一种基于改进Mask-RCNN网络的磨粒链分割方法及系统技术方案

本发明专利技术公开了一种基于改进Mask

【技术实现步骤摘要】
一种基于改进Mask
‑
RCNN网络的磨粒链分割方法及系统


[0001]本专利技术属于机器磨损状态监测
，具体涉及一种基于改进Mask
‑
RCNN网络的磨粒链分割方法及系统。

技术介绍

[0002]机械设备运行过程中，因摩擦副之间的相对运动引起的接触表面磨损是不可避免的。磨损是零部件失效的基本形式，是设备产生故障的主要原因。磨粒作为磨损过程的直接产物，携带了大量的磨损信息，为磨损机理分析和磨损状态检测提供重要依据。因此，磨粒分析技术成为机械设备磨损状态检测领域的重要技术手段。
[0003]单个磨粒可以反映某个瞬间摩擦副的局部磨损状况，而磨粒群的共同特性可以反映设备当前的运行状态。因此，单磨粒分析是推演设备磨损机理和设备健康状态的基石。铁谱技术借助磁场力吸附磨粒，不可避免的导致采集到的磨粒呈链状分布，给单磨粒特征提取和辨识增加了困难。为此相关学者针对“如何对磨粒链分割，提取单磨粒信息”的问题进行了探究。吴虹堃等以磨粒表面的灰度作为先验信息，建立内部与外部标记符，结合分水岭算法实现了单磨粒提取。王静秋等将分水岭算法与灰色聚类算法相融合(CMWGC)，通过对分水岭算法初步分割后的各个区域的颜色信息和相对位置进行关联分析，并利用长宽比对分割结果判别和修正，实现磨粒的快速准确分割。陈泉松提出了基于最近邻域法的铁谱图像磨粒链分割方法，通过对不同时刻的铁谱图像运用最近邻域法匹配获得磨粒链的沉积变化序列，利用沉积变化序列中相邻两条磨粒链的差异提取但磨粒区域。然而，磨粒形状复杂、尺寸不一的特征导致上述算法需要不断地优化模型参数，才能达到理想的分割效果，无法满足自动化检测的要求。
[0004]近年来，随着深度学习的发展，基于Mask R
‑
CNN的智能分割算法因其出色的分割能力被广泛的应用于目标检测领域。Mask R
‑
CNN在Faster
‑
RCNN的基础上添加了一个Mask支路，可以在完成目标分类和框选任务的同时，对目标的像素进行分类，即确定目标的轮廓。然而，由于磨粒的特殊性，Mask R
‑
CNN网络在磨粒链分割时存在以下问题：
[0005]1)Mask R
‑
CNN网络通过边界框回归损失函数判别真实区域和预测位置的一致性，而磨粒的形状、大小和分布具有随机性导致难以准确定位磨粒真实位置。
[0006]2)Mask R
‑
CNN网络遵循归一化原则，需要对候选区域进行降维。由于磨粒特征图尺寸不同，导致降维过程中候选区域存在无法预测的像素点损失，致使磨粒掩码位置与真实位置对不齐现象。
[0007]综上所述，铁谱技术通过磨粒信息分析以表征磨损演变过程，为机械设备磨损机理分析和设备健康监测提供了有效手段。然而，铁谱图像中磨粒呈链状排列，而现有分割算法参数优化复杂、分割精度差，制约了铁谱分析技术的有效性。

