CN111126455B - 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法 - Google Patents

一种基于Lightweight CNN与SVM的磨粒两阶段识别方法 Download PDF

Info

Publication number
CN111126455B
CN111126455B CN201911235914.5A CN201911235914A CN111126455B CN 111126455 B CN111126455 B CN 111126455B CN 201911235914 A CN201911235914 A CN 201911235914A CN 111126455 B CN111126455 B CN 111126455B
Authority
CN
China
Prior art keywords
abrasive
abrasive particles
stage
model
fos
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.)
Active
Application number
CN201911235914.5A
Other languages
English (en)
Other versions
CN111126455A (zh
Inventor
张桃红
胡俊楠
杨名扬
周明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201911235914.5A priority Critical patent/CN111126455B/zh
Publication of CN111126455A publication Critical patent/CN111126455A/zh
Application granted granted Critical
Publication of CN111126455B publication Critical patent/CN111126455B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (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)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于Lightweight CNN与SVM的磨粒两阶段识别方法，能够在提高磨粒识别效率的同时，提高磨粒识别的准确率。所述方法包括：构建用于磨粒识别的层级模型，其中，层级模型的第一级模型为轻量化卷积神经网络，第二级模型为支持向量机模型；将磨粒图库中标签为疲劳磨粒与滑动磨粒的磨粒类型统一标定为FoS磨粒，利用统一标定后的磨粒图库对第一级模型进行训练，训练好的第一级模型用于实现磨粒四分类；其中，标签包括：非金属磨粒、切削磨粒、球形磨粒、疲劳磨粒和滑动磨粒；针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子，基于提取的径向边缘因子训练第二级模型，训练好的第二级模型用于实现FoS磨粒的再分类。本发明涉及磨粒智能识别领域。

