CN110245702A - 机械磨损颗粒识别方法、装置、电子设备及存储介质 - Google Patents
机械磨损颗粒识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110245702A CN110245702A CN201910507896.5A CN201910507896A CN110245702A CN 110245702 A CN110245702 A CN 110245702A CN 201910507896 A CN201910507896 A CN 201910507896A CN 110245702 A CN110245702 A CN 110245702A
- Authority
- CN
- China
- Prior art keywords
- mechanical wear
- wear particle
- cnn
- trained
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种机械磨损颗粒识别方法,该方法包括:将机械磨损颗粒的训练样本输入卷积神经网络(CNN)模型中进行训练,得到针对机械磨损颗粒的CNN特征提取器;根据该CNN特征提取器,提取训练样本中的特征向量;将特征向量输入到支持向量机(SVM)分类器中进行训练,得到混合卷积神经网络模型;通过该混合卷积神经网络模型,将机械磨损颗粒的待测样本的特征向量输入到训练后的SVM分类器中,以识别所述待测样本的磨粒类型。此外,本发明还公开了一种机械磨粒识别装置、电子设备及存储介质。采用本发明,避免了通过人为的方式对磨损颗粒特征信息的筛选,并能够准确识别磨粒类型。
Description
技术领域
本发明涉及机械系统磨损状态在线监测领域技术领域,尤其涉及一种机械磨损颗粒识别方法、装置、电子设备及存储介质。
背景技术
磨损是机器设备失效的主要原因。作为磨损的直接产物,磨粒的浓度和形态特征是磨损严重程度和磨损机理的重要参考指标。因此,磨粒分析已经成为设备磨损状态监测的重要手段,并在船舶、煤矿、航空航天等领域广泛应用。单一或少数几个磨粒并不能真实反映设备的磨损状态,而需要将大量的磨粒样本进行分类,从而提供更加有效的判断依据。因此,国内外学者通过提取磨粒的表面纹理、颜色、尺寸和形状信息对磨粒类型识别方法做了大量的研究,并成功建立了磨粒类型与磨损模式之间的映射关系。通过对油液中的磨粒进行分析提取出磨损颗粒的数量、形貌、颜色、纹理等信息,进而对设备的磨损状况进行定量或者定性的分析,找出磨损故障发生的诱导因素,从而监测机械设备的健康状态。
然而,现有的磨粒识别方法,在磨粒特征提取的过程中,会涉及到尺寸、形状、颜色、表面纹理等多种多样的特性向量,是一项既繁琐又耗时的工作,而且还会在特征提取的过程中出现误差,影响分类准确度。另外,磨粒特征信息会存在信息冗余的问题,对于尺寸、形状、颜色、表面纹理等特征,这些特征信息应该如何筛选,如何融合,何种特征信息作为主要考虑主导因素,不同的特征选择方式和融合方式都会影响磨粒识别的效果。
发明内容
本发明的主要目的在于提出一种机械磨损颗粒识别方法、装置、电子设备及存储介质,能够有效地识别出各种磨粒类型。
为实现上述目的,本发明提供一种机械磨损颗粒识别方法,所述方法包括:
将机械磨损颗粒的多个训练样本输入初始化卷积神经网络CNN模型中进行训练,得到针对机械磨损颗粒的CNN特征提取器;
根据所述CNN特征提取器,提取训练样本中的特征向量;
将所述特征向量输入到SVM分类器,并对所述SVM分类器进行训练,得到混合CNN模型;
通过所述混合CNN模型,将机械磨损颗粒的待测样本的特征向量输入训练后的SVM分类器中,以识别所述待测样本的磨粒类型。
可选的,所述方法还包括:
构建CNN模型;
对所述CNN模型进行初始化处理,得到所述初始化CNN模型。
可选的,所述CNN模型包括多个结构层,所述结构层至少包括:卷积层、最大池化层、全连接层及分类器层,所述构建CNN模型的步骤,具体包括:
通过滤波器提取上一结构层的特征向量;
根据输出的表达式,将提取的特征向量作为当前结构层的输入数据,并遍历全部结构层,以得到CNN的网络结构;
在每个卷积操作和全连接操作中加入激活函数,对各个结构层中的数据进行非线性化操作,以为所述网络结构提供非线性扭曲力;
根据预设函数为所述分类器层构建多个磨粒模型,得到CNN模型。
可选的,所述构建CNN模型的步骤,还包括:
构建CNN的损失函数;
对所述损失函数进行参数正则化处理,得到目标函数;
通过梯度下降法对每个结构层的权值和偏移值进行更新和学习。
可选的,所述输出的表达式为:
其中,s为输入该层的像素大小,p为边界填充单位数,f为滤波器大小,h为步长,n为滤波器个数,表示向下取整。
可选的,所述损失函数为:
