基于消费者WiFi的材料缺陷检测.pdf

SOFTWARE软 件2023第 44 卷 第 7 期2023 年Vol.44,No.7基金项目：此项工作得到国家自然科学基金资助（62071244）作者简介：武琪凯（1997），男，江苏连云港人，硕士研究生，研究方向：基于 CSI 机器学习的材料缺陷检测。基于消费者 WiFi 的材料缺陷检测武琪凯1 潘甦2（1.南京邮电大学通信与信息工程学院，江苏南京 210003；2.南京邮电大学物联网学院，江苏南京 210003）摘要：本文提出了一种基于 WiFi 信号的材料缺陷检测系统，通过使用廉价的消费者 WiFi 设备来检测材料是否存在缺陷以及是否符合标准。材料缺陷检测系统通过信道状态信息来感知环境变化。通过从信道状态信息流中提取出有用信息，并使用主成分分析法(PCA)及巴特沃斯滤波器进行降噪，并进行特征提取，最终使用 SVM 算法对数据进行分类。在实验场景中，选用了建材作为实验材料，通过仿真发现，缺陷检测的真阳性率达到了 92.22%。关键词：WiFi；材料缺陷检测；机器学习中图分类号：TN249 文献标识码：A DOI：10.3969/j.issn.1003-6970.2023.07.009本文著录格式：武琪凯,潘甦.基于消费者WiFi的材料缺陷检测J.软件,2023,44(07):036-038Material Defect Detection Based on Consumer WiFi WU Qikai1,PAN Su2(1.Nanjing University of Posts and Telecommunications,School of Communication and Information Engineering,Nanjing Jiangsu 210003;2.Nanjing University of Posts and Telecommunications,School of Internet of Things,Nanjing Jiangsu 210003)【Abstract】：This paper proposes a material defect detection system based on WiFi signals,which uses inexpensive consumer WiFi devices to detect whether materials have defects and meet standards.Material defect detection systems perceive environmental changes through channel state information.By extracting useful information from the channel state information stream,using principal component analysis(PCA)and Butterworth filter for noise reduction,and performing feature extraction,finally using SVM algorithm to classify the data.In the experimental scenario,building materials were selected as experimental materials.Through simulation,it was found that the true positive rate of defect detection reached 92.22%.【Key words】：WiFi;material defect detection;machine learning基金项目论文0 引言材料缺陷检测在现实场景中非常重要。在工业领域中，无损材料缺陷检测可以对材料是否有断裂、中空进行检查，进而保障产品质量和生产安全。本文以建材为例，研究材料缺陷检测。由于静置受检物体无法提供足够的环境信息，本文使用匀速移动建材的方式进行数据采集。与同样通过运动进行数据采集的动作识别1,2相比，材料缺陷检测仅仅是受检物体不同。因此，相较于动作识别，材料缺陷检测实现起来更加具有挑战性。相较于动作识别，材料缺陷检测需要更细粒度的特征3,4，然而大多数的研究方案都是基于传感器进行材料缺陷检测。为了研究金属构件表面微裂缝，文献 5提出了使用 3D 打印材料表面缺陷检测方法，利用激光发射器、传感器、三维移动平台等仪器采集数据，实现了对金属构件表面细微裂缝的检测，但是极大地增加了材料缺陷检测的成本。本文设计并实现了一个基于无线的材料缺陷检测系统，能够使用廉价的消费性 WiFi 来获取信道状态信息(Channel State Information,CSI)，并且使用机器学习算法来识别是否发生了故障。