技术实现思路

[0008]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于改进
Mask
‑
RCNN网络的磨粒链分割方法及系统，对原有的Mask R
‑
CNN进行改进，以解决Mask R
‑
CNN应用于磨粒链分割时，分割标记(掩码)与目标区域无法完全对齐的技术问题，实现了磨粒链图像的精准分割。
[0009]本专利技术采用以下技术方案：
[0010]一种基于改进Mask
‑
RCNN网络的磨粒链分割方法，包括以下步骤：
[0011]S1、利用磨粒链透射光图像提取磨粒链整体轮廓，并根据磨粒链反射光图像手动分割相邻磨粒，经叠加得到磨粒链图像中的单磨粒轮廓信息，根据单磨粒轮廓信息构建磨粒链分割数据集；
[0012]S2、构建基于Mask R
‑
CNN框架的多任务并行的深度学习模型；
[0013]S3、定义多任务分支层各个任务支路的损失函数，并将损失函数加权融合作为改进Mask
‑
RCNN网络的损失函数L
loss
；
[0014]S4、以步骤S3得到的损失函数L
loss
为优化目标，利用步骤S1构建的磨粒链分割数据集训练步骤S2构建的多任务并行的深度学习模型，然后输入待分割的磨粒链图像，得到磨粒掩码图像，实现磨粒链图像的精准分割。
[0015]具体的，步骤S1具体为：
[0016]采集磨粒链反射光图像与透射光图像，用Sobel算子提取透射光图像中磨粒链的轮廓，结合基于反射光图像手动标记相邻磨粒的分界线，构建完整的磨粒链分割标记；重复以上操作，建立磨粒链分割数据库，并按8:1:1划分训练集、验证集和测试集；训练集作为输入，通过验证集验证深度学习模型的精度，通过测试集对深度学习模型的效果进行测试。
[0017]具体的，步骤S2中，深度学习模型包括：
[0018]特征提取层，采用HR
‑
NetV2p+FPN主干网络，作为磨粒链图像的特征提取器；
[0019]区域建议层，为轻量化的卷积神经网络，用于寻找磨粒特征区域；
[0020]池化层，采取增广池化的策略统一ROI区域的尺寸；
[0021]多任务分支层，包括磨粒掩码分支，磨粒分类分支和磨粒边界框分支，磨粒掩码分支是一个卷积神经网络，磨粒分类分支和磨粒边界框分支均为全卷积网络。
[0022]进一步的，特征提取层的平采样采用步长为1的3
×
3卷积核，特征提取层的下采样采用步长为2的3
×
3卷积核。
[0023]具体的，步骤S3中，损失函数L
loss
具体为：
[0024]L
loss
＝0.2L
cls
+0.4L
box
+0.4L
mask
[0025]其中，L
cls
代表磨粒分类支路的损失函数，L
box
为边界框回归支路的损失函数，L
mask
代表mask支路的损失函数。
[0026]进一步的，边界框回归支路的损失函数L
box
为：
[0027]L
box
＝1
‑
IoU
[0028][0029]其中，A代表预测框，B代表真实框，IoU反映的是预测框和真实框之间的重叠部分。
[0030]具体的，步骤S4具体为：
[0031]S401、将磨粒链分割数据集输入基于Mask
‑
RCNN网络架构的深度学习模型；
[0032]S402、设置ADAM优化器的学习率，一阶矩指数衰减率和二阶矩指数衰减率；
[0033]S403、每进行n次迭代，测试一次磨粒链分割的效果，并保存深度学习模型的参数；
[0034]S404、筛选出性能最优的模型参数作为最终本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Mask
‑
RCNN网络的磨粒链分割方法，其特征在于，包括以下步骤：S1、利用磨粒链透射光图像提取磨粒链整体轮廓，并根据磨粒链反射光图像手动分割相邻磨粒，经叠加得到磨粒链图像中的单磨粒轮廓信息，根据单磨粒轮廓信息构建磨粒链分割数据集；S2、构建基于Mask R
‑
CNN框架的多任务并行的深度学习模型；S3、定义多任务分支层各个任务支路的损失函数，并将损失函数加权融合作为改进Mask
‑
RCNN网络的损失函数L
loss
；S4、以步骤S3得到的损失函数L
loss
为优化目标，利用步骤S1构建的磨粒链分割数据集训练步骤S2构建的多任务并行的深度学习模型，然后输入待分割的磨粒链图像，得到磨粒掩码图像，实现磨粒链图像的精准分割。2.根据权利要求1所述的基于改进Mask
‑
RCNN网络的磨粒链分割方法，其特征在于，步骤S1具体为：采集磨粒链反射光图像与透射光图像，用Sobel算子提取透射光图像中磨粒链的轮廓，结合基于反射光图像手动标记相邻磨粒的分界线，构建完整的磨粒链分割标记；重复以上操作，建立磨粒链分割数据库，并按8:1:1划分训练集、验证集和测试集；训练集作为输入，通过验证集验证深度学习模型的精度，通过测试集对深度学习模型的效果进行测试。3.根据权利要求1所述的基于改进Mask
‑
RCNN网络的磨粒链分割方法，其特征在于，步骤S2中，深度学习模型包括：特征提取层，采用HR
‑
NetV2p+FPN主干网络，作为磨粒链图像的特征提取器；区域建议层，为轻量化的卷积神经网络，用于寻找磨粒特征区域；池化层，采取增广池化的策略统一ROI区域的尺寸；多任务分支层，包括磨粒掩码分支，磨粒分类分支和磨粒边界框分支，磨粒掩码分支是一个卷积神经网络，磨粒分类分支和磨粒边界框分支均为全卷积网络。4.根据权利要求3所述的基于改进Mask
‑
RCNN网络的磨粒链分割方法，其特征在于，特征提取层的平采样采用步长为1的3
×
3卷积核，特征提取层的下采样采用步长为2的3
×
3卷积核。5.根据权利要求1所述的基于改进Mask
‑
RCNN网络的磨粒链分割方法，其特征在于，步骤S3中，损失函数L
loss
具体为：L
loss
＝0.2L
cls
+0.4L
box
+0.4L
...

【专利技术属性】
技术研发人员：王硕，万淼，武通海，雷亚国，曹军义，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：