利用鐵譜分析技術(shù)對磨粒的類型、數(shù)量、濃度等進行分析,能夠了解設(shè)備的磨損狀態(tài)并診斷故障。基于計算機圖像處理技術(shù)的磨粒分析過程是圖像預(yù)處理→磨粒分割→特征提取→分類識別的單向線性流程。針對其磨粒分割困難、人工設(shè)計特征方法涉及環(huán)節(jié)多、繁瑣低效、存在誤差積累與傳遞、算法難以整體調(diào)優(yōu)等缺點,本文將卷積神經(jīng)網(wǎng)絡(luò)（CNN）技術(shù)引入鐵譜圖像分析,以提高鐵譜圖像分類和磨粒目標(biāo)檢測的自動化水平。結(jié)合不同類型磨粒的圖像顯著性,以整體判斷到細節(jié)識別為流程,開展了磨粒圖像分類CNN模型和目標(biāo)檢測CNN模型的設(shè)計、構(gòu)建和優(yōu)化研究,利用CNN模型特征自學(xué)習(xí)、深度抽象和端到端處理的特點,實現(xiàn)磨粒圖像智能分析。設(shè)計并構(gòu)建了磨粒圖像分類CNN模型——Wear-Net。首先結(jié)合實際獲取的磨粒圖像,利用顏色變換、圖像抖動等圖像增廣技術(shù),創(chuàng)建磨粒圖像分類數(shù)據(jù)集。其次,將AlexNet和VGG16兩種模型在磨粒圖像數(shù)據(jù)集上復(fù)現(xiàn)并對比,通過結(jié)構(gòu)和參數(shù)優(yōu)化,構(gòu)建了Wear-Net磨粒圖像分類模型。該模型包含四層卷積層,卷積核個數(shù)分別為64、128、256、128,實現(xiàn)了塊狀磨粒、鏈狀磨粒和復(fù)合磨粒等五種磨粒圖像的分類。最后對網(wǎng)絡(luò)卷積... 

【文章來源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1兩種磨粒分析流程對比

難分割磨粒圖像

識別該區(qū)域具體信息，這些區(qū)域構(gòu)成了圖像顯著性區(qū)域。(a) 顏色差異 (b) 形狀差異 (c) 方位差異圖2.1 圖像顯著性在數(shù)字圖像處理中，圖像顯著性特征主要由顏色、形狀、紋理等特征單獨或組合構(gòu)成。相對于容易受光照亮度、失焦模糊等因素影響的顏色和紋理特征，形狀特征是構(gòu)成目標(biāo)顯著性的更主要特征。圖 2.2 為一幅典型磨粒圖像。根據(jù)顏色差異，人們首先可以注意到圖像中磨粒與背景部分。然后依據(jù)不同區(qū)域磨粒的形狀差異，識別出圖中的細長環(huán)狀磨粒，及其左側(cè)模糊的大磨粒、上方的塊狀大磨粒和右側(cè)呈鏈狀分布的磨粒�？梢娙搜鄹鶕�(jù)圖像顯著性特點實現(xiàn)磨粒區(qū)域和背景


本文編號：2956583