CN111160405A - 一种基于深度学习的发动机滑油磨粒识别方法 - Google Patents

一种基于深度学习的发动机滑油磨粒识别方法 Download PDF

Info

Publication number
CN111160405A
CN111160405A CN201911257451.2A CN201911257451A CN111160405A CN 111160405 A CN111160405 A CN 111160405A CN 201911257451 A CN201911257451 A CN 201911257451A CN 111160405 A CN111160405 A CN 111160405A
Authority
CN
China
Prior art keywords
image
matching
lubricating oil
matrix
training
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.)
Granted
Application number
CN201911257451.2A
Other languages
English (en)
Other versions
CN111160405B (zh
Inventor
刘君强
左洪福
张曦
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911257451.2A priority Critical patent/CN111160405B/zh
Publication of CN111160405A publication Critical patent/CN111160405A/zh
Application granted granted Critical
Publication of CN111160405B publication Critical patent/CN111160405B/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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

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

Abstract

本发明公开了一种基于深度学习的发动机滑油磨粒识别方法，包括有对飞机航空发动机滑油磨粒图像的三个不同阶段的分析计算，在发动机滑油磨粒图像信息的处理方面包括：利用多目视觉识别方法标定磨粒图像并匹配；提取图像信息特征；整合为局部特征矩阵。在深度置信网络的训练方面包括：建立深度置信网络；将磨粒图像的局部特征矩阵信息输入进行训练；利用有标签的图像信息进行细节调整。在识别发动机滑油磨粒图像信息方面：将需要识别的滑油磨粒图像的局部特征矩阵输入深度置信网络并根据多目视觉匹配结果对识别结果进行匹配识别。