Description

一种基于Lightweight CNN与SVM的磨粒两阶段识别方法
技术领域
本发明涉及磨粒智能识别领域，特别是指一种基于Lightweight CNN与SVM的磨粒两阶段识别方法。
背景技术
大多数机械故障是由严重的摩擦或有害的磨损引起的。摩擦副产生的磨损颗粒(简称：磨粒)包含有磨损速率、磨损严重程度和磨损机理等重要信息。磨损颗粒分析已被公认为是监测机器磨损状态和故障诊断的有效方法。通过对磨损颗粒特征的分析，识别出磨损颗粒的特征，为判断设备当前的磨损程度和磨损失效原因提供依据。图像分析被认为是提供磨粒特征信息的一种非常有效的方法，被广泛用于故障检测和诊断。但是，磨粒特征的选择是一项具有挑战性的工作，既需要对领域专家知识有深刻的理解，又需要学习算法的实现。随着深度学习算法的出现，磨粒分类的特征工程自动化成为可能。深度学习算法能够自动开发其模型的设置和参数，并对期望的输出进行最优预测。深度学习为特征磨粒的自动分类和节省时间提供了优势。而对于易混淆的磨损颗粒，如疲劳磨粒和滑动磨粒，由于深度学习的网络过程中没有特征引导，识别准确率较低。
发明内容
本发明要解决的技术问题是提供一种基于Lightweight CNN与SVM的磨粒两阶段识别方法，以解决现有技术所存在的难以准确识别出易混淆的磨损颗粒的问题。
为解决上述技术问题，本发明实施例提供一种基于Lightweight CNN与SVM的磨粒两阶段识别方法，包括：
构建用于磨粒识别的层级模型，其中，所述层级模型的第一级模型为轻量化卷积神经网络，第二级模型为支持向量机模型；
将磨粒图库中标签为疲劳磨粒与滑动磨粒的磨粒类型统一标定为FoS磨粒，利用统一标定后的磨粒图库对第一级模型进行训练，训练好的第一级模型用于实现磨粒四分类；其中，标签包括：非金属磨粒、切削磨粒、球形磨粒、疲劳磨粒和滑动磨粒；
针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子，基于提取的径向边缘因子训练第二级模型，训练好的第二级模型用于实现FoS磨粒的再分类。
进一步地，所述针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子，基于提取的径向边缘因子训练第二级模型包括：
针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子、长宽之比、圆度和面积，将提取的磨粒的径向边缘因子、长宽之比、圆度和面积作为第二级模型的输入，训练第二级模型。
进一步地，磨粒的径向边缘因子表示为：
Figure BDA0002304876980000021
其中，REF表示磨粒的径向边缘因子，CR表示磨粒特征半径，r表示磨粒的最小内切圆半径。
进一步地，磨粒四分类结果包括：非金属磨粒、切削磨粒、球形磨粒和FoS磨粒。
进一步地，FoS磨粒的再分类结果包括：疲劳磨粒和滑动磨粒。
本发明的上述技术方案的有益效果如下：
上述方案中，在第一级模型中，将疲劳磨粒与滑动磨粒统一标定为FoS磨粒，利用统一标定后的磨粒图库对第一级模型进行训练，训练好的第一级模型能够用于不需要特征工程的自动磨粒分类，分类结果包括：非金属磨粒、切削磨粒、球形磨粒、FoS磨粒这四类；在第二级模型中，利用特征REF训练第二级模型，以实现FoS磨粒的再分类，得到的分类结果包括：疲劳磨粒和滑动磨粒；最终得到五类分类结果：非金属磨粒、切削磨粒、球形磨粒、疲劳磨粒、滑动磨粒。这样，利用轻量化卷积神经网络作为第一级模型，自动提取颗粒特征，快速识别非金属磨粒、切削磨粒、球形磨粒和FoS磨粒，识别准确率高；对于容易混淆的疲劳磨粒和滑动磨粒，在第一级模型中将它们合并为一类(FoS磨粒)，然后利用特征工程方法(例如，SVM)对FoS磨粒进行识别，进一步提高在线磨粒的识别准确率。
附图说明
图1为本发明实施例提供的基于Lightweight CNN与SVM的磨粒两阶段识别方法的流程示意图；
图2为本发明实施例提供的基于Lightweight CNN与SVM的磨粒两阶段识别方法的详细流程示意图；
图3为本发明实施例提供的保持模块的结构示意图；
图4为本发明实施例提供的通道重排操作的原理示意图；
图5为本发明实施例提供的降维模块的结构示意图；
图6为本发明实施例提供的REF特征的CR与r的示意图；
图7为本发明实施例提供的磨粒两阶段识别方法的准确率示意图；
图8为本发明实施例提供的磨粒两阶段识别方法的准确率与迭代次数的关系示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的难以准确识别出易混淆的磨损颗粒的问题，提供一种基于Lightweight CNN与SVM的磨粒两阶段识别方法。
如图1和图2所示，本发明实施例提供的基于Lightweight CNN与SVM的磨粒两阶段识别方法，包括：
构建用于磨粒识别的层级模型，其中，所述层级模型的第一级模型为轻量化卷积神经网络(Lightweight CNN)，第二级模型为支持向量机(SVM)模型；
将磨粒图库(其中，磨粒图库为磨粒图像的集合)中标签为疲劳磨粒与滑动磨粒的磨粒类型统一标定为FoS磨粒，利用统一标定后的磨粒图库对第一级模型进行训练，训练好的第一级模型用于实现磨粒四分类；其中，标签包括：非金属磨粒、切削磨粒、球形磨粒、疲劳磨粒和滑动磨粒；
