[发明专利]一种基于深度学习的发动机滑油磨粒识别方法

权利要求书

1.一种基于深度学习的发动机滑油磨粒识别方法，其特征在于：包括如下步骤：

(1).根据发动机润滑系统的提取出的油液，对其中的磨粒进行图像处理；

(2).根据深度学习的理论基础建立深度置信网络，对深度置信网络进行初步训练；

(3).根据反向传播网络，进行深度置信网络训练细节调整；

(4).根据深度置信网络结合多目视觉对发动机滑油磨粒图像进行匹配分析，获得发动机滑油磨粒图像具体的分类信息。

2.如权利要求1所述的基于深度学习的发动机滑油磨粒识别方法，其特征在于：步骤(1)包括以下步骤：

1.在以点(P₁、P₂、P₃、P₄、P₅)为原点的直角坐标系中，磨粒图像的坐标为(x_w,y_w,z_w)，根据三阶正交固定旋转矩阵R和平移向量t在拍摄点坐标系中的坐标为(x_c,y_c,z_c)；

2.采用关于d_ij的相似度函数S_ij表示不同图像上点(i,j)之间的相似关系，相似度与d_ij成反比，在完成相似度函数匹配后依据相似性原理进行匹配结果处理，对于图像中的每个i值，其在匹配图像中选取相似性最大值左右最佳匹配点，并且在规定的ξ_s相似度阈值的限制下，排除相应的不符合标准的匹配点；

3.双目视觉范围标定中，两种角度下的磨粒图像像素横坐标设定为X₁和X₂，此外，在每个角度下的磨粒图像中，确定4个参考点的横坐标从而确定四个参考点分别与两个确定的拍摄点之间的距离关系，在已经建立好的以拍摄点为原点的直角坐标系中，利用Levenberg-Marquardt方法确定磨粒图像范围；

4.利用局部匹配的算法，利用较小的图像像素窗口区域与另一图像进行匹配，在另一图像中匹配到符合相似性的窗口区域，从而确定另一图像中的相应位置，匹配中，以另一图像的函数左顶点作为原点，以及匹配窗口区域的中心作为原点，图像中的任何点p(s,t)代入后均可得到对应的c(s,t)值，随着窗口区域的匹配，得到相应的c(s,t)值，利用相似度函数SAD筛选之后即可获得最佳的匹配点，从而匹配成功，重复以上步骤再次进行双目视觉匹配过程，获得多目视觉的匹配结果；

5.在局部特征的提取方面，采用大小为p×q的预定义块窗口，根据从上到下从左到右的顺序依次移动，取得数量为L的图像局部特征；

6.在图像块中，选择好尺度和方向为Gabor滤波器提取图像特征，并将其表示为尺度i和维度j的行向量：

7.每一个图像块，均用Zernike矩阵特征提取出10个特征表示为

8.已经分割为K个图像块的向量形式为组合到一起作为磨粒图像的局部特征矩阵

9.利用非负矩阵分解的方法对特征矩阵进行分解局部特征矩阵X从而保存特征矩阵中的空间信息，令矩阵的训练样本定义为X_i，其中i∈{1,2,...,T},定义一个图像的可变矩阵为并且计算得出G的特征值和特征向量[u₁,u₂,...,u_d]，其中d为矩阵的特征值个数，在得出的相应的特征向量后，利用公式表示其矩阵特征y_k＝Xu_k,k＝1,2,..,d。

3.如权利要求要求2所述的基于深度学习的发动机滑油磨粒识别方法，其特征在于：步骤(2)包括以下步骤：

1.将已得没有标签的信息数据作为输入，在最底层的受限玻尔兹曼层中进行学习训练；

2.将磨粒的图像输入到已经训练好的做底层的受限玻尔兹曼层中作为初始数据，然后得到的隐层节点的输出数据作为下一层受限玻尔兹曼层的输入，进行对下一层受限玻尔兹曼层的无监督学习训练；

3.按照先前的两步进行对受限玻尔兹曼层的训练，直到将深度置信网络的所有受限玻尔兹曼层的无监督学习训练结束。