一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法技术

本发明专利技术公开了一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法，采用铁谱分析技术获得磨粒铁谱图像，通过卷积神经网络实现磨粒铁谱图像的智能识别。在此基础上，本发明专利技术提出了虚拟铁谱图像与实测铁谱图像相结合的方式，解决了采用深度学习方法时样本数量不足对识别效果的影响，为小样本下磨粒铁谱图像的智能识别提供了一种解决方案。智能识别提供了一种解决方案。智能识别提供了一种解决方案。

【技术实现步骤摘要】
一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法


[0001]本专利技术涉及机械故障诊断领域，特别是涉及机械磨损诊断方向，具体涉及一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法。

技术介绍

[0002]机械设备作为现代经济社会发展的重要支柱，已广泛应用于生产生活的各个领域。然而，因为机械故障引发的重大事故屡见报端，因此有必要对机械设备进行故障诊断，及时发现潜在问题，对设备进行有效维护，避免事故的发生。机械磨损是引发机械故障的主要原因之一，已发生的设备故障多数是由于零部件磨损失效造成的。目前，多采用油液分析的铁谱分析技术作为机械设备磨损故障诊断方法。铁谱分析技术以分析磨粒图像为主，主要通过采用边缘检测、图像分割、特征提取、机器学习、状态识别等技术完成，通过与不同类型磨粒的形貌特征比对实现设备磨损状态判定。传统的铁谱分析技术受操作人员的经验影响大，效率低、准确性差。
[0003]近年来，随着深度学习技术的发展，实现磨粒铁谱图像高效、精准、智能识别已成为发展趋势。卷积神经网络作为深度学习的一个分支，因其在图像处理领域所展现的优越性已被越来越多应用于磨粒铁谱图像的智能识别。与传统的铁谱分析技术相比，卷积神经网络需要大量带标签的磨粒铁谱图像和一定的训练时间以获得良好的分类效果。铁谱图像受限于其特殊性与采集过程的复杂性，往往难以在短时间内获得大量的训练样本，小样本下的卷积神经网络难以体现出优势。

