TWI708191B - 聲源分佈可視化方法及電腦程式產品 - Google Patents
聲源分佈可視化方法及電腦程式產品 Download PDFInfo
- Publication number
- TWI708191B TWI708191B TW108143303A TW108143303A TWI708191B TW I708191 B TWI708191 B TW I708191B TW 108143303 A TW108143303 A TW 108143303A TW 108143303 A TW108143303 A TW 108143303A TW I708191 B TWI708191 B TW I708191B
- Authority
- TW
- Taiwan
- Prior art keywords
- detection
- physical signal
- sound source
- distribution
- signal
- Prior art date
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本發明提供一種聲源分佈可視化方法及電腦程式產品,其方法包含:擷取檢測目標之一目標影像;於目標影像標示一檢測邊界及於檢測邊界設置複數檢測點,各檢測點具有專屬編碼;對應各檢測點輸入檢測目標運作過程產生之一物理訊號;透過頻譜疊加計算各物理訊號之頻譜分佈,以分析各物理訊號之頻寬範圍,並且透過一分析運算處理取得各物理訊號之頻寬範圍內之時間波形,以產生各物理訊號之一特徵訊號;以及將各特徵訊號透過一神經網路運算,形成可視化特徵之一影像聲源分佈,影像聲源分佈配合目標影像呈現於檢測邊界中;藉此,能夠即時、快速且準確取得聲源分佈。
Description
本發明係關於一種可視化技術,尤指一種聲源分佈可視化方法及電腦程式產品。
在噪音控制的領域中,正確的識別噪音源係為有效改善噪音的基礎,因此聲源識別定位之準確性將會影響噪音控制的效果,必需在確實掌握噪音源的位置、強度分佈、速度分佈與密度分佈等情形下,才能有效地控制噪音或正確評估噪音所產生影響,並進而幫助減少因結構振動產生的噪音,使得結構的噪音最佳化。例如,將噪音控制的技術應用在動力機械診斷工業上,不僅可以協助工程人員判斷動力機械的故障點所在,以及評估噪音源造成之影響,更可以提高工程人員判斷的準確性。
習知在辨識聲源的技術上,有利用聲強法尋找聲源,首先需要將檢測目標空間區分許多網格,再利用聲強計(sound intensity probe)分別在每個網格量測該區域之聲強值,再透過內插方法還原量測當時之聲強分佈,達到聲源定位之目的,此種方式是以聲音強度表示,而非聲音壓力表示,能夠避免背景噪音影響量測結果,但是需要耗費大量檢測時間,無法即時取得分析,而且聲音強度分配之解析度是依據網格大小而定,精準度受到限制,此種檢測方式僅適用於定轉速設備之檢測。
另外,美國專利公開第20050225497號亦揭露出一種以聲束合成陣列(beam forming array)技術來識別聲源的方法,然而,聲束合成陣列技術只能識別遠場聲場,而且對於非穩態聲源的識別性能較差,及具有無法即時運算、無法同步識別不同座標聲場及為了防止空間失真必須改變陣列式麥克風的形狀等缺點。
為解決上述課題,本發明提供一種聲源分佈可視化方法,透過分析運算及神經網路運算搭配可視化特徵,能夠即時、快速且準確取得聲源之可視化分佈。
本發明之一項實施例提供一種聲源分佈可視化方法,其包含:擷取檢測目標之一目標影像;於目標影像標示一檢測邊界及於檢測邊界設置複數檢測點,各檢測點具有專屬編碼;對應各檢測點輸入檢測目標運作過程產生之一物理訊號;透過頻譜疊加計算各物理訊號之頻譜分佈,以分析各該物理訊號之頻寬範圍,並且透過一分析運算處理取得各物理訊號之頻寬範圍內之時間波形,以產生各物理訊號之一特徵訊號;以及將各特徵訊號透過一神經網路運算,形成可視化特徵之一影像聲源分佈,影像聲源分佈配合目標影像呈現於檢測邊界中。