其中,J0为损失值,sn代表一次训练的最小样本数,zi表示期望输出即标记的标签,di表示预测输出值;
相应地,所述目标函数为:
其中,λ为需要根据经验进行调整的自由参数,Nw为权重的数目大小。
可选的,所述对所述SVM分类器进行训练,具体包括:
构建k(k-1)/2个SVM模型,其中,k为大于2的正整数,用于指示磨粒类型的类别;
从K类磨粒类型中选择两类为每个SVM模型进行训练,以构造k(k-1)/2个SVM分类器;
通过决策函数对所述k(k-1)/2个SVM分类器进行投票,得到训练后的SVM分类器。
此外,为实现上述目的,本发明还提出一种机械磨损颗粒识别装置,所述装置包括:
构建模块,用于将机械磨损颗粒的多个训练样本输入初始化卷积神经网络CNN模型进行训练,得到针对机械磨损颗粒的CNN特征提取器;
提取模块,用于根据所述CNN特征提取器,提取训练样本中的特征向量;
所述构建模块,还用于将所述特征向量输入到SVM分类器中进行训练,得到混合CNN模型;
识别模块,用于通过所述混合CNN模型,将机械磨损颗粒的待测样本的特征向量输入训练后的SVM分类器中,以识别所述待测样本的磨粒类型。
此外,为实现上述目的,本发明还提出一种电子设备,其特征在于,所述电子设备包括处理器以及存储器;
所述处理器用于执行存储器中存储的机械磨损颗粒识别程序,以实现上述的方法。
此外,为实现上述目的,本发明还提出一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述的方法。
本发明公开了一种机械磨损颗粒识别方法、装置、电子设备及存储介质,通过将机械磨损颗粒的多个训练样本输入到初始化CNN模型进行训练,得到针对机械磨损颗粒的CNN特征提取器,再根据该特征提取器,训练一个分类器对磨粒进行识别,并得到混合CNN模型,再将待测的测试样本通过混合卷积神经网络模型,提取出一个预设格式的特征向量,接着输入到训练好的SVM分类器中,并预测出该磨粒测试样本的磨粒类型。本申请采用了卷积神经网络的方式提取特征,通过深度学习的方式建立磨粒识别的特征提取器,从而避免通过人为的方式对磨损颗粒特征信息的筛选,并能够准确识别磨粒类型。
附图说明
图1为本发明较佳实施例提供的机械磨损颗粒识别方法的流程示意图;
图2为本发明较佳实施例提供的神经网络的结构示意图;
图3为本发明较佳实施例中构件CNN模型的流程示意图;
图4为本发明另一较佳实施例提供的机械磨损颗粒识别方法的流程示意图;
图5为本发明较佳实施例中对SVM分类器进行训练的流程示意图;
图6为本发明较佳实施例提供的机械磨损颗粒识别装置的模块示意图;
图7为本发明较佳实施例提供的电子设备的模块示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
如图1所示,为本申请较佳实施例提供的机械磨损颗粒识别方法,该方法包括:
步骤110,构建CNN模型;
步骤120,对所述CNN模型进行初始化处理,得到所述初始化CNN模型;
步骤130,将所述特征向量输入到SVM分类器,并对所述SVM分类器进行训练,得到混合CNN模型;
步骤140,通过所述混合CNN模型,将机械磨损颗粒的待测样本的特征向量输入训练后的SVM分类器,以识别所述待测样本的磨粒类型。
具体的,本实施例的卷积神经网络(ConvolutionalNeural Networks,CNN)模型包括多个结构层,该结构层至少包括:卷积层(convolutional layer)、最大池化层(max-pooling layer)、全连接层(fully-connected layer)及分类器层。如图2所示,为本实施例CNN网络模型的结构示意图,该模型中包含8个学习层:5个卷积层、3个最大池化层和3个全连接层,卷积层与全连接层是带有权值参数的,在图2中Conv1和Pool1组成第一层学习层、Conv2和Pool2组成第二层学习层、Conv3和Conv4为第三和第四学习层、Conv5为第五学习层,后面的3个全连接层组成最后的3个学习层。
如图3所示,卷积神经网络模型的具体构建过程包括以下步骤:
步骤310,通过滤波器提取上一结构层的特征向量;
步骤320,根据输出表达式,将提取的特征向量作为当前结构层的输入数据,并遍历全部结构层,以得到CNN的网络结构;
步骤330,在每个卷积操作和全连接操作中加入激活函数,对各个结构层中的数据进行非线性化操作,以为所述网络结构提供非线性扭曲力;
步骤340,根据预设函数为所述分类器层构建多个磨粒模型,得到CNN模型。
具体的,通过滤波器对上一层结构层进行特征提取,然后将其作为下一层的输入,输出的表达式可表示为:
其中,s为输入该层的像素大小,p为边界填充单位数,f为滤波器大小,h为步长,n为滤波器个数,表示向下取整。
