[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

本發明公開了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，采用鐵譜分析技術獲得磨粒鐵譜圖像，通過卷積神經網絡實現磨粒鐵譜圖像的智能識別。在此基礎上，本發明提出了虛擬鐵譜圖像與實測鐵譜圖像相結合的方式，解決了采用深度學習方法時樣本數量不足對識別效果的影響，為小樣本下磨粒鐵譜圖像的智能識別提供了一種解決方案。

技術領域

本發明涉及機械故障診斷領域，特別是涉及機械磨損診斷方向，具體涉及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。

背景技術

機械設備作為現代經濟社會發展的重要支柱，已廣泛應用于生產生活的各個領域。然而，因為機械故障引發的重大事故屢見報端，因此有必要對機械設備進行故障診斷，及時發現潛在問題，對設備進行有效維護，避免事故的發生。機械磨損是引發機械故障的主要原因之一，已發生的設備故障多數是由于零部件磨損失效造成的。目前，多采用油液分析的鐵譜分析技術作為機械設備磨損故障診斷方法。鐵譜分析技術以分析磨粒圖像為主，主要通過采用邊緣檢測、圖像分割、特征提取、機器學習、狀態識別等技術完成，通過與不同類型磨粒的形貌特征比對實現設備磨損狀態判定。傳統的鐵譜分析技術受操作人員的經驗影響大，效率低、準確性差。

近年來，隨著深度學習技術的發展，實現磨粒鐵譜圖像高效、精準、智能識別已成為發展趨勢。卷積神經網絡作為深度學習的一個分支，因其在圖像處理領域所展現的優越性已被越來越多應用于磨粒鐵譜圖像的智能識別。與傳統的鐵譜分析技術相比，卷積神經網絡需要大量帶標簽的磨粒鐵譜圖像和一定的訓練時間以獲得良好的分類效果。鐵譜圖像受限于其特殊性與采集過程的復雜性，往往難以在短時間內獲得大量的訓練樣本，小樣本下的卷積神經網絡難以體現出優勢。

發明內容

本發明的目的在于提供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，以解決現有技術存在的問題，本發明針對現有磨粒鐵譜圖像識別方法存在的不足，及目前遷移學習技術使用的源數據與目標數據所處領域差距較大的問題，基于樣本相似性設計虛擬磨粒鐵譜圖像，結合遷移學習方法，解決樣本數量不足對卷積神經網絡分類效果的影響，同時實現磨粒鐵譜圖像的高效、精準、智能識別。

為達到上述目的，本發明采用如下技術方案：

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，該方法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，自主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6:2:2的比例劃分為訓練集、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8:2的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；