於其中一項實施例中,將各特徵訊號透過神經網路運算,取得各檢測點間距離不同而產生各特徵訊號之強度變化,以形成可視化特徵之影像聲源分佈。
於其中一項實施例中,將各檢測點間以雙調和樣條內插方法,形成連續且平滑性之影像聲源分佈。
於其中一項實施例中,可視化特徵之影像聲源分佈依據各特徵訊號之強度呈現顏色變化。
於其中一項實施例中,分析運算為時頻分析,各物理訊號透過該分析運算處理取得各物理訊號之頻寬範圍內之時間波形,提供選擇產生各物理訊號之特徵訊號為均方根值或波形最大值。
於其中一項實施例中,神經網路運算為迴歸神經網路法(GRNN)或監督式類神經網路法(Supervised Learning Network)。
於其中一項實施例中,當檢測目標為定轉速設備時,以逐步方式對應各檢測點輸入各物理訊號。
於其中一項實施例中,當檢測目標為變轉速設備時,以同步方式對應各檢測點輸入各該物理訊號。
於其中一項實施例中,物理訊號為聲音訊號或振動訊號。
本發明之一項實施例提供一種電腦程式產品,其包含上面記錄有指令之一非暫時性電腦可讀媒體,該等指令在由一電腦執行時實施上述任一實施例之方法。
藉由上述,本發明將檢測目標運作過程產生之物理訊號,透過分析運算及神經網路運算搭配可視化特徵,能夠即時、快速且準確取得聲源之可視化影像分佈,藉以改善習知無法即時且準確聲源之問題。
再者,本發明透過分析運算及神經網路運算無需考慮聲源傳遞路徑為限性或非線性,便能夠形成可視化特徵之影像聲源分佈。
另外,本發明能夠運用於檢測定轉速或變轉速設備,以提升本發明使用廣度。
為便於說明本發明於上述發明內容一欄中所表示的中心思想,茲以具體實施例表達。實施例中各種不同物件係按適於說明之比例、尺寸、變形量或位移量而描繪,而非按實際元件的比例予以繪製,合先敘明。
請參閱圖1至圖6所示,本發明提供一種聲源分佈可視化方法,其包含:
一影像建立步驟S1:擷取檢測目標之一目標影像I;其中,檢測目標能夠為定轉速設備或變轉速設備;檢測目標之目標影像I透過攝像裝置(例如:照相機、攝影機或智慧型行動裝置)取得,或是透過繪製方式產生檢測目標之目標影像T,於本發明實施例中,目標影像I電子影像檔案。
一標示步驟S2:將透過影像建立步驟S1取得之目標影像I上標示一檢測邊界B,且於檢測邊界B設置複數檢測點P,各檢測點P具有專屬編碼C,其中,檢測邊界B為封閉範圍,檢測邊界B能夠是封閉之矩形狀、多角形狀或圓曲形狀,於本發明實施例中,檢測邊界B為封閉之矩形狀,如圖2所示;再者,檢測點P之數量能夠依據使用者之需求設定,各檢測點P之專屬編碼C能夠示數字或英文字母,專屬編碼C用以辨識各檢測點P,於本發明實施例中,檢測點P之數量為12個,各檢測點P之專屬編碼C為數字,各檢測點P之專屬編碼C分別為01至12,如圖3及圖4所示。
一獲取訊號步驟S3:經過標示步驟S2後,對應各檢測點P輸入檢測目標運作過程產生之一物理訊號,如圖4所示;其中,物理訊號為聲音訊號或振動訊號;當物理訊號為聲音訊號時,能夠透過聲音擷取裝置(例如:獨立麥克風、智慧型行動裝置內建麥克風或數位錄音筆,本發明不以此為限)擷取檢測目標運作過程產生之物理訊號;當物理訊號為振動訊號時,能夠透過振動感測器(例如:位移感測器、速度感測器、加速度感測器或加速規,本發明不以此為限)。
再者,當檢測目標為定轉速設備時,依據欲擷取物理訊號之種類,使用單一個聲音擷取裝置或振動感測器逐步對應各檢測點P擷取物理訊號,而擷取到之物理訊號會對應各檢測點P之專屬編碼C進行記憶。
另外,當檢測目標為變轉速設備時,依據欲擷取物理訊號之種類,使用複數個聲音擷取裝置或複數個振動感測器,將各聲音擷取裝置或各振動裝置放置於實體檢測目標對應各檢測點P之實際位置,以同步方式透過各聲音擷取裝置或各振動裝置對應將各檢測點P輸入物理訊號,而擷取到之物理訊號會對應各檢測點P之專屬編碼C進行記憶。