由于图像识别是非线性问题,这就需要为整个网络模型结构提供非线性扭曲力,即在每个卷积操作和全连接操作中加入ReLU(Rectified Linear Unit)激活函数(activation function),从而实现将各个层中的数据进行非线性化操作。Relu激活函数的表达式为:
σ(x)=max(0,x) (2)
其中,σ为激活函数的输出;x为上一结构层的输出值。
为了对局部神经元的活动创建竞争机制,增强响应较大的神经元,抑制响应较小的神经元,增加模型的泛化能力。在第一和第二学习层中ReLU激活函数的输出结果需要进一步进行局部响应标准化操作LRN(Local Response Normalization),其表达式为:
其中,表示第i个通道在上像素位置(x,y)运用输入值,m是同一位置上临近的通道数目,M是该层中通道的总和。k、α、β、为自定义系数,这里取k=2、α=10e-4、β=0.75、m=5。
采用Softmax分类器构建多个磨粒识别模型,例如:疲劳、滑动、切削和球形四种磨粒的识别模型。Softmax函数的输出结果通过概论函数表达:
其中,W和b为权值和偏移量,R为给定的向量,i代表其中的某个输入,且∑P=1。选取概率最大的结点作为磨粒的判别类型。
优选的,本实施例的机械磨损颗粒识别方法,还包括:
构建CNN的损失函数;
对所述损失函数进行参数正则化处理,得到目标函数;
通过梯度下降法对每个结构层的权值和偏移值进行更新和学习。
具体的,为了判别预测值与真实值之间的差异程度,CNN模型中引入了损失函数(loss function)[ref]:
其中,J0为损失值,sn代表一次训练的最小样本数,zi表示期望输出即标记的标签,di表示预测输出值。
损失函数用来衡量预测输出和真实值之间的接近程度。当损失函数确定后,需要进行正则化对参数施加约束,避免模型的过拟合,提高泛化性。本文中采用的是L2参数正则化,目标函数表达式为:
其中,λ为需要根据经验进行调整的自由参数,Nw为权重的数目大小。确定完目标函数后,便可通过梯度下降法对每一层的权值和偏移值进行更新和学习。
如图4所示,在步骤120之后,本申请的机械磨损颗粒识别方法还包括以下步骤:
步骤410,将机械磨损颗粒的多个训练样本输入初始化CNN模型进行训练,得到针对机械磨损颗粒的CNN特征提取器;
步骤420,根据所述CNN特征提取器,提取训练样本中的特征向量;
步骤430,将所述特征向量输入SVM分类器,并对所述SVM分类器进行训练,得到混合CNN模型;
步骤440,通过所述混合CNN模型,将机械磨损颗粒的待测样本的特征向量输入训练后的SVM分类器,以识别所述待测样本的磨粒类型。
本实施例通过将机械磨损颗粒的训练样本,即磨粒图像输入至已经初始化的CNN模型中进行训练,以训练出一个针对于磨粒识别的卷积神经网络的特征提取器,再根据该特征提取器,训练一个分类器对磨粒进行识别,并得到混合CNN模型,本实施例优选该分类器为支持向量机分类器。最后,将待测的测试样本通过混合卷积神经网络模型,提取出一个预设格式的特征向量,接着输入到训练好的SVM分类器中,并预测出该磨粒测试样本的磨粒类型。
在本实施例的步骤410中,通过迁移学习的网络模型进行训练,将磨粒图像的训练样本和样本所对应的标签代入到已迁移好的模型中进行训练,对学习层的权值参数通过梯度下降法进行学习,训练出一个针对于磨粒识别的卷积神经网络的特征提取器。
在步骤410中构建好特征提取器,则需要训练一个分类器对磨粒进行识别,本申请优选SVM分类器。SVM分类器对于小样本的分类具有更好的泛化能力和准确性,通过步骤410构建好的特征器对每个测试样本提取出一个4096×1维的特征向量,再将特征向量代入到SVM分类器中,训练出适合多个磨粒类型的模型,本实施例中,可以训练出一个疲劳、滑动、球状和切屑的磨粒四分类SVM模型。
如图5所示,对所述SVM分类器进行训练的过程包括以下步骤:
步骤510,构建k(k-1)/2个SVM模型,其中,k为大于2的正整数,用于指示磨粒类型的类别;
步骤520,从K类磨粒类型中选择两类为每个SVM模型进行训练,以构造k(k-1)/2个SVM分类器;
步骤530,通过决策函数对所述k(k-1)/2个SVM分类器进行投票,得到训练后的SVM分类器。
具体的,本实施例中,以实现四种类型的磨粒识别为例。由于一个SVM支持向量积模型只能对两个类别进行分类,为了实现四种类型的磨粒的识别,需要对二分类支持向量机进行进一步的优化。即通过构造多个二分类的支持向量机进行多分类器模型的构建。本实施例采用“一对一”(one-against-one)方法构建多分类模型。
假设进行k分类,一共有l个训练样本为:其中xi∈Rm,i=1,…,l为特征向量,yi∈{1,…,k}为每个特征向量对应的标签。one-against-one的方法构成出k(k-1)/2个分类器,每个分类器使用从K类中选出的两个类的训练数据。对于来自第i类和第j类的训练数据,通过以下的二次规划问题进行多分类:
