[發明專利]一種基于虛擬圖像與遷移學習的磨粒鐵譜圖像智能識別方法

在審

• 申請號: 202011167669.1
• 申請日: 2020-10-27
• 公開（公告）號: CN112364899A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 樊紅衛;高爍琪;劉琦;薛力猛;曹現剛;張旭輝;毛清華;薛旭升
• 申請（專利權）人: 西安科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李鵬威

1.一種基于虛擬圖像與遷移學習的磨粒鐵譜圖像智能識別方法，其特征在于，包括遷移學習基本網絡模型的構建與訓練和基于遷移學習模型的圖像分類，具體包括以下步驟：

1)構建遷移學習基本網絡模型：遷移學習基本網絡模型采用同時包含卷積層和全連接層的卷積神經網絡構建，其中卷積層中包含池化操作；

2)構建遷移學習源數據集：根據不同類型磨粒所表現的不同形貌特征作為依據，設計對應類型磨粒的虛擬圖像并進行標記，同時采用圖像增強方法增加虛擬圖像數量構成遷移學習源數據，然后按照設定比例劃分為訓練集、驗證集和測試集三個部分；

3)訓練遷移學習基本網絡模型并保存：使用步驟2)中的訓練集訓練遷移學習基本網絡模型，使用驗證集對模型進行驗證，保存最后一次進行驗證的模型參數，使用測試集測試模型的訓練效果，并計算模型在源數據集的測試集上的分類準確率作為評價指標；

4)構建圖像分類目標數據集：分別取適量油液樣本采用鐵譜儀制成鐵譜片并轉換為磨粒圖像，根據不同類型磨粒的形貌特征標記磨粒圖像類別構成圖像分類任務的目標數據集，按照設定比例將目標數據集劃分為訓練集和測試集兩部分；

5)基于遷移學習模型的圖像分類模型再訓練：加載步驟3)保存的遷移學習基本網絡模型，使用步驟4)中的訓練集作為輸入對模型再訓練，并采用步驟4)中的測試集測試再訓練后的模型的分類性能，以測試集分類準確率為評價指標；

6)遷移學習基本網絡模型參數優化：以步驟5)中測試集分類準確率作為是否優化模型參數的依據，若分類準確率達到預期設定目標值，則不需要優化模型參數；反之，適當調整模型參數，重復步驟3)和步驟5)，直到分類準確率達到預期設定目標值，圖像分類模型訓練完成，停止進行參數優化；

7)基于遷移學習模型的圖像分類：采集未知狀態的機械設備油液，取少許作為磨粒圖像采集所需的樣本使用步驟4)中相同方法獲得磨粒鐵譜圖像，將其輸入步驟6)所得的圖像分類模型中進行磨粒類別預測。

2.根據權利要求1所述的一種基于虛擬圖像與遷移學習的磨粒鐵譜圖像智能識別方法，其特征在于，步驟1)中采用AlexNet作為遷移學習基本網絡模型的基礎架構。

3.根據權利要求1所述的一種基于虛擬圖像與遷移學習的磨粒鐵譜圖像智能識別方法，其特征在于，步驟2)中構建遷移學習源數據集時，具體為：

依據樣本相似性，根據不同類型磨粒具有不同形貌特征設計對應類型磨粒的虛擬圖像并進行標記，使得遷移學習源數據存在與目標數據相同的形貌特征，同時，通過隨機裁剪、變更圖像對比度的方式增加虛擬圖像的數量及內容多樣性。

4.根據權利要求1所述的一種基于虛擬圖像與遷移學習的磨粒鐵譜圖像智能識別方法，其特征在于，步驟3)中訓練遷移學習基本網絡模型時，具體為：

訓練集圖像數據經卷積層卷積運算提取圖像特征，表達式為：

其中，表示經過上層卷積操作所得的特征矩陣，為濾波器的權值矩陣，b^(k)表示偏置量，f表示非線性激活函數，X^(k)是經過卷積操作得到的特征矩陣，i，j表示濾波器權值矩陣的兩個維度，l，m表示輸入矩陣的兩個維度信息，n表示權值矩陣的維度，k表示當前進行卷積操作的卷積層，特別地，當k＝1時，表示第一個卷積層輸入的原始圖像，在預訓練模型中表示虛擬圖像樣本，在分類模型中表示由鐵譜片轉換得到的磨粒圖像樣本；

池化運算在卷積運算之后，用于降低特征數據維度，表達式為：

H^(r)＝max(X^(k))

其中，H^(r)表示第r個池化運算得到的特征矩陣；

經過多次卷積和池化運算后圖像特征被轉換為一維特征向量的形式進入全連接層，隨后經過分類器分類得出圖像所屬類別；

使用交叉熵損失函數計算模型分類結果與實際類別的誤差，通過誤差的反向傳播采用梯度下降方法不斷更新參數，最終獲得遷移學習基本網絡模型。