Detección de ruido anómalo: de los oídos humanos a la IA

Con el rápido crecimiento de productos de audio de consumo como auriculares, altavoces y wearables, las expectativas de los usuarios sobre el "buen sonido" han ido mucho más allá de simplemente poder oír con claridad. Ahora quieren un sonido cómodo, limpio y libre de ruidos adicionales de crujidos, chasquidos o rasguños.

Sin embargo, en la mayoría de las fábricas, las pruebas de ruido anómalo siguen dependiendo en gran medida de la escucha humana. Los turnos, las diferencias subjetivas entre operarios, la fatiga y el estado emocional afectan directamente a su rendimiento de primera pasada y a la reputación de su marca.

En este artículo, basado en la experiencia real de proyectos de CRYSOUND con inspección de escucha mediante IA para auriculares TWS, hablaremos de cómo utilizar la IA para "liberar los oídos humanos" de la línea de producción y hacer que las pruebas de escucha sean realmente estables, eficientes y repetibles.

¿Por qué la prueba de escucha de audio es tan intensiva en mano de obra?

En configuraciones tradicionales, la línea de producción suele seguir este patrón:

prueba electroacústica automática + re-verificación de escucha manual.

Los puntos débiles de la escucha manual son muy claros:

• Fuerte subjetividad: diferentes oyentes tienen distinta sensibilidad a ruidos como "crujidos" o "rasguños". Incluso la misma persona puede juzgar de forma inconsistente entre los turnos de mañana y de noche.
• Escasa escalabilidad: la escucha humana requiere una gran concentración, y es fácil fatigarse durante periodos prolongados. Es difícil mantener un UPH alto en la producción en masa.
• Alto coste de formación: un oyente cualificado necesita una formación sistemática y una acumulación de experiencia a largo plazo, y los nuevos operarios tardan en alcanzar el nivel requerido.
• Resultados difíciles de rastrear: los juicios subjetivos son difíciles de convertir en datos cuantitativos e históricos, lo que dificulta el análisis y la mejora de la calidad posteriores.

Por eso, desde hace tiempo el sector busca una forma de utilizar la automatización y los algoritmos para realizar este trabajo de manera más estable y económica, sin sacrificar la sensibilidad del "oído humano".

De "oídos humanos" a "oídos de IA": enfoque global de CRYSOUND

La respuesta de CRYSOUND es una plataforma de pruebas estandarizada construida en torno al sistema de prueba de ruido anómalo de CRYSOUND, combinada con algoritmos de escucha basados en IA y útiles de fijación dedicados para formar una solución completa e integrada de hardware y software.

Características clave de la solución:

• Plataforma estandarizada y multipropósito: diseño modular que admite tanto pruebas convencionales de audio/ruido de altavoces SPK como pruebas de ruido anómalo y escucha con IA.
• Pruebas paralelas 1 a 2: un único sistema puede probar dos auriculares al mismo tiempo. En proyectos típicos, el UPH puede alcanzar unas 120 piezas.
• Módulo de análisis de escucha con IA: al recopilar datos de unidades buenas para construir un modelo, el sistema identifica automáticamente las unidades con ruido anómalo, reduciendo significativamente los puestos de escucha manual.
• Entorno de prueba de bajo ruido: una cámara acústica de alto rendimiento más una estructura de caja interna controlan el ruido de fondo en torno a 12 dBA, proporcionando un entorno acústico estable para el algoritmo de IA.

En términos sencillos, la solución es:

Un banco de pruebas estandarizado + un útil de fijación dedicado + un algoritmo de escucha con IA.