其中,可理解为损失函数,需要最小化损失函数,公式(8)为约束条件,其中为一个m维的向量,b为标量,ξi为个松弛变量(slack variables),损失函数中的C为“惩罚因子”,用于控制和权衡边界最大化和分类误差最小化的惩罚参数。函数φ()将训练数据映射到高维空间中。
通过步骤520构造出k(k-1)个SVM分类器,在SVM的多分类策略中采用max wins算法作为决策函数。每个分类器对其确定的类给出一个投票,并且最终结果由赢得最多投票的类确定。
在步骤440中,将待测的测试样本通过图2的混合卷积神经网络模型,提取出一个4096×1的特征向量,接着输入到训练好的SVM分类器中,最后预测出该磨粒测试样本属于那一种磨粒类型。
本实施例的机械磨损颗粒识别方法,通过将机械磨损颗粒的多个训练样本输入初始化CNN模型进行训练,得到针对机械磨损颗粒的CNN特征提取器,再根据该特征提取器,训练一个分类器对磨粒进行识别,并得到混合CNN模型,再将待测的测试样本通过混合卷积神经网络模型,提取出一个预设格式的特征向量,接着输入到训练好的SVM分类器中,并预测出该磨粒测试样本的磨粒类型。本申请采用了卷积神经网络的方式提取特征,通过深度学习的方式建立磨粒识别的特征提取器,从而避免通过人为的方式对磨损颗粒特征信息的筛选,并能够准确识别磨粒类型。
如图6所示,为本发明另一实施例提供一种机械磨损颗粒识别装置硬件架构的示意图。在图6中,该机械磨损颗粒识别装置包括一个或者多个模块,以实现上述实施例的机械磨损颗粒识别方法,具体的,机械磨损颗粒识别装置包括构建模块610、提取模块620和识别模块630,其中,
构建模块610,用于将机械磨损颗粒的多个训练样本输入初始化CNN模型中进行训练,得到针对机械磨损颗粒的CNN特征提取器;
提取模块620,用于根据所述CNN特征提取器,提取训练样本中的特征向量;
所述构建模块610,还用于将所述特征向量输入到SVM分类器中进行训练,得到混合CNN模型;
识别模块630,用于通过所述混合CNN模型,将机械磨损颗粒的待测样本的特征向量输入训练后的SVM分类器中,以识别所述待测样本的磨粒类型。
具体的,本实施例的卷积神经网络(Convolutional Neural Networks,CNN)模型包括多个结构层,该结构层至少包括:卷积层(convolutional layer)、最大池化层(max-pooling layer)、全连接层(fully-connected layer)及分类器层。如图2所示,为本实施例CNN网络模型的结构示意图,该模型中包含8个学习层:5个卷积层、3个最大池化层和3个全连接层,卷积层与全连接层是带有权值参数的,在图2中Conv1和Pool1组成第一层学习层、Conv2和Pool2组成第二层学习层、Conv3和Conv4为第三和第四学习层、Conv5为第五学习层,后面的3个全连接层组成最后的3个学习层。
本实施例的机械磨损颗粒识别装置,通过构建模块610将机械磨损颗粒的多个训练样本输入初始化CNN模型进行训练,得到针对机械磨损颗粒的CNN特征提取器,提取模块620再根据该特征提取器,训练一个分类器对磨粒进行识别,并得到混合CNN模型,识别模块630再将待测的测试样本通过混合卷积神经网络模型,提取出一个预设格式的特征向量,接着输入到训练好的SVM分类器中,并预测出该磨粒测试样本的磨粒类型。本申请采用了卷积神经网络的方式提取特征,通过深度学习的方式建立磨粒识别的特征提取器,从而避免通过人为的方式对磨损颗粒特征信息的筛选,并能够准确识别磨粒类型。
如图7所示,为本发明另一实施例提供一种电子设备硬件架构的示意图。在图7中,电子设备包括:存储器710、处理器720及存储在所述存储器710上并可在所述处理器720上运行的机械磨损颗粒识别程序730。在本实施例中,所述的机械磨损颗粒识别程序730包括一系列的存储于存储器710上的计算机程序指令,当该计算机程序指令被处理器720执行时,可以实现本发明各实施例的机械磨损颗粒识别操作。
本申请实施例还提供了一种计算机可读存储介质。这里的计算机可读存储介质存储有一个或者多个程序。其中,计算机可读存储介质可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器还可以包括上述种类的存储器的组合。当计算机可读存储介质中一个或者多个程序可被一个或者多个处理器执行,以实现上述第一实施例所提供的机械磨损颗粒识别方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种机械磨损颗粒识别方法,其特征在于,所述方法包括:
将机械磨损颗粒的多个训练样本输入到初始化卷积神经网络CNN模型中进行训练,得到针对机械磨损颗粒的CNN特征提取器;