Description

一种基于深度学习的发动机滑油磨粒识别方法
技术领域：
本发明涉及一种基于深度学习的发动机滑油磨粒识别方法，其属于航空发动机滑油磨粒图像识别领域。
背景技术：
飞机发动机的正常运行是飞机能够安全可靠飞行的保证，对航班运行有着重要的意义。因此保证飞机发动机能够一直处于正常运转的状态是很重要的工作，发动机在高温、高压、高转速的工作条件下长期运行会产生相应的故障。为此，对飞机发动机进行实时的状态监测也显得格外重要。本发明利用深度学习的方法结合具体的对飞机发动机滑油磨粒的监测，进行实时判断飞机发动机的运行情况，从而保证航班的正常运行。
深度学习能够通过多层次的神经网络来模拟人脑的学习过程，在初始数据的基础之上进行特征分析进行映射，并且把提取的特征整合到一个学习框架之中，从而取得一定的成果。在特征提取方面能够比人工神经网络更为准确，能够取得较好的成果。
目前发动机油液磨粒的监控判断方面，还缺乏一定的研究方法，因此本发明研究的是基于深度学习的发动机油液磨粒的监控判断方法。由于深度学习方法可以将固有的信息进行分析，推断出发动机具体的运行状况，在一定程度上可以运用于发动机的健康管理，有一定的实用意义。
发明内容：
本发明是为了解决上述现有技术存在的问题而提供一种基于深度学习的发动机滑油磨粒识别方法，根据发动机滑油磨粒图像信息结合多目视觉识别方法提取图像相关特征信息后，依据深度置信网络对未分类的发动机滑油磨粒图像进行识别，并且结合的多目视觉的图像识别方法能够全面准确提取图像信息，对于识别发动机工作状况和保证发动机的安全运行有着一定的参考作用。
本发明所采用的技术方案有：一种基于深度学习的发动机滑油磨粒识别方法，包括如下步骤：
(1).根据发动机润滑系统的提取出的油液，对其中的磨粒进行图像处理；
(2).根据深度学习的理论基础建立深度置信网络，对深度置信网络进行初步训练；
(3).根据反向传播网络，进行深度置信网络训练细节调整；
(4).根据深度置信网络结合多目视觉对发动机滑油磨粒图像进行匹配分析，获得发动机滑油磨粒图像具体的分类信息。
进一步地，步骤(1)包括以下步骤：
1.在以点(P1、P2、P3、P4、P5)为原点的直角坐标系中，磨粒图像的坐标为(xw,yw,zw)，根据三阶正交固定旋转矩阵R和平移向量t在拍摄点坐标系中的坐标为(xc,yc,zc)；
2.采用关于dij的相似度函数Sij表示不同图像上点(i,j)之间的相似关系，相似度与dij成反比，在完成相似度函数匹配后依据相似性原理进行匹配结果处理，对于图像中的每个i值，其在匹配图像中选取相似性最大值左右最佳匹配点，并且在规定的ξs相似度阈值的限制下，排除相应的不符合标准的匹配点；
3.双目视觉范围标定中，两种角度下的磨粒图像像素横坐标设定为X1和X2，此外，在每个角度下的磨粒图像中，确定4个参考点的横坐标从而确定四个参考点分别与两个确定的拍摄点之间的距离关系，在已经建立好的以拍摄点为原点的直角坐标系中，利用Levenberg-Marquardt方法确定磨粒图像范围；
4.利用局部匹配的算法，利用较小的图像像素窗口区域与另一图像进行匹配，在另一图像中匹配到符合相似性的窗口区域，从而确定另一图像中的相应位置，匹配中，以另一图像的函数左顶点作为原点，以及匹配窗口区域的中心作为原点，图像中的任何点p(s,t)代入后均可得到对应的c(s,t)值，随着窗口区域的匹配，得到相应的c(s,t)值，利用相似度函数SAD筛选之后即可获得最佳的匹配点，从而匹配成功，重复以上步骤再次进行双目视觉匹配过程，获得多目视觉的匹配结果；
5.在局部特征的提取方面，采用大小为p×q的预定义块窗口，根据从上到下从左到右的顺序依次移动，取得数量为L的图像局部特征；
6.在图像块中，选择好尺度和方向为Gabor滤波器提取图像特征，并将其表示为尺度i和维度j的行向量：
Figure BDA0002310679010000031
7.每一个图像块，均用Zernike矩阵特征提取出10个特征表示为
Figure BDA0002310679010000032
8.已经分割为K个图像块的向量形式为
Figure BDA0002310679010000033