一運算處理步驟S4:將藉由獲取訊號步驟S3取得各檢測點P之物理訊號,透過頻譜疊加計算各物理訊號之頻譜分佈,以分析各物理訊號之頻寬範圍,並且透過一分析運算處理取得各物理訊號之頻寬範圍內之時間波形,以產生各物理訊號之一特徵訊號,如圖5所示;於本發明實施例中,分析運算為時頻分析,物理訊號之特徵訊號能夠為均方根值或波形最大值;其中,當分析完各物理訊號之頻寬範圍後,各物理訊號能夠透過分析運算處理取得各物理訊號之頻寬範圍內之時間波形,並且提供選擇產生各物理訊號之特徵訊號為均方根值或波形最大值,其中,各物理訊號之頻寬範圍能夠是使用者設定或是預設。
一可視化步驟S5:將藉由運算處理步驟S4取得各檢測點P之特徵訊號透過一神經網路運算,形成可視化特徵之一影像聲源分佈SI,影像聲源分佈SI配合目標影像I呈現於檢測邊界B中,其中,影像聲源分佈SI會疊加呈現於目標影像I上,而且不會顯示各檢測點P,如圖6所示。
於本發明實施例中,神經網路運算為迴歸神經網路法(GRNN)或監督式類神經網路法(Supervised Learning Network);可視化特徵之影像聲源分佈依據各特徵訊號之強度呈現顏色變化。進一步說明:將各特徵訊號透過神經網路運算,取得各檢測點P間因為距離不同而產生各特徵訊號之強度變化,例如:當有12個檢測點P時,每一檢測點P至其餘檢測點P間的距離皆不相同,而各檢測點P間會產生不同特徵訊號之強度變化;接著,再將各檢測點P間以雙調和樣條內插方法,形成連續且平滑性之影像聲源分佈SI,如圖6所示。
根據本發明之一些實施例包含具有電子可讀控制信號之資料載體,其能夠與可規劃電腦系統協作,以使得執行本發明中所描述方法中之一者。通常,本發明實施例可實施為具有程式碼之電腦程式產品,當電腦程式產品於終端裝置執行上時,程式碼操作性地用於執行前述其中一方法;其中,程式碼可例如儲存於機器可讀載體上。
於本發明其他實施例中,能夠包含儲存於機器可讀載體上,用於執行本發明中所描述之方法中的電腦程式產品。換言之,本發明方法之實施例因此為電腦程式,其具有用於在電腦程式產品於終端裝置(例如:電腦或智慧型行動裝置)上執行時執行本文中所描述之方法中之一者的程式碼。
因此,當本發明實施例為具有程式碼之電腦程式產品時,能夠透過終端裝置與攝像裝置訊號連接,以取得檢測目標之目標影像I;或是於終端裝置上以繪製方式產生檢測目標之目標影像I。再者,終端裝置能夠與聲音擷取裝置或振動感測器訊號連接,以獲取物理訊號。
綜合上述,本發明具有下列功效:
一、本發明將檢測目標運作過程產生之物理訊號,透過分析運算及神經網路運算搭配可視化特徵,能夠即時、快速且準確取得聲源之可視化影像分佈。
二、本發明透過分析運算及神經網路運算無需考慮聲源傳遞路徑為限性或非線性,便能夠形成可視化特徵之影像聲源分佈。
三、本發明能夠運用於檢測定轉速或變轉速設備,以提升本發明使用廣度。
以上所舉實施例僅用以說明本發明而已,非用以限制本發明之範圍。舉凡不違本發明精神所從事的種種修改或變化,俱屬本發明意欲保護之範疇。
I:目標影像
B:檢測邊界
P:檢測點
C:專屬編碼
SI:影像聲源分佈
S1:影像建立步驟
S2:標示步驟
S3:獲取訊號步驟
S4:運算處理步驟
S5:可視化步驟
圖1係本發明實施例方法步驟示意圖。
圖2係本發明於目標影像標示檢測邊界示意圖。
圖3係本發明於檢測邊界設置複數檢測點示意圖。
圖4係本發明對應各檢測點輸入物理訊號示意圖。
圖5係本發明頻譜疊加計算各物理訊號之頻譜分佈示意圖。
圖6係本發明影像聲源分佈配合目標影像呈現於檢測邊界內示意圖。
I:目標影像
SI:影像聲源分佈
Claims (10)
- 一種聲源分佈可視化方法,其包含: 一影像建立步驟:擷取檢測目標之一目標影像; 一標示步驟:於該目標影像標示一檢測邊界及於該檢測邊界設置複數檢測點,各該檢測點具有專屬編碼; 一獲取訊號步驟:對應各該檢測點輸入檢測目標運作過程產生之一物理訊號; 一運算處理步驟:透過頻譜疊加計算各該物理訊號之頻譜分佈,以分析各該物理訊號之頻寬範圍,並且透過一分析運算處理取得各該物理訊號之頻寬範圍內之時間波形,以產生各該物理訊號之一特徵訊號;以及 一可視化步驟:將各該特徵訊號透過一神經網路運算,形成可視化特徵之一影像聲源分佈,該影像聲源分佈配合該目標影像呈現於該檢測邊界中。