为了克服廉价 WiFi 设备带来的高噪声问题，选择使用 PCA 对数据集进行降噪，进而去除噪声主要分布的第一维特征6。然后使用巴特沃斯低通滤波器对信号进行处理，降低信号中的高频噪37武琪凯 潘甦：基于消费者 WiFi 的材料缺陷检测声，进而提高材料缺陷检测的识别率。本文其余部分组织如下：第二部分介绍了材料缺陷检测系统的系统模型和数据处理流程，第三部分进行了仿真实现，第四部分对材料缺陷检测系统进行了总结。1 基于 WiFi 的材料缺陷检测系统模型首先将对原始的 CSI 信号进行预处理，以去除原始CSI 信号中的异常值和噪声；然后检测包含目标建材的信号，并将其与原始信号分离；提取特征后，使用特征训练 SVM 模型；最终，训练后的 SVM 可以用于识别建材的缺陷。1.1 数据采集本文提出使用匀速运动受检物体的方法，通过将受检物体放置在木板之上，并利用细线对木板进行匀速牵引，使其在路由器和笔记本电脑之间匀速通过，进而获得更多的环境信息用于分类识别。1.2 CSI 测量在物理层，为了提高数据传输的效率，正交频分复用技术(Orthogonal Frequency Division Multiplexing,OFDM)通过将信道划分为若干正交子载波，并将它们调制到每个子载波中进行传输。1.3 数据预处理由于原始CSI受到干扰和环境噪声的影响，因此需要去除干扰和噪声来获得匀速移动受检物体产生的环境信息。1.3.1 信道增益幅度异常值去除使用 Hampel 滤波器从采集到的 CSI 数据流中去除异常值。1.3.2 移除时间异常值由于接收的数据包中偶尔会出现数据缺失的问题，将缺失的值设置为相邻两个数据包的平均值。不仅如此，由于使用的廉价 WiFi 设备无法精确控制接收数据包的时间间隔。因此使用了线性插值算法按照严格的时间间隔对 CSI 进行重新计算。1.3.3 降噪每个子载波中都可以获得 CSI 信息，CSI 信息提供比 RSSI 更多的信息，因为 RSSI 更容易受到多径效应的影响。为了显示降噪的效果，本文将未进行处理的 CSI信号与进行降噪后的信号进行波形对比。如图1所示，由于采用廉价WiFi设备采集CSI 数据，CSI 数据中包含大量与特征无关的高频噪声和干扰。廉价 WiFi 设备采集的 CSI 数据包含更多噪声，这些噪声在时域上的强度具有随机性，与匀速移动受检物体不相关。因此，本文提出使用基于 PCA 的方法来去除 CSI 流中的随机噪声。通常，随机噪声分布在第一维，即特征值最大的维度。因此通过去除第一个特征值对应的特征向量，可以减少信号的噪声。经过此步骤，能够得到经过 PCA 降噪后的 CSI 矩阵。通过实验结果表明，匀速运动受检物体的过程中引起的 CSI 波形，频率变化小于 20Hz。因此，可以使用巴特沃斯地低通滤波器去除 CSI 中的高频噪声。如图 2所示，经过 PCA 和巴特沃斯滤波后的波形仍然保持了原有数据特征，但噪声得到了有效抑制。1.4 特征提取从 CSI 数据流中获取匀速移动受检物体对应的数据后，从去噪后的 CSI 矩阵中提取特征。PCA 通过将 n维特征映射到正交 k 维进行降维处理，其中 n k。1.5 分类算法本文选择了基于径向基函数(Radial Basis Function,RBF)的 SVM 模型来评估材料缺陷。图1 原始CSI信号 Fig.1 Original CSI Signal 图2 PCA和巴特沃斯低通滤波器降噪 Fig.2 PCA and Butterworth low-pass filter denoising 0 100 200 300 400 500 0.0 2.5 5.0 7.5 10.0 12.5 15.0 17.5 20.0 图 1 原始 CSI 信号Fig.1 Original CSI signal 图1 原始CSI信号 Fig.1 Original CSI Signal 图2 PCA和巴特沃斯低通滤波器降噪 Fig.2 PCA and Butterworth low-pass filter denoising 0 100 200 300 400 500 0.0 2.5 5.0 7.5 10.0 12.5 15.0 17.5 20.0 0 100 200 300 400 500 0.0 2.5 5.0 7.5 10.0 12.5 15.0 17.5 20.0 图 2 PCA 和巴特沃斯低通滤波器降噪Fig.2 PCA and Butterworth low-pass filter denoising38软 件第 44 卷 第 7 期SOFTWARE2 实验及评估2.1 实验硬件条件在缺陷检测系统中，使用 TL-WDR6300 路由器作为接入点(Access Point,AP)。使用联想 G480 笔记本电脑作为检测点(Detect Point,DP)，它配备 Intel 5300 网卡用来接收 CSI。