针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子(REF)，基于提取的径向边缘因子训练第二级模型，训练好的第二级模型用于实现FoS磨粒的再分类。
本发明实施例所述的基于Lightweight CNN与SVM的磨粒两阶段识别方法，在第一级模型中，将疲劳磨粒与滑动磨粒统一标定为FoS磨粒，利用统一标定后的磨粒图库对第一级模型进行训练，训练好的第一级模型能够用于不需要特征工程的自动磨粒分类，分类结果包括：非金属磨粒、切削磨粒、球形磨粒、FoS磨粒这四类；在第二级模型中，利用特征REF训练第二级模型，以实现FoS磨粒的再分类，得到的分类结果包括：疲劳磨粒和滑动磨粒；最终得到五类分类结果：非金属磨粒、切削磨粒、球形磨粒、疲劳磨粒、滑动磨粒。这样，利用轻量化卷积神经网络作为第一级模型，自动提取颗粒特征，快速识别非金属磨粒、切削磨粒、球形磨粒和FoS磨粒，识别准确率高；对于容易混淆的疲劳磨粒和滑动磨粒，在第一级模型中将它们合并为一类(FoS磨粒)，然后利用特征工程方法(例如，SVM)对FoS磨粒进行识别，进一步提高在线磨粒的识别准确率。
本实施例中，磨粒识别过程包含两个阶段，第一级(第一阶段)是轻量化卷积神经网络，一种不需要人工特征提取的自动分类器，能够自动获得具有语义信息的特征，从而自动识别切削、球形、非金属和FoS磨粒(疲劳或滑动磨粒)这四类磨粒；第二级(第二阶段)是使用SVM方法对分类结果为FoS磨粒的磨粒图像进行特征提取，并基于提取的特征得到用于识别FoS磨粒的支持向量机模型。
本实施例中，轻量级卷积神经网络模型的构建模块包括：保持模块和降维模块；如图3所示，对于保持模块，对输入张量
Figure BDA0002304876980000041
其中，W1表示图像的宽度(像素点个数)；H1表示图像的高度(像素点个数)；L1表示图像的通道数(彩色为3通道：R、G、B)；/>
Figure BDA0002304876980000042
指一个集合，该集合内均为W1×H1×L1的三维张量(向量)；首先进行通道分离(Channel Split)操作，即平均分为输入张量为两个/>
Figure BDA0002304876980000043
的张量，其中一支经过一个卷积核为1*1的卷积层(Conv)，后接3*3的深度分离(DepthWise)卷积层(DWConv)，再接一个卷积核为1*1的卷积层(Conv)，得到变换后的/>
Figure BDA0002304876980000051
的张量；变换后的张量/>
Figure BDA0002304876980000052
与通道分离操作得到的另一支/>
Figure BDA0002304876980000053
的张量合并(Concat)得到W1×H1×L1的张量，最后通过通道重排(Channel Shuffle)操作增加信息(即：不同像素点的像素值)交流，原本通道内的各个特征不会与其它通道参与计算，通道重排则是重新将通道进行排序，使得不同通道的特征能够一起计算。
本实施例中，以彩色图像为例，如图4所示，对通道重排操作增加信息交流进行简要说明：由于彩色图像有3个通道(R、G、B)，不同通道对应有不同像素点，通道重排后，不同通道间的像素点会混在一起参加计算。原来只是同一通道内像素点的像素值一起参加运算，现在混在一起参加运算，即增加了不同通道间的信息交流。
如图5所示，对于降维模块，输入张量为
Figure BDA0002304876980000054
也是分成两支，但是通道数没有缩减，其中一支经过一个卷积核为1*1的卷积层(Conv)，后接步长为2，卷积核大小为3*3的深度分离(DepthWise)卷积层(DWConv)，此时特征大小缩减为/>
Figure BDA0002304876980000055
再接一个卷积核为1*1的卷积层(Conv)，得到变换后的/>
Figure BDA0002304876980000056
的张量。另外一支经过一个步长为2，卷积核大小为3*3的深度分离卷积层(DWConv)，此时特征大小缩减为/>
Figure BDA0002304876980000057
再接一个卷积核为1*1的卷积层(Conv)，得到变换后的/>
Figure BDA0002304876980000058
的张量。最后两个张量进行合并(Concat)得到/>
Figure BDA0002304876980000059
的张量，同样采用通道重排(Channel Shuffle)操作增加信息交流。
本实施例中，如表2所示，以一个224*224的输入图像为例，对轻量级卷积神经网络模型的处理流程进行说明：
H1，先经过第一层步长为2，24通道的卷积层(Conv1)得到112*112的卷积特征，再经过最大池化层(MaxPool)得到56*56的特征；
H2，接着经过一个降维模块得到28*28的特征，然后再经过3个保持模块得到28*28的特征(Stage2)；
H3，然后经过一个降维模块得到14*14的特征，再经过7个保持模块得到14*14的特征(Stage3)；
H4，然后经过一个降维模块得到7*7的特征，再经过3个保持模块得到7*7的特征(Stage4)。
H5，然后经过步长为1，卷积核大小为1*1，1024通道的卷积层(Conv5)得到7*7的特征；
H6，然后做全局的池化(GlobalPool)，即7*7＝49个数取平均得到一个数。最终得到1024维的向量特征；