- 如請求項1所述之聲源分佈可視化方法,其中,將各該特徵訊號透過該神經網路運算,取得各該檢測點間距離不同而產生各該特徵訊號之強度變化,形成可視化特徵之該影像聲源分佈。
- 如請求項2所述之聲源分佈可視化方法,其中,將各該檢測點間以雙調和樣條內插方法,形成連續且平滑性之該影像聲源分佈。
- 如請求項3所述之聲源分佈可視化方法,其中,可視化特徵之該影像聲源分佈以依據各該特徵訊號之強度呈現顏色變化。
- 如請求項4所述之聲源分佈可視化方法,其中,該分析運算為時頻分析,各該物理訊號透過該分析運算處理取得各該物理訊號之頻寬範圍內之時間波形,提供選擇產生各該物理訊號之特徵訊號為均方根值或波形最大值。
- 如請求項1所述之聲源分佈可視化方法,其中,該神經網路運算為迴歸神經網路法(GRNN)或監督式類神經網路法(Supervised Learning Network)。
- 如請求項1所述之聲源分佈可視化方法,其中,當檢測目標為定轉速設備時,以逐步方式對應各該檢測點輸入各該物理訊號,各該物理訊號對應各該檢測點之專屬編碼記憶。
- 如請求項1所述之聲源分佈可視化方法,其中,當檢測目標為變轉速設備時,以同步方式對應各該檢測點輸入各該物理訊號,各該物理訊號對應各該檢測點之專屬編碼記憶。
- 如請求項1所述之聲源分佈可視化方法,其中,該物理訊號為聲音訊號或振動訊號。
- 一種電腦程式產品,其包含上面記錄有複數指令之一非暫時性電腦可讀媒體,所述指令在由一電腦執行時實施如請求項1至9之聲源分佈可視化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108143303A TWI708191B (zh) | 2019-11-28 | 2019-11-28 | 聲源分佈可視化方法及電腦程式產品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108143303A TWI708191B (zh) | 2019-11-28 | 2019-11-28 | 聲源分佈可視化方法及電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI708191B true TWI708191B (zh) | 2020-10-21 |
TW202121240A TW202121240A (zh) | 2021-06-01 |
Family
ID=74093952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108143303A TWI708191B (zh) | 2019-11-28 | 2019-11-28 | 聲源分佈可視化方法及電腦程式產品 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI708191B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104062001A (zh) * | 2014-06-30 | 2014-09-24 | 营口东吉科技(集团)有限公司 | 一种测量电弧炉冶炼电熔镁噪音的方法 |
TWM566808U (zh) * | 2018-03-30 | 2018-09-11 | 逸陞有限公司 | 移動噪音源的檢測系統 |
CN110220589A (zh) * | 2019-06-20 | 2019-09-10 | 华电重工股份有限公司 | 一种噪音在线检测装置及*** |
CN110248197A (zh) * | 2018-03-07 | 2019-09-17 | 杭州海康威视数字技术股份有限公司 | 语音增强方法及装置 |
