基于卷积神经网络和图像显著性的铁谱磨粒分析

发布时间：2021-01-04 09:59

　　利用铁谱分析技术对磨粒的类型、数量、浓度等进行分析,能够了解设备的磨损状态并诊断故障。基于计算机图像处理技术的磨粒分析过程是图像预处理→磨粒分割→特征提取→分类识别的单向线性流程。针对其磨粒分割困难、人工设计特征方法涉及环节多、繁琐低效、存在误差积累与传递、算法难以整体调优等缺点,本文将卷积神经网络（CNN）技术引入铁谱图像分析,以提高铁谱图像分类和磨粒目标检测的自动化水平。结合不同类型磨粒的图像显著性,以整体判断到细节识别为流程,开展了磨粒图像分类CNN模型和目标检测CNN模型的设计、构建和优化研究,利用CNN模型特征自学习、深度抽象和端到端处理的特点,实现磨粒图像智能分析。设计并构建了磨粒图像分类CNN模型——Wear-Net。首先结合实际获取的磨粒图像,利用颜色变换、图像抖动等图像增广技术,创建磨粒图像分类数据集。其次,将AlexNet和VGG16两种模型在磨粒图像数据集上复现并对比,通过结构和参数优化,构建了Wear-Net磨粒图像分类模型。该模型包含四层卷积层,卷积核个数分别为64、128、256、128,实现了块状磨粒、链状磨粒和复合磨粒等五种磨粒图像的分类。最后对网络卷积... 

【文章来源】：南京航空航天大学江苏省 211工程院校

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

图1.1两种磨粒分析流程对比

难分割磨粒图像

识别该区域具体信息，这些区域构成了图像显著性区域。(a) 颜色差异 (b) 形状差异 (c) 方位差异图2.1 图像显著性在数字图像处理中，图像显著性特征主要由颜色、形状、纹理等特征单独或组合构成。相对于容易受光照亮度、失焦模糊等因素影响的颜色和纹理特征，形状特征是构成目标显著性的更主要特征。图 2.2 为一幅典型磨粒图像。根据颜色差异，人们首先可以注意到图像中磨粒与背景部分。然后依据不同区域磨粒的形状差异，识别出图中的细长环状磨粒，及其左侧模糊的大磨粒、上方的块状大磨粒和右侧呈链状分布的磨粒。可见人眼根据图像显著性特点实现磨粒区域和背景


本文编号：2956583