技术实现思路

[0004]本专利技术的目的在于提供一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法，以解决现有技术存在的问题，本专利技术针对现有磨粒铁谱图像识别方法存在的不足，及目前迁移学习技术使用的源数据与目标数据所处领域差距较大的问题，基于样本相似性设计虚拟磨粒铁谱图像，结合迁移学习方法，解决样本数量不足对卷积神经网络分类效果的影响，同时实现磨粒铁谱图像的高效、精准、智能识别。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法，该方法包括迁移学习基本网络模型的构建与训练和基于迁移学习模型的图像分类，具体包括以下步骤；
[0007]1)构建迁移学习基本网络模型。迁移学习基本网络模型采用同时包含卷积层和全连接层的卷积神经网络构建，其中卷积层中包含池化操作；
[0008]2)构建迁移学习源数据集。根据不同类型磨粒所表现的不同形貌特征作为依据，自主设计对应类型磨粒的虚拟图像并进行标记，同时采用图像增强方法增加虚拟图像数量构成迁移学习源数据，然后按照6:2:2的比例划分为训练集、验证集和测试集三个部分；
[0009]3)训练迁移学习基本网络模型并保存。使用步骤2)中的训练集训练迁移学习基本网络模型，使用验证集对模型进行验证，保存最后一次进行验证的模型参数，使用测试集测
试模型的训练效果，并计算模型在源数据集的测试集上的分类准确率作为评价指标；
[0010]4)构建图像分类目标数据集。分别取适量油液样本采用铁谱仪制成铁谱片并转换为磨粒图像，根据不同类型磨粒的形貌特征标记磨粒图像类别构成图像分类任务的目标数据集，按照8:2的比例将目标数据集划分为训练集和测试集两部分；
[0011]5)基于迁移学习模型的图像分类模型再训练。加载步骤3)保存的迁移学习基本网络模型，使用步骤4)中的训练集作为输入对模型再训练，并采用步骤4)中的测试集测试再训练后的模型的分类性能，以测试集分类准确率为评价指标；
[0012]6)迁移学习基本网络模型参数优化。以步骤5)中测试集分类准确率作为是否优化模型参数的依据，若分类准确率达到预期设定目标值，则不需要优化模型参数；反之，适当调整模型参数，重复步骤3)和步骤5)，直到分类准确率达到预期设定目标值，图像分类模型训练完成，停止进行参数优化。
[0013]7)基于迁移学习模型的图像分类。采集未知状态的机械设备油液，取少许作为磨粒图像采集所需的样本使用步骤4)中同等方法获得磨粒铁谱图像，将其输入步骤6)所得的图像分类模型中进行磨粒类别预测。
[0014]进一步地，步骤1)中采用AlexNet作为迁移学习基本网络模型的基础架构，对网络中池化层的位置进行适当调整，不采用分组训练的方式，自主设计迁移学习基本网络模型的结构及训练模式。
[0015]进一步地，步骤2)中构建迁移学习源数据集时，具体为：
[0016]依据样本相似性，根据不同类型磨粒具有不同形貌特征自主设计对应类型磨粒的虚拟图像并进行标记，使得迁移学习源数据存在与目标数据相同的形貌特征，同时，通过随机裁剪、变更图像对比度等方式增加虚拟图像的数量及内容多样性。
[0017]进一步地，步骤3)中训练迁移学习基本网络模型时，具体为：
[0018]训练集图像数据经卷积层卷积运算提取图像特征，表达式为：
[0019][0020]其中，表示经过上层卷积操作所得的特征矩阵，为滤波器的权值矩阵，b
(k)
表示偏置量，f表示非线性激活函数，X
(k)
是经过卷积操作得到的特征矩阵，i，j表示滤波器权值矩阵的两个维度，l，m表示输入矩阵的两个维度信息，n表示权值矩阵的维度，k表示当前进行卷积操作的卷积层，特别地，当k＝1时，表示第一个卷积层输入的原始图像，在预训练模型中表示虚拟图像样本，在分类模型中表示由铁谱片转换得到的磨粒图像样本；
[0021]池化运算在卷积运算之后，用于降低特征数据维度，表达式为：
[0022]H
(r)
＝max(X
(k)
)
[0023]其中，H
(r)
表示第r个池化运算得到的特征矩阵。
[0024]经过多次卷积和池化运算后图像特征被转换为一维特征向量的形式进入全连接层，随后经过分类器分类得出图像所属类别。
[0025]使用交叉熵损失函数计算模型分类结果与实际类别的误差，通过误差的反向传播采用梯度下降方法不断更新参数，最终获得迁移学习基本网络模型。
[0026]进一步地，步骤5)基于迁移学习模型的图像分类模型再训练，具体为：
[0027]冻结步骤3)训练好的模型的卷积层，使用步骤4)中的训练集重新训练模型中的全连接层，训练过程中卷积层参数不更新，仅提取图像特征，全连接层参数不断更新，直到测试集分类准确率达到最高时训练停止。
[0028]进一步地，步骤6)迁移学习基本网络模型参数优化，具体为：
[0029]根据步骤5)中计算所得测试集分类准确率确定是否需要进行网络参数调优，测试集准确率计算表达式为：
[0030][0031]其中，A表示测试样本的准确率，N表示被正确分类的样本数，M表示测试样本的总数。
[0032]与现有技术相比，本专利技术具有以下有益的技术效果：
[0033]本专利技术针对卷积神经网络需要大量训练样本的问题，采用迁移学习的方法实现小样本下磨粒铁谱图像的智能识别。与常规迁移学习模型相比，磨粒铁谱图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法，其特征在于，包括迁移学习基本网络模型的构建与训练和基于迁移学习模型的图像分类，具体包括以下步骤：1)构建迁移学习基本网络模型：迁移学习基本网络模型采用同时包含卷积层和全连接层的卷积神经网络构建，其中卷积层中包含池化操作；2)构建迁移学习源数据集：根据不同类型磨粒所表现的不同形貌特征作为依据，设计对应类型磨粒的虚拟图像并进行标记，同时采用图像增强方法增加虚拟图像数量构成迁移学习源数据，然后按照设定比例划分为训练集、验证集和测试集三个部分；3)训练迁移学习基本网络模型并保存：使用步骤2)中的训练集训练迁移学习基本网络模型，使用验证集对模型进行验证，保存最后一次进行验证的模型参数，使用测试集测试模型的训练效果，并计算模型在源数据集的测试集上的分类准确率作为评价指标；4)构建图像分类目标数据集：分别取适量油液样本采用铁谱仪制成铁谱片并转换为磨粒图像，根据不同类型磨粒的形貌特征标记磨粒图像类别构成图像分类任务的目标数据集，按照设定比例将目标数据集划分为训练集和测试集两部分；5)基于迁移学习模型的图像分类模型再训练：加载步骤3)保存的迁移学习基本网络模型，使用步骤4)中的训练集作为输入对模型再训练，并采用步骤4)中的测试集测试再训练后的模型的分类性能，以测试集分类准确率为评价指标；6)迁移学习基本网络模型参数优化：以步骤5)中测试集分类准确率作为是否优化模型参数的依据，若分类准确率达到预期设定目标值，则不需要优化模型参数；反之，适当调整模型参数，重复步骤3)和步骤5)，直到分类准确率达到预期设定目标值，图像分类模型训练完成，停止进行参数优化；7)基于迁移学习模型的图像分类：采集未知状态的机械设备油液，取少许作为磨粒图像采集所需的样本使用步骤4)中相同方法获得磨粒铁谱图像，将其输入步骤6)所得的图像分类模型中进行磨粒类别预测。2.根据权利要求1所述的一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法，其特征在于，步骤1)中采用AlexNet作为迁移学习基本网络模型的基础架构。3.根据权利要求1所述的一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法，其特征在于，步骤2)中构建迁移学习源数据集时，具体为：依据样本相似性，根据不同类型磨粒具有不同形貌...

【专利技术属性】
技术研发人员：樊红卫，高烁琪，刘琦，薛力猛，曹现刚，张旭辉，毛清华，薛旭升，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：