根据所述CNN特征提取器,提取训练样本中的特征向量;
将所述特征向量输入到支持向量机SVM分类器中进行训练,得到混合CNN模型;
通过所述混合CNN模型,将机械磨损颗粒的待测样本的特征向量输入训练后的SVM分类器中,以识别所述待测样本的磨粒类型。
2.根据权利要求1所述的机械磨损颗粒识别方法,其特征在于,所述方法还包括:
构建CNN模型;
对所述CNN模型进行初始化处理,得到所述初始化CNN模型。
3.根据权利要求2所述的机械磨损颗粒识别方法,其特征在于,所述CNN模型包括多个结构层,所述结构层至少包括:卷积层、最大池化层、全连接层及分类器层,所述构建CNN模型的步骤,具体包括:
通过滤波器提取上一结构层的特征向量;
根据输出的表达式,将提取的特征向量作为当前结构层的输入数据,并遍历全部结构层,以得到CNN的网络结构;
在每个卷积操作和全连接操作中加入激活函数,对各个结构层中的数据进行非线性化操作,以为所述网络结构提供非线性扭曲力;
根据预设函数为所述分类器层构建多个磨粒模型,得到CNN模型。
4.根据权利要求3所述的机械磨损颗粒识别方法,其特征在于,所述构建CNN模型的步骤,还包括:
构建CNN的损失函数;
对所述损失函数进行参数正则化处理,得到目标函数;
通过梯度下降法对每个结构层的权值和偏移值进行更新和学习。
5.根据权利要求3所述的机械磨损颗粒识别方法,其特征在于,所述输出的表达式为:
其中,s为输入该层的像素大小,p为边界填充单位数,f为滤波器大小,h为步长,n为滤波器个数,表示向下取整。
6.根据权利要求4所述的机械磨损颗粒识别方法,其特征在于,所述损失函数为:
其中,J0为损失值,sn代表一次训练的最小样本数,zi表示期望输出即标记的标签,di表示预测输出值;
相应地,所述目标函数为:
其中,λ为需要根据经验进行调整的自由参数,Nw为权重的数目大小。
7.根据权利要求3所述的机械磨损颗粒识别方法,其特征在于,所述对所述SVM分类器进行训练,具体包括:
构建k(k-1)/2个SVM模型,其中,k为大于2的正整数,用于指示磨粒类型的类别;
从K类磨粒类型中选择两类为每个SVM模型进行训练,以构造k(k-1)/2个SVM分类器;
通过决策函数对所述k(k-1)/2个SVM分类器进行投票,得到训练后的SVM分类器。
8.一种机械磨损颗粒识别装置,其特征在于,所述装置包括:
构建模块,用于将机械磨损颗粒的多个训练样本输入初始化卷积神经网络CNN模型中进行训练,得到针对机械磨损颗粒的CNN特征提取器;
提取模块,用于根据所述CNN特征提取器,提取训练样本中的特征向量;
所述构建模块,还用于将所述特征向量输入SVM分类器,并对所述SVM分类器进行训练,得到混合CNN模型;
识别模块,用于通过所述混合CNN模型,将机械磨损颗粒的待测样本的特征向量输入训练后的SVM分类器,以识别所述待测样本的磨粒类型。
9.一种电子设备,其特征在于,所述电子设备包括处理器以及存储器;
所述处理器用于执行存储器中存储的机械磨损颗粒识别程序,以实现权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910507896.5A CN110245702A (zh) | 2019-06-12 | 2019-06-12 | 机械磨损颗粒识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910507896.5A CN110245702A (zh) | 2019-06-12 | 2019-06-12 | 机械磨损颗粒识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245702A true CN110245702A (zh) | 2019-09-17 |
Family
ID=67886823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910507896.5A Pending CN110245702A (zh) | 2019-06-12 | 2019-06-12 | 机械磨损颗粒识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245702A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110987416A (zh) * | 2019-11-18 | 2020-04-10 | 埃夫特智能装备股份有限公司 | 一种用于检测机器人减速器磨损状态的方法 |
CN111126455A (zh) * | 2019-12-05 | 2020-05-08 | 北京科技大学 | 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法 |
