一种基于Lightweight CNN与SVM的磨粒两阶段识别方法技术

本发明专利技术提供一种基于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。本发明专利技术涉及磨粒智能识别领域。

A two-stage recognition method of wear particles based on lightweight CNN and SVM

【技术实现步骤摘要】
一种基于LightweightCNN与SVM的磨粒两阶段识别方法
本专利技术涉及磨粒智能识别领域，特别是指一种基于LightweightCNN与SVM的磨粒两阶段识别方法。
技术介绍
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。r>专利技术本文档来自技高网...

【技术保护点】
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：/n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；/n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；/n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。/n

【技术特征摘要】
1.一种基于LightweightCNN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。


2.根据权利要求1所述的基于LightweightCNN与SVM的磨粒两阶段识别方法，其特征在于，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...

【专利技术属性】
技术研发人员：张桃红，胡俊楠，杨名扬，周明，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11