[发明专利]一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法

说明书

本发明公开了一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法。本发明提供的铁谱图像多磨粒识别方法，首先对yolov3模型主干网络进行改进，包括添加空间金字塔池化模块，将原始yolov3模型的IOU损失函数更换为GIOU损失函数，拓展yolo层尺度等，通过对yolov3主干网络的改进，有效克服了铁谱磨粒识别过程中，相似磨粒的识别率低、小颗粒磨粒的漏检率高等问题。本发明提供的铁谱图像多磨粒识别方法还通过融合模型的BN层与卷积层，简化网络结构，限制添加模块带来的额外计算量，保障yolov3模型最低检测速度的实时性。通过本发明提供的铁谱图像多磨粒识别方法，只需将多磨粒图片输入训练好的模块，即可得到智能化的识别结果，无需更多人工操作，实现了智能化识别。

技术领域

本发明涉及铁谱分析技术领域，具体涉及一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法。

背景技术

当代生产要求机械设备具有较高的可靠性，对于大规模连续工作的机械设备，若发生故障造成设备停机会引起重大的经济亏损。大量研究数据表明，机械设备的故障多数是由于磨损造成的。20世纪70年代开始发展铁谱诊断技术，通过提取机械系统中的润滑油，定量和定性分析油液中的磨损颗粒(磨粒)，达到对设备磨损状态监测与故障诊断，即分析磨粒的尺寸、形态、颜色、粒度分布和磨粒浓度，可以判断出设备的磨损状态、故障原因和位置。但传统铁谱磨粒图像的分析需要手动操作，且要求操作人员具有相当的专业知识，操作繁琐、耗费时间，过度依赖人工经验，分析结果主观。

铁谱磨粒的智能化识别是铁谱分析技术的重点研发方向。西安交通大学提出了面向在线铁谱图像磨粒识别的局部自适应阈值分割方法(公开号：CN108389216A)和一种多纹理特征融合的磨粒类型自动识别方法(公开号：CN108305259B)，重庆邮电大学发明了一种基于先验点阵的铁谱图像分割方法(公开号：CN110473231A)，这些发明建立在传统的计算机图像处理方法，即机器学习上，在背景简单的单磨粒识别上能够取得较好效果，但需要事先选取和测量大量人工参数，且很难识别复杂背景下的多目标磨粒。广州机械科学研究院有限公司开发了一种基于图像识别的自动铁谱分析系统(公开号：CN110672609A)，其所用的识别模型Mask RCNN属于近年来在计算机图像视觉领域发展迅速的卷积神经网络，即深度学习方法，可以在复杂背景下分割出多目标磨粒，但其模型为两阶段目标检测算法，且未对模型优化剪枝，计算时间较长，达不到实时性要求，与整个铁谱分析系统的融合性较差。

近年来，卷积神经网络(Convolution Neural Network，CNN)结合深度学习在世界计算机图像识别挑战赛中屡次夺冠，成功应用于多种模式的分类，在目标检测方面，表现日益突出。深度学习的检测方法主要分两大类：两阶段检测和单阶段检测。两阶段检测基于候选区域推荐生成目标检测的感兴趣区域，然后再利用CNN进行分类，这类算法拥有较高的检测精度，但由于网络繁冗导致算法耗费的计算时间较长。单阶段检测直接将整张图作为网络的输入，在输出层回归边界框(bounding box)的位置和所属类别，将目标检测当作回归任务来处理，极大地减少了参数计算，提高了网络训练速度，实现了端到端的目标检测。单阶段检测算法以YOLO(You Only Look Once)家族为代表，主要包括yolo，yolov2，yolov3等。