H7，得到特征后经过一个1024*4的全连接层，得到4种分类结果：0非金属磨粒、1切削磨粒、2球形磨粒、3FoS磨粒。
表2轻量级卷积神经网络模型的结构表
Figure BDA0002304876980000061
本实施例中，轻量级卷积神经网络模型使用块卷积(block convolution)代替传统的卷积层，极大地加快了网络的训练和测试过程，其中，块卷积指的是保持模块和降维模块中的3×3的深度分离卷积层的卷积操作。
在前述基于Lightweight CNN与SVM的磨粒两阶段识别方法的具体实施方式中，进一步地，所述针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子，基于提取的径向边缘因子训练第二级模型包括：
针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子、长宽之比、圆度和面积，将提取的磨粒的径向边缘因子、长宽之比、圆度和面积作为第二级模型的输入，训练第二级模型。
本实施例中，为了提高分类结果为FoS磨粒的磨粒图像的识别率，基于提取的特征进行分类。磨粒识别的一般特征是面积、长宽之比、圆度、形状因子等。特征越多，模型越复杂。选取具有代表性的特征有利于减小模型规模、节省训练时间。本实施例中，提出了一种新的识别FoS磨粒的特征——径向边缘因子(REF)。在第二级模型中，将新特征REF用于SVM，以识别FoS磨粒。
本实施例中，利用径向边缘因子(REF)特征与磨粒的长宽之比AR、磨粒圆度α、磨粒所占面积A一同确定支持向量机模型用以识别FoS磨粒。
在前述基于Lightweight CNN与SVM的磨粒两阶段识别方法的具体实施方式中，进一步地，磨粒的径向边缘因子REF表示为：
Figure BDA0002304876980000071
其中，CR表示磨粒特征半径，r表示磨粒的最小内切圆半径。CR与r的示意图如图6所示。
在前述基于Lightweight CNN与SVM的磨粒两阶段识别方法的具体实施方式中，进一步地，磨粒特征半径CR表示为：
Figure BDA0002304876980000072
其中，P表示磨粒周长。
本实施例中，通过累积边缘像素点，使用8个邻域距离作为磨粒的周长。它与实际绘制的周长略有不同，但计算时间短，对数值影响小。
在前述基于Lightweight CNN与SVM的磨粒两阶段识别方法的具体实施方式中，进一步地，磨粒的长宽之比AR表示为：
Figure BDA0002304876980000073
其中，L表示磨粒的最小外切矩形的长度，W表示磨粒的最小外切矩形的宽度。
在前述基于Lightweight CNN与SVM的磨粒两阶段识别方法的具体实施方式中，进一步地，磨粒的圆度α表示为：
Figure BDA0002304876980000074
其中，A表示磨粒所占面积，P表示磨粒周长。
本实施例中，将从分类结果为FoS磨粒的磨粒图像中提取的径向边缘因子(REF)、长宽之比AR、圆度α、面积A作为SVM模型的输入，输出分为疲劳颗粒和滑动颗粒两类。
本实施例中，为了更好地理解本实施例提出的基于Lightweight CNN和SVM的磨粒两阶段识别方法，以某飞机润滑油液中获得的磨粒图库为例，对本实施例提出的磨粒两阶段识别方法进行详细说明：
第一阶段所采用的Lightweight CNN使用的参数包括：网络结构规格(width_mult)为1.5、批量大小(batch_size)为64，最大迭代次数为2000。使用的磨粒图库共有1760个样本，其中：非金属磨粒281个，滑动磨粒486个，切削磨粒439个，疲劳磨粒459个，球形磨粒95个。80％作为训练集，20％作为测试集。训练集共1408个，非金属磨粒224个，切削磨粒345个，滑动磨粒388个，疲劳磨粒371个，球形磨粒80个；测试集共358个，非金属磨粒57个，切削磨粒94个，疲劳磨粒88个，滑动磨粒98个，球形磨粒15个。
第二阶段所采用的SVM模型，使用的核函数为高斯核函数RBF，采用三次交叉验证验证模型的泛化能力。使用的样本有941个，包括483个滑动磨粒和458个疲劳磨粒。采用3种折叠交叉验证，随机选取142个滑动磨粒和141个疲劳磨粒作为测试集，341个滑动磨粒和317个疲劳磨粒作为训练集。
本实施例中，所述基于Lightweight CNN和SVM的磨粒两阶段识别方法具体可以包括以下步骤：
A1，由于磨粒图库的数据量不足，使用一定数据增强方法：尺度变换、标准化、随机裁剪、随机水平翻转，扩充数据量；
A2，将磨粒图库中标签为疲劳磨粒与滑动磨粒的磨粒类型统一标定为FoS磨粒，利用统一标定后的磨粒图库对第一级模型(Lightweight CNN)进行训练，训练好的第一级模型用于实现磨粒四分类：非金属磨粒类、切削磨粒类、球形磨粒类、FoS磨粒类；
A3，在第一级模型分类完成后，提取出FoS磨粒，计算出FoS磨粒的特征信息(包括：径向边缘因子、长宽之比、圆度和面积)训练第二级模型，训练好的第二级模型(SVM模型)用于实现FoS磨粒的再分类：疲劳磨粒、滑动磨粒；