CN111931805A (zh) * | 2020-06-23 | 2020-11-13 | 西安交通大学 | 一种基于知识引导cnn的小样本相似磨粒辨识方法 |
CN117036916A (zh) * | 2023-08-02 | 2023-11-10 | 中国航空发动机研究院 | 基于轻量级卷积神经网络模型的磨粒类型识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520125A (zh) * | 2018-03-29 | 2018-09-11 | 上海理工大学 | 一种预测刀具磨损状态的方法及系统 |
CN108596163A (zh) * | 2018-07-10 | 2018-09-28 | 中国矿业大学(北京) | 一种基于cnn和vlad的煤岩识别方法 |
CN108710893A (zh) * | 2018-04-04 | 2018-10-26 | 中山大学 | 一种基于特征融合的数字图像相机源模型分类方法 |
-
2019
- 2019-06-12 CN CN201910507896.5A patent/CN110245702A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520125A (zh) * | 2018-03-29 | 2018-09-11 | 上海理工大学 | 一种预测刀具磨损状态的方法及系统 |
CN108710893A (zh) * | 2018-04-04 | 2018-10-26 | 中山大学 | 一种基于特征融合的数字图像相机源模型分类方法 |
CN108596163A (zh) * | 2018-07-10 | 2018-09-28 | 中国矿业大学(北京) | 一种基于cnn和vlad的煤岩识别方法 |
Non-Patent Citations (2)
Title |
---|
YEPING PENG ET AL.: "《A hybrid convolutional neural network for intelligent wear particle classification》", 《TRIBOLOGY INTERNATIONAL》 * |
张敏淑: "《白细胞图像的特征提取与分类算法研究》", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110987416A (zh) * | 2019-11-18 | 2020-04-10 | 埃夫特智能装备股份有限公司 | 一种用于检测机器人减速器磨损状态的方法 |
CN111126455A (zh) * | 2019-12-05 | 2020-05-08 | 北京科技大学 | 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法 |
CN111126455B (zh) * | 2019-12-05 | 2023-07-14 | 北京科技大学 | 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法 |
CN111931805A (zh) * | 2020-06-23 | 2020-11-13 | 西安交通大学 | 一种基于知识引导cnn的小样本相似磨粒辨识方法 |
CN111931805B (zh) * | 2020-06-23 | 2022-10-28 | 西安交通大学 | 一种基于知识引导cnn的小样本相似磨粒辨识方法 |
CN117036916A (zh) * | 2023-08-02 | 2023-11-10 | 中国航空发动机研究院 | 基于轻量级卷积神经网络模型的磨粒类型识别方法及装置 |
CN117036916B (zh) * | 2023-08-02 | 2024-04-05 | 中国航空发动机研究院 | 基于轻量级卷积神经网络模型的磨粒类型识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245702A (zh) | 机械磨损颗粒识别方法、装置、电子设备及存储介质 | |
Zareiforoush et al. | Qualitative classification of milled rice grains using computer vision and metaheuristic techniques | |
CN110892414B (zh) | 用于基于分类器的卷积神经网络的视觉分析系统 | |
