[发明专利]一种可以识别新类的磨粒分类模型与方法

说明书

本发明提供一种可以识别新类的磨粒分类模型与方法，该磨粒分类模型包括：特征向量提取阶段网络，用于提取磨粒图像的特征向量；类中心向量提取阶段网络，用于提取磨粒的类中心向量；预测阶段网络，用于结合特征向量提取阶段网络和类中心向量提取阶段网络的输出，对待预测的磨粒图像中的磨粒的类型进行预测。本发明结合轻量化神经网络和距离度量的优点，首先，能够对训练集中没有出现的磨粒类别进行分类，具有很强的泛化性能；其次，大大降低了网络的参数数量，提高了训练和测试速度。本发明提出的磨粒分类模型不仅能够对新的磨粒类别进行分类，且在识别速度和识别准确率上均有提升。

技术领域

本发明涉及磨粒智能识别技术领域，特别是指一种可以识别新类的磨粒分类模型与方法。

背景技术

在工业生产领域，机械设备的故障不仅会引起巨大的经济损失，甚至危及人身安全。例如：在航空工业里，飞机如果有小小的故障没有被及时检测出来，将有可能造成无法估计的损失。经过研究大量的专业资料，发现设备磨损是设备故障的主要原因，因此实现机械磨损故障的早期诊断对及时维修和生产安全来说是至关重要的。

磨损是机械设备运行过程中不可避免的问题，但是设备的磨损状态通常是难以直接检测的。磨粒是设备摩擦过程中产生的颗粒，可以反映设备磨损的状态，因此可以借助磨粒对机械的磨损状态进行监测。不同磨损类型的磨粒图像有不同的形状、大小等特征，磨粒图像相对容易获取，因此，基于磨粒图像对磨粒进行分类成为简单且可行的磨粒分类方法。

目前，已经有研究利用卷积神经网络对磨粒图像进行自动提取特征，并分类，不需人工参与特征的提取。近年来，虽然磨粒图像处理和识别已经取得了很好的研究成果，但是分类准确率仍然不高，目前还没有达到90%。另外，研究表明，设备磨损机理并不仅限于当前已知的几种类型，如：切削，滑动等。随着工业生产领域的发展，磨损可能出现新的形式，当然也会出现新的磨粒类型。但是当前存在的对磨粒图像进行分类的方法，只能对训练集中出现过的磨粒类型进行分类，当出现新的磨粒类型的时候，当前的模型就无法正常分类，即当前的磨粒分类模型没有很好的泛化能力。

发明内容

本发明要解决的技术问题是提供一种可以识别新类的磨粒分类模型与方法，以解决当前磨粒图像分类方法无法应对新出现的磨粒类别的识别、准确率不高、分类速度较低和模型泛化能力低的问题。

为解决上述技术问题，本发明提供如下技术方案：

一种可以识别新类的磨粒分类模型，其包括：

特征向量提取阶段网络，用于提取磨粒图像的特征向量；

类中心向量提取阶段网络，用于基于所述特征向量提取阶段网络提取的特征向量，提取磨粒的类中心向量；其中，在训练过程中，类中心向量提取阶段网络可学习到如何提取不同磨粒类别的类中心向量；在测试过程中，类中心向量提取阶段网络可提取出之前未在训练集中出现过的磨粒类别的类中心向量；

预测阶段网络，用于结合所述特征向量提取阶段网络和所述类中心向量提取阶段网络的输出，对当前待预测的磨粒图像中的磨粒的类型进行预测。

进一步地，所述特征向量提取阶段网络的网络结构包括：

Conv1层：该层为卷积层，卷积核大小为3*3，卷积深度为24；

MaxPool层：该层为最大池化层；

stage2层：该层为1个down sampling unit和3个basic unit的堆叠；

stage3层：该层为1个down sampling unit和7个basic unit的堆叠；

stage4层：该层为1个down sampling unit和3个basic unit的堆叠；

Conv5层:该层为卷积层，卷积核大小为1*1，卷积深度为1024；