-
2019
- 2019-11-28 TW TW108143303A patent/TWI708191B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104062001A (zh) * | 2014-06-30 | 2014-09-24 | 营口东吉科技(集团)有限公司 | 一种测量电弧炉冶炼电熔镁噪音的方法 |
CN110248197A (zh) * | 2018-03-07 | 2019-09-17 | 杭州海康威视数字技术股份有限公司 | 语音增强方法及装置 |
TWM566808U (zh) * | 2018-03-30 | 2018-09-11 | 逸陞有限公司 | 移動噪音源的檢測系統 |
CN110220589A (zh) * | 2019-06-20 | 2019-09-10 | 华电重工股份有限公司 | 一种噪音在线检测装置及*** |
Also Published As
Publication number | Publication date |
---|---|
TW202121240A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102521560B (zh) | 高鲁棒仪表指针图像识别方法 | |
US11301712B2 (en) | Pointer recognition for analog instrument image analysis | |
US11467281B2 (en) | Object detection device | |
JP2014137756A5 (zh) | ||
JP2011134012A5 (zh) | ||
CN116563273B (zh) | 用于钢材缺陷的检测预警方法及*** | |
JP2019124539A5 (zh) | ||
JP2016220198A5 (zh) | ||
CN106595496A (zh) | 一种人机交互零件尺寸柔性视觉测量方法 | |
KR101543146B1 (ko) | 진동 장치의 상태 판단 방법 | |
KR102618682B1 (ko) | 로프의 파라미터를 측정하기 위한 장치 | |
TWI708191B (zh) | 聲源分佈可視化方法及電腦程式產品 | |
Shang et al. | Multi-point vibration measurement for mode identification of bridge structures using video-based motion magnification | |
CN105675122A (zh) | 一种噪声源位置快速识别方法 | |
CN111028288B (zh) | 一种基于深度学习技术的双目标定*** | |
JP2019165658A (ja) | 植物生育指標測定装置、方法およびプログラム | |
WO2017183107A1 (ja) | 非定常検出装置、非定常検出システムおよび非定常検出方法 | |
JP2018087715A5 (zh) | ||
CN110140024B (zh) | 用于放置像素的方法 | |
JP2018128358A (ja) | 異常監視方法および異常監視装置 | |
CN112863540A (zh) | 声源分布可视化方法及电脑程式产品 | |
JP2015001791A (ja) | 画像解析装置 | |
JP2016065785A5 (zh) | ||
JP2015534054A (ja) | ブレード検査におけるギャップ測定に対するハフ変換アプローチ | |
CN107705287B (zh) | 一种具有中心对称分布规律的工业产品缺损检测方法 |