能正確判斷會引起傳統(tǒng)方法出現(xiàn)誤判的不合格類型。

[1] 陳靖宇,付江云,謝振南,等.基于實時濾波的瓶蓋密封性測試系統(tǒng)設(shè)計[J].計算機測量與控制,2012,20(4):951-954.

[2] 張業(yè)偉,徐全金,侯鵬飛.基于DSP的啤酒瓶封蓋密封性在線檢測系統(tǒng)的設(shè)計[J].可編程控制器與工廠自動化,2011(7): 121-122.

[3] Sugimoto K, Sugimoto T, Utagawa N, et al. The defect detection algorithm that combined spectrum entropy with vibrational energy ratio for acoustic inspection method [J]. Acoustical Society of America Journal, 2017, 141(5):3831-3831.

[4] Debbal S M , Bereksi-Reguig F. Time-frequency analysis of the first and the second heartbeat sounds [J]. Applied Mathematics and Computation, 2007, 184(2):1041-1052.

[5] You M, Wang H, Liu Z, et al. Novel feature extraction method for cough detection using NMF [J]. IET Signal Processing, 2017, 11(5):515-520.

[6] Lee D D, Seung H S. Learning the parts of objects by non-negative matrix factorization [J]. Nature, 1999, 401(6755):788-791.

[7] Han W, Yang Z, Lu J, et al. Supervised threshold-based heart sound classification algorithm [J]. Physiological Measurement, 2018, 39(11): 115011.

[8] Kim H G , Kim J Y . Acoustic event detection in multichannel audio using gated recurrent neural networks with high-resolution spectral features [J]. ETRI Journal, 2017, 39(6): 832-840.

[9] Moya M M, Koch M W, Hostetler . D. One-class classifier networks for target recognition applications [C]. In Proceedings World Congress on Neural Networks, 1993: 797-801.

[10] Ruff L, G?rnitz N, Deecke L, et al. Deep one-class classification [C]. International Conference on Machine Learning, 2018: 4390-4399.

[11] Khan S S, Madden M G. A survey of recent trends in one class classification [C]. Irish Conference on Artificial Intelligence and Cognitive Science, 2009: 188-197.

[12] Sch?lkopf B, Platt J C, Shawe-Taylor J, et al. Estimating the support of a high-dimensional distribution [J]. Neural Computation, 2001, 13(7): 1443-1471.

[13] Lecun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition [J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

[14] Marco AF Pimentel, David A Clifton, Lei Clifton, et al. A review of novelty detection [J]. Signal Processing, 2014, 99: 215-249.

Acoustic Detection Method for Vacuum Degree of Canned Foods Based on NMF

Han Wei1,2Li Chang1Zhou Songbin1Liu Weixin1,2Qiu Zefan1

（1. Guangdong Institute of Intelligent Manufacturing, Guangdong Key Laboratory of Modern Control Technology 2.Guangdong University of Technology）

At present the spectral peak method is widely used to detect the vacuum degree of canned foods. Whether the spectral peak frequency of the sound produced by the vibration of the can lid is in the appropriate range is taken as the detection basis of this method. However, the spectral peak frequency of some unqualified products is also within the set appropriate range appeared in practical application, which leads to the misjudgment of this method. In order to improve the detection performance, this paper firstly proposes to treat the vacuum degree detection of canned food as a one-class classification problem, and presents a one-class classification algorithm based on non-negative matrix factorization. The classifier only needs to be learned from the dataset of qualified products in this algorithm, and then it can be used to judge whether the vacuum of the detected product is qualified or not. We constructed an experimental system for the vacuum degree detection of canned food, and compared the proposed method with the traditional spectral peak method and the typical one-class classification methods.

Vacuum Degree of Canned Foods; Acoustic Detection; One-Class Classification; Non-Negative Matrix Factorization

韓威，男，1987年生，博士研究生，助理研究員，主要研究方向：聲學傳感與檢測。

周松斌（通信作者），男，1978年生，博士，研究員，主要研究方向：智能傳感與檢測、網(wǎng)絡(luò)化測控。E-mail: sb.zhou@giim.ac.cn

國家自然科學基金項目（61803107）；廣州市科技計劃項目（201803020025，201906010036）；廣東省科學院人才項目（2019GDASYL-0105069）。