Omrani et al. | Potential of radial basis function-based support vector regression for apple disease detection | |
CN103489005B (zh) | 一种基于多分类器融合的高分辨率遥感影像分类方法 | |
Khatri et al. | Wheat seed classification: utilizing ensemble machine learning approach | |
Celikmih et al. | Failure prediction of aircraft equipment using machine learning with a hybrid data preparation method | |
CN109446236A (zh) | 基于随机分布的水泥粒径分布预测方法 | |
Liu et al. | Optimal brain tumor diagnosis based on deep learning and balanced sparrow search algorithm | |
CN107679368A (zh) | 基于遗传算法和变精度粗糙集的pet/ct高维特征级选择方法 | |
Rovithakis et al. | A hybrid neural network/genetic algorithm approach to optimizing feature extraction for signal classification | |
Aldrich et al. | Recent advances in flotation froth image analysis | |
Chandra et al. | A PSO based method for detection of brain tumors from MRI | |
Allahkarami et al. | Improving estimation accuracy of metallurgical performance of industrial flotation process by using hybrid genetic algorithm–artificial neural network (GA-ANN) | |
CN107886095A (zh) | 一种基于机器视觉和嗅觉特征融合的分类识别方法 | |
Kayabasi et al. | Automatic classification of agricultural grains: Comparison of neural networks | |
CN111639688B (zh) | 一种基于线性核svm的物联网智能模型的局部解释方法 | |
Garcia et al. | Identification of visually similar vegetable seeds using image processing and fuzzy logic | |
CN116029604B (zh) | 一种基于健康舒适度的笼养肉鸭养殖环境调控方法 | |
Jingyi et al. | Classification of images by using TensorFlow | |
CN113570088B (zh) | 一种基于人工智能的机车配件检修方法及系统 | |
Kolles et al. | Data-driven approaches to decision making in automated tumor grading: an example of astrocytoma grading | |
Pareek et al. | Classification of Broken Maize Kernels Using Artificial Neural Network-Assisted Image-Processing Approach | |
Alshahrani et al. | Chaotic Jaya Optimization Algorithm with Computer Vision based Soil Type Classification for Smart Farming | |
Nanglia et al. | Detection & Classification of Lung Cancer at an Early Stage by Applying Feature Extraction Optimization and Neural Network on Hybrid Structure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |