为加强研究生学术交流活动，推进学术创新，特开通“研究生学术报告预告区”。我校研究生和教师可以在预告区及时发布和了解有关研究生学术报告的信息，届时参加。也可就某学术报告展开专题讨论与交流。
玻璃是最常见的材料之一，广泛应用在各个工业领域，但由于它材质的特殊性， 同时它也是最脆弱、最易受损的材料之一。玻璃制品在制作和运输过程中，会造成沙眼、 夹杂、孔洞、裂纹等缺陷，进而对玻璃的弯曲强度、 抗压强度、 疲劳极限等性能产生影响。 目前，对玻璃制品缺陷的无损检测方法主要有人工法、计算机视觉检测法、 超声波检测法、振动检测法和声学检测法等。其中， 声学检测法是通过分析声音信号来检测发声物体是否存在缺陷的方法， 较其它检测方法而言， 具有操作简单、检测速度快、 受环境影响小和成本低等优点。在实际检测过程中， 通常采用敲击信号来分析物体是否存在缺陷。 由于玻璃材料在制作过程中受多种因素的影响，并且材料的缺陷类型和缺陷部位各异，导致所采集的敲击信号中含有较多的干扰信息， 难以对材料缺陷形成精确的描述，所以多年来，只能凭借经验来判断其中有用的特征。神经网络具有自学习、非线性等优点，将其应用在声学检测中，可以实现对缺陷的自动识别。 目前， 神经网络主要是和计算机视觉、超声波等检测技术相结合， 实现对管道、 桥梁和复合材料等结构的检测。 Valada 等提取环境中声音信号的深度频谱特征，将其作为神经网络的输入参数，来实现对于异常环境的检测。这种方法需要的数据量较大，所以神经网络的训练时间很长，难以满足应用的实时性要求。如何从敲击信号中提取出能全面代表材料缺陷的特征，并减少神经网络的训练时间，是神经网络技术应用于声学检测中亟待解决的问题。针对以上问题，提出一种基于 BP 神经网络的声学缺陷检测算法，首先在不同的变换域中提取敲击信号的特征，然后在保证检测效果的前提下， 以平均互信息量最小化为原则对特征矩阵进行特征选择， 选择后的特征子集作为神经网络的输入，使得网络的训练时间大为缩短。本文将该算法应用在玻璃瓶的敲击信号中， 实现了对玻璃瓶缺陷的自动检测。