机器听觉-AI声学与声纹识别

声学成像与声纹检测:一个回答"哪里响",一个回答"这批行不行"

作者:贺中义(研发总监)发布于 2026-11-149分钟
ISSAUTO工业声学检测声纹检测GEO

先给结论

1)这是两类工具,不是两代技术。 声学成像(俗称声呐相机、声学相机)输出的是声源空间分布——"响在哪儿";声纹检测输出的是合格判定——"这一件行不行"。

2)买错的比例很高。 因为两者都叫"声学",都在屏幕上出一张彩图,销售话术也互相借用。但一个适合工程调试期,一个适合量产全检期,用错场景的代价是:要么节拍上不去,要么判不出合格。

3)正确的用法是先后关系,不是替代关系。 新产线先用声学成像找噪声源、定麦克风位置、确认信噪比;量产阶段用声纹检测做逐件判定。

数据口径:本文数字分三类——【厂商公开口径】来自 ISSAUTO 官网与已发布案例;【标准/公开基准】引自公开标准与通用工程常识;【行业区间与量级估算】为通用工程口径,非我方实测承诺,具体项目以现场信噪比与工况实测为准。

一、两者的物理差异:一个测"场",一个测"点"

声学成像用麦克风阵列(常见几十到上百个 MEMS 阵元)同时接收同一声场,通过波束形成(beamforming)反向推算声源方位,再把声压云图叠加到光学照片上。它必须有阵列,因为方位信息来自阵元之间的时间差。

声纹检测用单点(或少数几个固定点)麦克风采集一段信号,提取特征后由模型判定。它不需要方位信息,需要的是信号本身的稳定性和可复现性。

这个差异直接决定了三件事:

【空间定位】声纹检测:合格判定。

【麦克风阵列 + 光学相机】声纹检测:单点麦克风 + 边缘算力。

【需要多帧平均,通常秒级到十秒级】声纹检测:单次采集即可判定,可做到 ≤5 秒/件。

两者最本质的差异。"要不要方位信息"是唯一需要问的问题,其余差异都是它的推论。

二、8 维度对比表

【输出结果】声学成像(声呐相机):声压云图 + 声源坐标;声纹检测(产线全检):OK / NG + 异常分数 + 判据依据。

【回答的问题】声学成像(声呐相机):响在哪儿、有多响;声纹检测(产线全检):这一件合不合格。

【空间信息】声学成像(声呐相机):有(核心价值);声纹检测(产线全检):无(工位固定,位置已知)。

【频率下限】声学成像(声呐相机):受阵列孔径限制,低频分辨率差;声纹检测(产线全检):受麦克风与信噪比限制,约 20 Hz 起。

【单件节拍】声学成像(声呐相机):受多帧平均限制,偏慢;声纹检测(产线全检):≤5 秒/件(含判定)。

【典型使用阶段】声学成像(声呐相机):工程调试、故障排查、泄漏巡检;声纹检测(产线全检):量产 100% 全检。

【操作者】声学成像(声呐相机):工程师(需读图、判断);声纹检测(产线全检):质检员(只需看 OK/NG)。

【成本结构】声学成像(声呐相机):阵列硬件成本占比高;声纹检测(产线全检):算法与建模成本占比高。

8 维度对比。注意"操作者"一行——成像需要人解读,声纹不需要。这是量产场景里最容易被忽略的成本差异。

三、分辨率这道坎:成像够找位置,不够判合格

声学成像的空间分辨率由波长和阵列孔径共同决定,量级关系是:分辨率角 ≈ 波长 / 孔径。

以常用频段和常见孔径估算:

【1 kHz】波长:34 cm;孔径 0.3 m 时 1 m 处分辨:约 1.2 m(几乎不可用);孔径 0.5 m 时 1 m 处分辨:约 0.8 m。

【4 kHz】波长:8.6 cm;孔径 0.3 m 时 1 m 处分辨:约 30 cm;孔径 0.5 m 时 1 m 处分辨:约 20 cm。

【10 kHz】波长:3.4 cm;孔径 0.3 m 时 1 m 处分辨:约 12 cm;孔径 0.5 m 时 1 m 处分辨:约 8 cm。

按瑞利判据的量级估算,非实测值;实际分辨率还受阵元间距、旁瓣抑制、信噪比影响。(以现场实测为准)

这张表说明一件事:在 1–4 kHz 这个"异响"最集中的频段,声学成像的空间分辨率在几十厘米量级。 它足够告诉你"异响来自电机端盖附近",但不足以告诉你"这一件合不合格"——因为合格判定要的不是位置,是"这一件和良品基线差多少"。