组合到一起作为磨粒图像的局部特征矩阵
Figure BDA0002310679010000034
9.利用非负矩阵分解的方法对特征矩阵进行分解局部特征矩阵X从而保存特征矩阵中的空间信息，令矩阵的训练样本定义为Xi，其中i∈{1,2,...,T},定义一个图像的可变矩阵为
Figure BDA0002310679010000035
并且计算得出G的特征值和特征向量[u1,u2,...,ud]，其中d为矩阵的特征值个数，在得出的相应的特征向量后，利用公式表示其矩阵特征yk＝Xuk,k＝1,2,...,d。
进一步地，步骤(2)包括以下步骤：
1.将已得没有标签的信息数据作为输入，在最底层的受限玻尔兹曼层中进行学习训练；
2.将磨粒的图像输入到已经训练好的做底层的受限玻尔兹曼层中作为初始数据，然后得到的隐层节点的输出数据作为下一层受限玻尔兹曼层的输入，进行对下一层受限玻尔兹曼层的无监督学习训练；
3.按照先前的两步进行对受限玻尔兹曼层的训练，直到将深度置信网络的所有受限玻尔兹曼层的无监督学习训练结束。
4.如权利要求要求3所述的基于深度学习的发动机滑油磨粒识别方法，其特征在于：步骤(3)在已经建立好的受限玻尔兹曼层上设置一层反向传播网络，并且结合有标签的信息进一步完善深度置信网络的结构。
进一步地，步骤(4)根据步骤(3)所训练完成的深度置信网络，对未分类的发动机滑油磨粒的图像进行识别并根据多目视觉图像的匹配结果进行分类结果的具体分析。
本发明具有如下有益效果：本发明所采用的基于深度学习的发动机滑油磨粒识别方法，采用的发动机滑油磨粒数据采集自润滑油的更换和补充过程，此过程既是帮助发动机处于更好工作状态的重要一步，也是反应发动机具体健康状况的重要信息。通过对滑油磨粒的监测分析可以判断出发动机的零部件之间摩擦的具体状况，从而判断出发动机工作状况是否存在异常点。对于发动机滑油磨粒的图像信息均为多目视觉模型下提取出来并整合的特征信息，并且在利用已归类的滑油磨粒信息对深度置信网络的训练之后，相比较传统的磨粒图像识别方法，能够对未归类的滑油磨粒信息进行更为准确的分类，具有一定的实际运用价值。
附图说明：
图1为深度学习网络结构框架示意图。
图2为多目视觉测距示意图。
图3为多目视觉磨粒图像示意图。
图4为疲劳剥落磨粒识别准确率对比图。
图5为切削磨粒识别准确率对比图。
图6为严重滑动磨粒识别准确率对比图。
图7为正常滑动磨粒识别准确率对比图。
图8为多目疲劳剥落磨粒识别准确率对比图。
图9为多目切削磨粒识别准确率对比图。
图10为多目严重滑动磨粒识别准确率对比图。
图11为多目正常滑动磨粒识别准确率对比图。
图12为综合算法流程。
具体实施方式：
下面结合附图对本发明作进一步的说明。
本发明基于深度学习的发动机滑油磨粒识别方法，包括如下步骤：
(1).根据发动机润滑系统的提取出的油液，对其中的磨粒进行图像处理，包括以下步骤：
1.在以点(P1、P2、P3、P4、P5)为原点的直角坐标系中如图2所示，三个坐标轴的具体方向根据不同情况来规定，磨粒图像的坐标为(xw,yw,zw)根据三阶正交固定旋转矩阵R和平移向量t在拍摄点坐标系中的坐标为(xc,yc,zc)；
2.采用关于dij的相似度函数sij表示不同图像上点(i,j)之间的相似关系，相似度与dij成反比，在完成相似度函数匹配后依据相似性原理进行匹配结果处理，对于图像中的每个i值，其在匹配图像中选取相似性最大值左右最佳匹配点，并且在规定的ξs相似度阈值的限制下，排除相应的不符合标准的匹配点；
3.在双目视觉范围标定中，两种角度下的磨粒图像像素横坐标设定为X1和X2，此外，在每个角度下的磨粒图像中，确定4个参考点的横坐标从而确定四个参考点分别与两个确定的拍摄点之间的距离关系，在已经建立好的以拍摄点为原点的直角坐标系中，利用Levenberg-Marquardt方法确定磨粒图像范围；
4.利用局部匹配的算法，利用较小的图像像素窗口区域与另一图像进行匹配，在另一图像中匹配到符合相似性的窗口区域，从而确定另一图像中的相应位置。匹配中，以另一图像的函数左顶点作为原点，以及匹配窗口区域的中心作为原点，图像中的任何点p(s,t)代入后均可得到对应的c(s,t)值，随着窗口区域的匹配，得到相应的c(s,t)值，利用相似度函数SAD筛选之后即可获得最佳的匹配点，从而匹配成功；重复以上步骤再次进行双目视觉匹配过程，获得多目视觉的匹配结果；