Ruta típica de la señal de prueba

Con el host de prueba como centro, la cadena unificada "laboratorio + línea de producción" es la siguiente:

• PC host → Adaptador Bluetooth CRY576 → Auriculares TWS
• Los auriculares emiten sonido, capturado por el simulador de oído CRY718-S01
• La señal se adquiere y analiza mediante el analizador electroacústico CRY6151B
• El software llama al módulo de algoritmo de escucha con IA, realiza un análisis automático de los datos WAV y genera un resultado PASS/FAIL

Útiles de fijación y cámara acústica: minimización de la variación entre estaciones

La postura de colocación del producto y las condiciones de acoplamiento suelen determinar la consistencia de la prueba. La solución reduce la variación de las pruebas mediante el diseño de los útiles de fijación y la cámara, para fijar las condiciones de prueba tanto como sea posible:

• Útil de fijación: hendidura conformada de goma blanda.
• La hendidura conformada garantiza que el auricular se coloque siempre contra el oído artificial en la misma postura, reduciendo errores de posición y la variación de las pruebas.
• La goma blanda mejora el sellado y evita daños mecánicos en los auriculares.
• Caja acústica: amortiguación y aislamiento acústico de la caja interna.
• Esto reduce el impacto de las vibraciones mecánicas externas y del ruido ambiental en los resultados de las mediciones.

Hardware acústico de nivel profesional (configuración de ejemplo)

Analizador electroacústico CRY6151B

• Rango de frecuencia de 20 a 20 kHz, bajo ruido de fondo y alto rango dinámico, que integra tanto la salida de señal como la entrada de medición.

Conjunto de simulador de oído CRY718-S01

• Cumple los requisitos pertinentes de la IEC / ITU. Con configuraciones/condiciones adecuadas, el ruido propio del sistema puede alcanzar el nivel de 12 dBA.

Cámara acústica apantallada CRY725D

• Integra apantallamiento RF y aislamiento acústico, adaptada a los escenarios de prueba de TWS.

Algoritmo de IA: cómo la detección no supervisada de anomalías "reconoce lo anómalo"

Flujo de entrenamiento: solo se necesitan auriculares "buenos"

La solución de escucha con IA de CRYSOUND utiliza un algoritmo no supervisado de detección de sonidos anómalos. Su mayor ventaja es que no requiere recopilar de antemano muchas muestras anómalas: solo se necesitan unidades normales y buenas para entrenar un modelo que "entienda el buen sonido".

En proyectos reales, los pasos típicos son los siguientes:

• Preparar no menos de 100 unidades buenas. En las mismas condiciones que las pruebas de producción en masa, recopilar datos WAV de estas 100 unidades.
• Entrenar el modelo utilizando estos datos de unidades buenas (por ejemplo, 100 muestras de 10 segundos cada una; el entrenamiento suele tardar menos de 1 minuto).
• Utilizar el modelo para probar tanto muestras buenas como defectuosas, comparar la distribución de los resultados y establecer el umbral de decisión.
• Tras el entrenamiento, el modelo puede utilizarse directamente en la producción en masa. El tiempo de predicción para una sola muestra es inferior a 0,5 segundos.

En este proceso, los ingenieros no necesitan etiquetar manualmente cada tipo de ruido anómalo, lo que reduce en gran medida la barrera para introducir el sistema en un nuevo proyecto.

Principio en breve: dejar que el modelo "recuente" primero un sonido normal

De forma aproximada, el algoritmo funciona en tres pasos:

Conversión tiempo-frecuencia

• Convertir la forma de onda grabada en un espectrograma tiempo-frecuencia (como una "imagen del sonido").

Reconstrucción basada en aprendizaje profundo

• Utilizar el modelo de aprendizaje profundo entrenado con "auriculares normales" para reconstruir el espectrograma tiempo-frecuencia.
• Para las muestras normales, el modelo puede, en mayor o menor medida, "reproducir" el espectrograma original. Para las muestras que contienen ruido anómalo, las partes anómalas son difíciles de reconstruir.

Análisis de diferencias

• Comparar el espectrograma original con el reconstruido y calcular la diferencia a lo largo de los ejes de tiempo y frecuencia para obtener dos curvas de diferencia.
• Las muestras anómalas mostrarán picos prominentes o áreas de energía concentrada en estas curvas.

De este modo, el algoritmo desarrolla un ajuste muy sólido al patrón "normal" y se vuelve de forma natural sensible a cualquier desviación de ese patrón, sin necesidad de construir un modelo independiente para cada tipo de ruido anómalo.

