【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。