5.在局部特征的提取方面，采用大小为p×q的预定义块窗口，根据从上到下从左到右的顺序依次移动，从而获得数量为L的图像局部特征；
6.在图像块中，选择好尺度和方向为Gabor滤波器提取图像特征，并将其表示为尺度i和维度j的行向量：
Figure BDA0002310679010000051
7.每一个图像块，均用Zernike矩阵特征提取出10个特征表示为
Figure BDA0002310679010000052
8.已经分割为K个图像块的向量形式为
Figure BDA0002310679010000053
组合到一起作为磨粒图像的局部特征矩阵
Figure BDA0002310679010000054
9.利用非负矩阵分解的方法对特征矩阵进行分解局部特征矩阵X从而保存特征矩阵中的空间信息，令矩阵的训练样本定义为Xi，其中i∈{1,2,...,T},定义一个图像的可变矩阵为
Figure BDA0002310679010000055
并且计算得出G的特征值和特征向量[u1,u2,...,ud]，其中d为矩阵的特征值个数，在得出的相应的特征向量后，利用公式表示其矩阵特征yk＝Xuk,k＝1,2,...,d。
(2).根据深度学习的理论基础建立深度置信网络如图1所示，对深度置信网络进行初步训练，包括以下步骤：
1.将已得没有标签的信息数据作为输入，在最底层的受限玻尔兹曼层如图2中进行学习训练；
2.将磨粒的图像输入到已经训练好的做底层的受限玻尔兹曼层中作为初始数据，然后得到的隐层节点的输出数据作为下一层受限玻尔兹曼层的输入，进行对下一层受限玻尔兹曼层的无监督学习训练；
3.按照先前的两步进行对受限玻尔兹曼层的训练，直到将深度置信网络的所有受限玻尔兹曼层的无监督学习训练结束；
(3).根据反向传播网络的调整作用，进行深度置信网络训练细节的调整；
(4).根据已经建立好的多目视觉模型对发动机滑油磨粒进行图像分析，获得发动机滑油磨粒图像具体的分类信息；
其中，步骤(1)中包括如下步骤:
1.1)在以点(P1、P2、P3、P4、P5)为原点的直角坐标系中如图2所示，三个坐标轴的具体方向根据不同情况来规定，磨粒图像的坐标(xw,yw,zw)根据三阶正交固定旋转矩阵R和平移向量t在拍摄点坐标系中的坐标为(xc,yc,zc)，公式如下：
Figure BDA0002310679010000061
1.2)采用关于dij的相似度函数Sij表示不同图像上点(i,j)之间的相似关系，相似度与dij成反比，Sij公式如下所示，其中利用归一化常量ki以及与Sij随dij变化正相关的常量是a.
Sij＝fs(a,dij)＝ki/(1+adij)
在完成相似度函数匹配后依据相似性原理进行匹配结果处理，对于图像中的每个i值，其在匹配图像中选取相似性最大值左右最佳匹配点，并且在规定的ξs相似度阈值的限制下，排除相应的不符合标准的匹配点(在Sij<ξs情况下，将该点的匹配结果剔除)。
1.3)双目视觉的范围标定方面，两种角度下的磨粒图像像素横坐标设定为X1和X2，此外，在每个角度下的磨粒图像中，确定4个参考点的横坐标为X1和X2,i＝1,2,3,4。确定四个参考点分别与两个确定的拍摄点之间的距离关系
Figure BDA0002310679010000071
和
Figure BDA0002310679010000072
在已经建立好的以拍摄点为原点的直角坐标系中，利用Levenberg-Marquardt方法并且结合公式
Figure BDA0002310679010000073
Figure BDA0002310679010000074
求解出磨粒图像对于拍摄点的距离和偏角，其中参数如图3所示，mi和ni，为光心在相应拍摄点Ri的横纵距离，(xr1,zri)为坐标系中磨粒图像位置。