En proyectos reales, este algoritmo ya se ha verificado en más de 10 proyectos diferentes, logrando una tasa de detección de defectos de hasta el 99,9%.

Ventajas prácticas de la escucha con IA

• Sin dependencia de muestras anómalas: no es necesario dedicar un enorme esfuerzo a recopilar diversos ejemplos de ruidos de "rasguños" o "eléctricos".
• Se adapta a nuevas anomalías: incluso si aparece un nuevo tipo de sonido anómalo que no estaba presente durante el entrenamiento, siempre que sea significativamente diferente del patrón normal, el algoritmo puede detectarlo igualmente.
• Aprendizaje continuo: se pueden añadir continuamente nuevos datos de unidades buenas para que el modelo se adapte a pequeñas derivas de la línea y del entorno a largo plazo.
• Carga de trabajo manual muy reducida: en lugar de que "todo el mundo escuche", se pasa a "escaneado por IA + inspección por muestreo en pequeños lotes", liberando a las personas para que se centren en trabajos de análisis y optimización de mayor valor.

Un caso típico de despliegue: práctica real en una línea de producción TWS de un ODM

En una línea de producción TWS de un ODM, la producción diaria por línea es del orden de miles de juegos. Para mejorar el rendimiento y reducir la carga de la escucha manual, introdujeron la solución de prueba de ruido anómalo basada en IA:

En esta línea, la escucha con IA ha asumido esencialmente las tareas originales de escucha manual. No solo se ha reducido la plantilla a la mitad, sino que el riesgo de defectos pasados por alto se ha reducido significativamente, proporcionando datos que respaldan la ampliación de la solución a más líneas de producción en el futuro.

Recomendaciones de despliegue: cómo sacar el máximo partido a esta solución

Si está considerando introducir pruebas de ruido anómalo basadas en IA, puede empezar por los siguientes aspectos:

Planificar la recopilación de muestras lo antes posible

• Comience a acumular formas de onda de unidades buenas "confirmadas sin ruido anómalo" durante la construcción de prueba/pequeña fase piloto, para poder adelantarse al entrenamiento de la IA más adelante.

Minimizar la interferencia ambiental

• La estación de pruebas de escucha con IA debe situarse lejos de equipos de alto ruido como máquinas de dispensación y máquinas de soldadura.
• Al apagar las alarmas acústicas, definir pasillos de manipulación de materiales que eviten las estaciones de prueba y reducir la vibración del suelo, puede reducir eficazmente las tasas de falsas detecciones.

Mantener constantes las condiciones de prueba

• Utilice la misma cámara de aislamiento, oído artificial, útiles de fijación y secuencia de prueba tanto en la fase de entrenamiento como en la de producción en masa, para evitar problemas de transferencia del modelo causados por diferencias ambientales.

Mantener un periodo de coexistencia humano-máquina

• En la fase inicial, puede adoptar una estrategia de "100% IA + muestreo manual", y luego pasar gradualmente a "100% IA + una pequeña cantidad de re-verificación de DOA", con el fin de minimizar los riesgos asociados al despliegue.

Conclusión: dejar que las pruebas vuelvan a "mirar los datos" y colocar a las personas donde crean más valor

Las pruebas de escucha con IA, en esencia, son una actualización industrial: pasar de la escucha humana basada en la experiencia a pruebas impulsadas por datos y algoritmos.

Con plataformas de prueba estandarizadas de CRYSOUND, hardware acústico profesional, útiles de fijación específicos para cada producto y algoritmos de IA, CRYSOUND está ayudando a cada vez más clientes a transformar la escucha manual, que consume mucho tiempo, mano de obra y es subjetiva, en algo estable, cuantificable y reutilizable.

Si desea saber más sobre las pruebas de ruido anómalo para auriculares, si está planeando probar la escucha con IA en su línea de producción de próxima generación, o quiere hablar de sus procesos de "blade" e indicadores de inspección, utilice el formulario "Póngase en contacto" que aparece a continuación. Nuestro equipo puede compartir ajustes recomendados y un flujo de trabajo in situ adaptado a sus condiciones de producción.