2.2 实验环境实验环境是一个简单的会议室，里面包括一个办公桌、六把座椅、一个打印机等一些日常物品。2.3 缺陷检测分析本文引入了基于真实类别和预测类别的两个基本指标:真阳性(True Positive,TP)、假阴性(False Negative,FN)评价缺陷检测的准确性。真阳性率(True Positive Rate,TPR)可以表示为：TPTPRTPFN=+上式中，TP 表示样本的真实类别是阳性，并且系统分类的结果也是阳性的样本数量，FN 表示样本的真实类别是阳性，但是系统分类的结果是阴性的样本数量。因此，TPR 能够表示在被系统判定为阳性的样本中真阳性的概率。2.4 仿真结果通过仿真实验，得到了如图 3 所示的标准化混淆矩阵 A。图3 六种缺陷检测的混淆矩阵 Fig.3 confusion matrix of Six Defects Detection NER ER1 ER2 ER3 ER4 ER5 Predict label NERER1ER2ER3ER4ER51.00 0.93 0.07 1.00 0.93 0.07 0.05 0.05 0.90 0.07 0.14 0.79 Confusion Matrix 0 2 4 6 8 10 12 14 16 18 图 3 六种缺陷检测的混淆矩阵Fig.3 Confusion matrix of six defects detection如表 1 所示，对图 3 中的六种材料缺陷进行了说明。在图 3 所示的混淆矩阵 A 中，对角线上的数值表示该故障类型被正确分类的比例，即 TPR。对表 1 中每种故障的 TPR 求平均值，最终可得平均 TPR 为 92.22%。本文提出的材料缺陷检测系统对于较为明显的材料缺陷能够获得较高的识别率，而对于轻微的材料缺陷识别率则不够理想。这是因为轻微的材料缺陷无法提供足够的 CSI，进而影响到分类的结果。3 总结本文以砖块为例，提出了一种细粒度缺陷检测系统。在该系统中，由两种廉价的消费电子设备、一台笔记本电脑和一台路由器用于收集 Wi-Fi 信号的 CSI；然后使用 PCA 和巴特沃斯低通滤波器对收集的 CSI 进行去噪，并通过 PCA 对降噪后的 CSI 进行体征提取；最终，对比了不同的算法，选择了 SVM。SVM 可以在小样本数的情况下达到识别材料缺陷的高精度。实验结果表明，可以实现 92.22%平均 TPR。参考文献1 ZHANG X,DONG M AND ZHANG T.An Action Recgonition System Based on WiFiC/2022 International Conference on Artificial Intelligence and Computer Information Technology(AICIT).IEEE,2022:1-6.2 WANG Z J,JIANG K K,HOU Y S,et al.A Survey on CSI-based Human Behavior Recognition in Through-the-wall ScenarioJ.IEEE Access,2019,7:78772-78793.3 CHEN C,JAFARI R,KEHTARNAVAZ N.A Real-time Human Action Recognition System Using Depth and Inertial Sensor FusionJ.IEEE Sensors Journal,2015,16(3):773-781.4 KHAN P,REDDY B S K,PANDEY A,et al.Differential Channel-state-information-based Human Activity Recognition in IoT NetworksJ.IEEE Internet of Things Journal,2020,7(11):11290-11302.5 刘永强,杨世锡,刘学坤.基于激光超声的金属构件表面微裂纹定量检测技术研究J.振动与冲击,2019(19):14-19.6 CAO X C,CHEN B,ZHAO Y C.Wi-Wri:Fine-grained Writing Recognition Using Wi-Fi SignalsC/2016 IEEE Trustcom/Big DataSE/ISPA.IEEE,2016:1366-1373.表 1 六种故障类型的描述Tab.1 Description of six types of faults故障类型故障说明TPRNER(No Error)无故障1.00ER1(Error 1)砖块缺口0.93ER2(Error 2)砖块粉碎1.00ER3(Error 3)砖块中空1.00ER4(Error 4)砖块断裂0.85ER5(Error 5)砖块裂缝0.79