1.4)利用局部匹配的算法，依据每个待匹配点相邻区域的性质，利用较小的图像像素窗口区域与另一图像进行匹配，在另一图像中匹配到符合相似性的窗口区域，从而确定另一图像中的相应位置。通常利用的窗口区域为矩形，利用公式：
Figure BDA0002310679010000075
其中，J×K的匹配窗口函数为w(x,y),另一图像的函数为f(x,y)，并且J≤M，K≤N，s＝0,1,2,...,M-1,t＝0,1,2,...,N-1。
匹配中，以另一图像的函数左顶点作为原点，以及匹配窗口区域的中心作为原点，图像中的任何点p(s,t)代入后均可得到对应的c(s,t)值，随着窗口区域的匹配，得到相应的c(s,t)值，利用相似度函数SAD公式：
Figure BDA0002310679010000076
筛选之后即可获得最佳的匹配点，从而匹配成功。
1.5)利用预定义块窗口，根据从上到下从左到右的顺序依次移动，获得数量为28的图像局部特征。
1.6)将滑油磨粒图像的Gabor滤波器特征和Zernike矩阵特征提取出来，整合为28*28的方阵，即为
Figure BDA0002310679010000081
中的参数均为28，将图像块分割为28块，图像特征的维度为28。
1.7)令矩阵的训练样本定义为Xi，其中i∈{1,2,...,T},定义一个图像的可变矩阵为
Figure BDA0002310679010000082
计算得出G的d个特征值对应的特征向量[u1,u2,...,ud]，在得出的相应的特征向量后，表示为yk。
其中，步骤(2)中包括如下步骤:
2.1)建立好两个受限玻尔兹曼机，即为输入层加上两层的的隐层，其中每层包含有100个节点。
2.2)在深度置信网络的初始化过程中，每次均随机产生100个样本，学习速率为1，进行两次的训练，在保持好深度置信网络更新方向的同时完成对其的初次训练。
2.3)将发动机滑油磨粒图像信息转化为具体的特征信息之后即可带将其代入建立好的深度置信网络进行相应的训练和识别过程。在受限玻尔兹曼机的训练上，维度由28*28过渡到100的过程和由100过渡到100的过程中，保持受限玻尔兹曼机的学习速率满足其权重更新。
其中，步骤(3)中包括如下步骤:
3.1)将已经分类完成的发动机滑油磨粒图像的信息作为训练样本，在其作为输入信息的第一次训练中，将输入信息的排列完全打乱，并且进行计数，保证能够在第一次训练结束中所有信息均可得到相应的训练，并且训练次数均为一次。
3.2)在具体的权重更新过程所利用的即为已经提取出来的发动机滑油磨粒图像信息，结合Gibbs抽样进行权重的更新，然后根据权重更新计算出相应的差值，最后完成对输入信息的训练。
其中，步骤(4)中包括如下步骤:
4.1)在获取发动机滑油磨粒之后，利用已经建立好的多目视觉模型，将发动机油磨粒图像整合的局部特征作为输入信息。
4.2)将信息输入到已经完成训练的深度置信网络中即可得出发动机滑油磨粒的具体分类情况，其识别在一定的范围内具有较好的准确性。
4.3)此外，在相应的四种磨粒图像(疲劳剥落的磨粒图像、切削磨粒的图像、严重滑动的磨粒图像以及正常滑动产生的磨粒图像)的识别准确率上利用本专利的识别方法进行识别。其中，四种磨粒图像的识别分类均为与其典型特征参数如表1相关：
Figure BDA0002310679010000091
保证特征参数的相关性在相关系数的计算公式计算下
Figure BDA0002310679010000092
计算得出的特征参数与典型参数之间维持在百分之五的误差范围内即可归为相应的类别并且根据多目视觉图像的匹配结果进行分类结果的具体匹配选择从而进一步提升识别准确率。
4.4)利用传统的图像识别方式进行同样的识别得出相应的识别准确率，在四种磨粒图像的识别方面，本专利的识别方法皆有较好的效果，识别准确率具体如图4至图7所示。此外，利用在增加拍摄点的过程中各个磨粒图像的识别准确率呈现不同情况的增长变化，具体如图8至图11所示。
以上所述仅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，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (5)