A4，将第一级模型、第二季模型的分类结果统一，得到用于磨粒识别的两层层级模型，其分类结果的准确率如图7所示，图7验证了本实施例所述基于Lightweight CNN和SVM的磨粒两阶段识别方法的正确性，根据图7可知，本实施例提供的两层层级模型对疲劳磨粒和滑动磨粒的识别率分别达到较准确地水平，该两层层级模型对在线磨粒识别的准确率有显著提升。分类结果的准确率与迭代次数的关系如图8所示。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于Lightweight CNN与SVM的磨粒两阶段识别方法，其特征在于，包括：
构建用于磨粒识别的层级模型，其中，所述层级模型的第一级模型为轻量级卷积神经网络，第二级模型为支持向量机模型；
将磨粒图库中标签为疲劳磨粒与滑动磨粒的磨粒类型统一标定为FoS磨粒，利用统一标定后的磨粒图库对第一级模型进行训练，训练好的第一级模型用于实现磨粒四分类；其中，标签包括：非金属磨粒、切削磨粒、球形磨粒、疲劳磨粒和滑动磨粒；
针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子，基于提取的径向边缘因子训练第二级模型，训练好的第二级模型用于实现FoS磨粒的再分类；
其中，所述轻量级卷积神经网络模型包括：保持模块和降维模块；对于保持模块，对输入张量
Figure QLYQS_1
首先进行通道分离操作，即平均分为输入张量为两个/>
Figure QLYQS_2
的张量，其中一支经过一个卷积核为1*1的卷积层，后接3*3的深度分离卷积层，再接一个卷积核为1*1的卷积层，得到变换后的/>
Figure QLYQS_3
的张量；变换后的张量/>
Figure QLYQS_4
与通道分离操作得到的另一支/>
Figure QLYQS_5
的张量合并得到W1×H1×L1的张量，最后通过通道重排操作增加信息交流，原本通道内的各个特征不会与其它通道参与计算，通道重排则是重新将通道进行排序，使得不同通道的特征能够一起计算；其中，W1表示图像的宽度；H1表示图像的高度；L1表示图像的通道数；/>
Figure QLYQS_6
指一个集合，该集合内均为W1×H1×L1的三维张量；
对于降维模块，输入张量为
Figure QLYQS_7
也是分成两支，但是通道数没有缩减，其中一支经过一个卷积核为1*1的卷积层，后接步长为2，卷积核大小为3*3的深度分离卷积层，此时特征大小缩减为/>
Figure QLYQS_8
再接一个卷积核为1*1的卷积层，得到变换后的/>
Figure QLYQS_9
的张量，另外一支经过一个步长为2，卷积核大小为3*3的深度分离卷积层，此时特征大小缩减为/>
Figure QLYQS_10
再接一个卷积核为1*1的卷积层，得到变换后的/>
Figure QLYQS_11
的张量，最后两个张量进行合并得到/>
Figure QLYQS_12
的张量，同样采用通道重排操作增加信息交流；
其中，所述轻量级卷积神经网络模型的处理流程包括：
H1，先经过第一层步长为2，24通道的卷积层得到112*112的卷积特征，再经过最大池化层得到56*56的特征；
H2，接着经过一个降维模块得到28*28的特征，然后再经过3个保持模块得到28*28的特征；
H3，然后经过一个降维模块得到14*14的特征，再经过7个保持模块得到14*14的特征；
H4，然后经过一个降维模块得到7*7的特征，再经过3个保持模块得到7*7的特征；
H5，然后经过步长为1，卷积核大小为1*1，1024通道的卷积层得到7*7的特征；
H6，然后做全局的池化，即7*7＝49个数取平均得到一个数，最终得到1024维的向量特征；
H7，得到特征后经过一个1024*4的全连接层，得到4种分类结果：0非金属磨粒、1切削磨粒、2球形磨粒、3FoS磨粒；
其中，所述针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子，基于提取的径向边缘因子训练第二级模型包括：
针对分类结果为FoS磨粒的磨粒图像，提取磨粒的径向边缘因子、长宽之比、圆度和面积，将提取的磨粒的径向边缘因子、长宽之比、圆度和面积作为第二级模型的输入，训练第二级模型；
其中，磨粒的径向边缘因子表示为：
Figure QLYQS_13
其中，REF表示磨粒的径向边缘因子，CR表示磨粒特征半径，r表示磨粒的最小内切圆半径。
2.根据权利要求1所述的基于Lightweight CNN与SVM的磨粒两阶段识别方法，其特征在于，磨粒四分类结果包括：非金属磨粒、切削磨粒、球形磨粒和FoS磨粒。
3.根据权利要求1所述的基于Lightweight CNN与SVM的磨粒两阶段识别方法，其特征在于，FoS磨粒的再分类结果包括：疲劳磨粒和滑动磨粒。
CN201911235914.5A 2019-12-05 2019-12-05 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法 Active CN111126455B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911235914.5A CN111126455B (zh) 2019-12-05 2019-12-05 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911235914.5A CN111126455B (zh) 2019-12-05 2019-12-05 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法