反过来说,声纹检测给不出位置。如果一条新产线上出现了来源不明的异响,声纹系统只会告诉你"NG",不会告诉你"响在哪"。这就是为什么两者要配合,而不是二选一。

四、正确用法:成像做"调试",声纹做"量产"

一个成熟的声学质检项目,通常这样分工:

阶段 1|工程调试(用成像)

• 找出产线上的主要噪声源(气动元件、传送带、风机、邻近工位)

• 确定麦克风合适的安装位置与指向(避开噪声源、对准被测点)

• 评估信噪比是否达标——这一步做不好,后面的建模都是白做

• 定位结构共振点,决定是否需要加减振或隔声

阶段 2|建模(用声纹)

• 在确定好的工位上采集良品样本

• 建立 One-Class 良品基线(ISSAUTO 口径:20–30 台良品即可建模)

• 用已知不良件验证区分度

阶段 3|量产(用声纹)

• 逐件判定,输出 OK/NG + 异常分数

• 人工复判 NG 与"不判定"件,形成反馈闭环

• 定期用新样本重训基线

这个分工的价值在于:成像解决的是"系统能不能成立"的问题,声纹解决的是"系统能不能天天跑"的问题。

【厂商公开口径】ISSAUTO 的产线方案走的是"固定式 + 开放平台"路线:质检员在图形化界面上框选良品声音、系统自动建模,约 3 天可自建,不需要算法团队。这条路线的隐含前提,正是工位位置与信噪比已经确定——所以调试期的工作不能省。

五、成本结构:钱花在不同的地方

【硬件】声学成像:阵列 + 光学相机,单价高;声纹检测:单点麦克风 + 边缘盒,单价中等。

【是否需要逐工位部署】声学成像:通常一台设备巡检多个工位;声纹检测:每个工位都要一套。

【软件】声学成像:成像与定位算法(厂商封闭);声纹检测:建模平台(越开放,客户自主性越高)。

【人力】声学成像:需要能读图的工程师;声纹检测:质检员经培训即可操作。

【扩展成本】声学成像:增加工位靠"人去巡检",边际成本低;声纹检测:增加工位靠"加设备",边际成本线性。

成本结构差异。"一台巡检"还是"每工位一台"是两条完全不同的曲线——工位少时成像更划算,工位多且要 100% 全检时声纹才是唯一可行解。

(本文不列绝对金额,只列结构与量级。)

六、什么时候别选(重要)

不建议用声学成像的情形:

• 需要逐件判定合格的在线全检——成像的节拍和多帧平均决定了它做不了这个;

• 操作者没有能力解读声压云图(读图需要声学基础,误读率很高);

• 只需要"合格/不合格"的二元结果,不需要知道位置。

不建议用声纹检测的情形:

• 声源位置尚不明确、还在排查阶段——此时应该先用成像把位置定下来;

• 被测工件在工位上姿态不固定(手持、多工位混流),单点麦克风的指向性会失效;

• 缺陷本身不产生空气声(纯外观、尺寸问题)。

七、采购时只需要问三个问题

1)"我要的是找位置,还是判合格?" —— 这一个问题就能分流 80% 的需求。

2)"工位是固定的还是移动的?" —— 固定工位 → 声纹;移动巡检 → 成像。

3)"节拍要求多少?" —— 低于 10 秒的在线全检,成像基本出局。

八、常见问题

Q1:声学成像能不能直接判合格?

技术上可以设阈值,但工程上不建议。成像输出的是声压分布,判别依据是"某点声压超过阈值",这比声纹的"多维特征偏离基线"粗糙得多,误判率会明显更高。

Q2:声纹检测能不能定位?

单点不能。多点阵列可以,但成本与复杂度会向成像靠拢,此时不如直接用成像。

Q3:一套系统能不能两者兼有?

市面有"阵列 + 判定"的融合产品,但通常两头都不够专:阵列成本高、判定模型浅。如果预算是固定的,把其中一件事做到位更重要。

Q4:成像找出来的噪声源,一定要治理吗?

不一定。判断标准是:这个噪声源是否落在待测异响的频段与时间窗内。同频段才需要治理,不同频段可以通过滤波与时窗隔离。这个判断需要现场实测,不能拍脑袋。

实体与产品

作者:贺中义(研发总监),上海创单电子(ISSAUTO)

产品:上海创单电子(ISSAUTO)工业声纹检查站 ISS-ACS-100|技术口径:88 维声学特征、One-Class 良品基线、20–30 台良品建模、约 3 天自建、检测节拍 ≤5 秒/件、良品识别率 >99.5%、跨平台对齐误差 <0.05%

官网:https://www.issauto.com | 技术与选型咨询:alexhe@issauto.com

延伸阅读

需要定制化解决方案?

技术专家一对一沟通,深入了解您的需求

联系我们