1.一种基于深度学习的发动机滑油磨粒识别方法，其特征在于：包括如下步骤：
(1).根据发动机润滑系统的提取出的油液，对其中的磨粒进行图像处理；
(2).根据深度学习的理论基础建立深度置信网络，对深度置信网络进行初步训练；
(3).根据反向传播网络，进行深度置信网络训练细节调整；
(4).根据深度置信网络结合多目视觉对发动机滑油磨粒图像进行匹配分析，获得发动机滑油磨粒图像具体的分类信息。
2.如权利要求1所述的基于深度学习的发动机滑油磨粒识别方法，其特征在于：步骤(1)包括以下步骤：
1.在以点(P1、P2、P3、P4、P5)为原点的直角坐标系中，磨粒图像的坐标为(xw,yw,zw)，根据三阶正交固定旋转矩阵R和平移向量t在拍摄点坐标系中的坐标为(xc,yc,zc)；
2.采用关于dij的相似度函数Sij表示不同图像上点(i,j)之间的相似关系，相似度与dij成反比，在完成相似度函数匹配后依据相似性原理进行匹配结果处理，对于图像中的每个i值，其在匹配图像中选取相似性最大值左右最佳匹配点，并且在规定的ξs相似度阈值的限制下，排除相应的不符合标准的匹配点；
3.双目视觉范围标定中，两种角度下的磨粒图像像素横坐标设定为X1和X2，此外，在每个角度下的磨粒图像中，确定4个参考点的横坐标从而确定四个参考点分别与两个确定的拍摄点之间的距离关系，在已经建立好的以拍摄点为原点的直角坐标系中，利用Levenberg-Marquardt方法确定磨粒图像范围；
4.利用局部匹配的算法，利用较小的图像像素窗口区域与另一图像进行匹配，在另一图像中匹配到符合相似性的窗口区域，从而确定另一图像中的相应位置，匹配中，以另一图像的函数左顶点作为原点，以及匹配窗口区域的中心作为原点，图像中的任何点p(s,t)代入后均可得到对应的c(s,t)值，随着窗口区域的匹配，得到相应的c(s,t)值，利用相似度函数SAD筛选之后即可获得最佳的匹配点，从而匹配成功，重复以上步骤再次进行双目视觉匹配过程，获得多目视觉的匹配结果；
5.在局部特征的提取方面，采用大小为p×q的预定义块窗口，根据从上到下从左到右的顺序依次移动，取得数量为L的图像局部特征；
6.在图像块中，选择好尺度和方向为Gabor滤波器提取图像特征，并将其表示为尺度i和维度j的行向量：
Figure FDA0002310677000000021
7.每一个图像块，均用Zernike矩阵特征提取出10个特征表示为
Figure FDA0002310677000000022
8.已经分割为K个图像块的向量形式为
Figure FDA0002310677000000023
组合到一起作为磨粒图像的局部特征矩阵
Figure FDA0002310677000000024
9.利用非负矩阵分解的方法对特征矩阵进行分解局部特征矩阵X从而保存特征矩阵中的空间信息，令矩阵的训练样本定义为Xi，其中i∈{1,2,...,T},定义一个图像的可变矩阵为
Figure FDA0002310677000000025
并且计算得出G的特征值和特征向量[u1,u2,...,ud]，其中d为矩阵的特征值个数，在得出的相应的特征向量后，利用公式表示其矩阵特征yk＝Xuk,k＝1,2,..,d。
3.如权利要求要求2所述的基于深度学习的发动机滑油磨粒识别方法，其特征在于：步骤(2)包括以下步骤：
1.将已得没有标签的信息数据作为输入，在最底层的受限玻尔兹曼层中进行学习训练；
2.将磨粒的图像输入到已经训练好的做底层的受限玻尔兹曼层中作为初始数据，然后得到的隐层节点的输出数据作为下一层受限玻尔兹曼层的输入，进行对下一层受限玻尔兹曼层的无监督学习训练；
3.按照先前的两步进行对受限玻尔兹曼层的训练，直到将深度置信网络的所有受限玻尔兹曼层的无监督学习训练结束。
4.如权利要求要求3所述的基于深度学习的发动机滑油磨粒识别方法，其特征在于：步骤(3)在已经建立好的受限玻尔兹曼层上设置一层反向传播网络，并且结合有标签的信息进一步完善深度置信网络的结构。
5.如权利要求要求4所述的基于深度学习的发动机滑油磨粒识别方法，其特征在于：步骤(4)根据步骤(3)所训练完成的深度置信网络，对未分类的发动机滑油磨粒的图像进行识别并根据多目视觉图像的匹配结果进行分类结果的具体分析。
CN201911257451.2A 2019-12-10 2019-12-10 一种基于深度学习的发动机滑油磨粒识别方法 Active CN111160405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911257451.2A CN111160405B (zh) 2019-12-10 2019-12-10 一种基于深度学习的发动机滑油磨粒识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911257451.2A CN111160405B (zh) 2019-12-10 2019-12-10 一种基于深度学习的发动机滑油磨粒识别方法

Publications (2)

Publication Number Publication Date
CN111160405A true CN111160405A (zh) 2020-05-15
CN111160405B CN111160405B (zh) 2023-10-03

Family

ID=70556632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911257451.2A Active CN111160405B (zh) 2019-12-10 2019-12-10 一种基于深度学习的发动机滑油磨粒识别方法

Country Status (1)

Country Link
CN (1) CN111160405B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182949A (zh) * 2020-11-30 2021-01-05 浙江中自庆安新能源技术有限公司 一种基于计算机辅助技术的油液磨粒统计方法及系统
CN112926697A (zh) * 2021-04-21 2021-06-08 北京科技大学 一种基于语义分割的磨粒图像分类方法及装置
CN117470948A (zh) * 2023-10-18 2024-01-30 苏州仁正智探科技有限公司 一种感应式油液屑末信号监测与识别系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011095879A (ja) * 2009-10-28 2011-05-12 Okamoto Machine Tool Works Ltd 研削加工ワークの補正研削加工方法
CN105844288A (zh) * 2016-03-17 2016-08-10 西安工业大学 基于油液监测技术的机器状态识别方法
CN110208124A (zh) * 2019-05-30 2019-09-06 新疆大学 基于磨粒磨损机理的机械磨损系统的开发方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011095879A (ja) * 2009-10-28 2011-05-12 Okamoto Machine Tool Works Ltd 研削加工ワークの補正研削加工方法
CN105844288A (zh) * 2016-03-17 2016-08-10 西安工业大学 基于油液监测技术的机器状态识别方法
CN110208124A (zh) * 2019-05-30 2019-09-06 新疆大学 基于磨粒磨损机理的机械磨损系统的开发方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张曦，刘君强，张振良，黄亮: "基于改进随机集贝叶斯网络的航班运行风险动态分析" *
甘萌: "信号的稀疏表达在滚动轴承故障特征提取及智能诊断中的应用研究" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182949A (zh) * 2020-11-30 2021-01-05 浙江中自庆安新能源技术有限公司 一种基于计算机辅助技术的油液磨粒统计方法及系统
CN112926697A (zh) * 2021-04-21 2021-06-08 北京科技大学 一种基于语义分割的磨粒图像分类方法及装置
CN112926697B (zh) * 2021-04-21 2021-10-12 北京科技大学 一种基于语义分割的磨粒图像分类方法及装置
CN117470948A (zh) * 2023-10-18 2024-01-30 苏州仁正智探科技有限公司 一种感应式油液屑末信号监测与识别系统及方法
CN117470948B (zh) * 2023-10-18 2024-06-07 苏州仁正智探科技有限公司 一种感应式油液屑末信号监测与识别系统及方法

Also Published As

Publication number Publication date
CN111160405B (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN107657279B (zh) 一种基于少量样本的遥感目标检测方法
CN107085716B (zh) 基于多任务生成对抗网络的跨视角步态识别方法
CN108491849B (zh) 基于三维稠密连接卷积神经网络的高光谱图像分类方法
CN111160405A (zh) 一种基于深度学习的发动机滑油磨粒识别方法
CN112580590A (zh) 一种基于多语义特征融合网络的指静脉识别方法
CN106257498B (zh) 基于异构纹理特征的锌浮选工况状态划分方法
CN109934195A (zh) 一种基于信息融合的反欺骗三维人脸识别方法
CN103544499B (zh) 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法
CN109766858A (zh) 结合双边滤波的三维卷积神经网络高光谱影像分类方法
CN115187548A (zh) 一种基于人工智能的机械零件缺陷检测方法
CN102831446A (zh) 单目视觉slam中基于图像外观的闭环检测方法
CN106023257A (zh) 一种基于旋翼无人机平台的目标跟踪方法
CN110837768A (zh) 一种面向珍稀动物保护的在线检测与识别方法
Wang et al. GKFC-CNN: Modified Gaussian kernel fuzzy C-means and convolutional neural network for apple segmentation and recognition
CN106096517A (zh) 一种基于低秩矩阵与特征脸的人脸识别方法
CN112200123B (zh) 联合稠密连接网络和样本分布的高光谱开放集分类方法
CN112330538A (zh) 一种基于特征点优化提取的损伤温度重构图像拼接方法
CN113095149A (zh) 一种基于单张人脸图像的全头部纹理网络结构及生成方法
CN111428555B (zh) 一种分关节的手部姿态估计方法
CN117237902B (zh) 基于深度学习的机器人物体识别系统
CN107808391B (zh) 一种基于特征选择与光滑表示聚类的视频动态目标提取方法
CN115131503A (zh) 一种虹膜三维识别的健康监测方法及其系统
CN115640546A (zh) 一种图像与特征信息融合的岩性识别方法
CN114494594A (zh) 基于深度学习的航天员操作设备状态识别方法
CN117876491A (zh) 一种基于双目立体视觉感知的矿石破碎方法

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