Publications (2)

Publication Number Publication Date
CN111126455A CN111126455A (zh) 2020-05-08
CN111126455B true CN111126455B (zh) 2023-07-14

Family

ID=70496172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911235914.5A Active CN111126455B (zh) 2019-12-05 2019-12-05 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法

Country Status (1)

Country Link
CN (1) CN111126455B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819057A (zh) * 2021-01-25 2021-05-18 长春迈克赛德医疗科技有限公司 一种尿沉渣图像的自动识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013002810A (ja) * 2011-06-10 2013-01-07 Institute Of National Colleges Of Technology Japan 研削工具の砥面検査システム及び方法
CN107784320A (zh) * 2017-09-27 2018-03-09 电子科技大学 基于卷积支持向量机的雷达一维距离像目标识别方法
CN110245702A (zh) * 2019-06-12 2019-09-17 深圳大学 机械磨损颗粒识别方法、装置、电子设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013002810A (ja) * 2011-06-10 2013-01-07 Institute Of National Colleges Of Technology Japan 研削工具の砥面検査システム及び方法
CN107784320A (zh) * 2017-09-27 2018-03-09 电子科技大学 基于卷积支持向量机的雷达一维距离像目标识别方法
CN110245702A (zh) * 2019-06-12 2019-09-17 深圳大学 机械磨损颗粒识别方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于IGA和LS-SVM的航空发动机磨粒识别;周伟;景博;邓森;孙鹏飞;郝中波;;润滑与密封(第01期);全文 *
基于磨损机理的磨粒图像识别仿真;杨文君;孙耀宁;梁国强;王雅;;计算机仿真(第02期);全文 *

Also Published As

Publication number Publication date
CN111126455A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN109299705B (zh) 基于一维深度残差卷积神经网络的旋转机械故障诊断方法
CN110992354B (zh) 基于引入自动记忆机制对抗自编码器的异常区域检测方法
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN109255344B (zh) 一种基于机器视觉的数显式仪表定位与读数识别方法
CN112763214B (zh) 基于多标签零样本学习的滚动轴承故障诊断方法
CN109523518B (zh) 一种轮胎x光病疵检测方法
CN114627383B (zh) 一种基于度量学习的小样本缺陷检测方法
CN112037219A (zh) 一种基于两阶段卷积神经网络的金属表面缺陷检测方法
CN112465759A (zh) 一种基于卷积神经网络的航空发动机叶片缺陷检测方法
CN111382785A (zh) 一种gan网络模型及实现样本自动清洗、辅助标记的方法
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN114169377A (zh) 基于g-mscnn的有噪环境中滚动轴承故障诊断方法
CN115147632A (zh) 基于密度峰值聚类算法的图像类别自动标注方法及装置
CN113989179B (zh) 基于目标检测算法的列车轮对踏面缺陷检测方法及系统
CN111126455B (zh) 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法
CN103279944A (zh) 一种基于生物地理优化的图像分割方法
CN114565605A (zh) 一种病理图像的分割方法及装置
CN112364899A (zh) 一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法
CN115631197B (zh) 一种图像处理方法、装置、介质、设备及系统
CN114663658B (zh) 一种具备跨域迁移能力的小样本aoi表面缺陷检测方法
CN116452845A (zh) 一种基于数据增强的鸟类细粒度图像分类方法
CN113642662B (zh) 一种基于轻量化分类模型的分类检测方法及装置
CN115638965A (zh) 一种基于一维注意力机制和卷积神经网络的旋转机械故障诊断方法
CN112580705B (zh) 一种基于深度前馈网络的高光谱分类方法
CN112862767A (zh) 基于度量学习的解决难分不平衡样本的表面缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant