基于Mask R-CNN的铁谱磨粒智能分割与识别

被引：6

作者：

安超 ^{[1
]}

魏海军 ^{[1
]}

刘竑 ^{[1
]}

梁麒立 ^{[1
]}

汪璐璐 ^{[2
]}

机构：

[1] 上海海事大学商船学院

[2] 上海海事大学信息工程学院

来源：

润滑与密封 | 2020年 / 45卷 / 03期

关键词：

深度神经网络; 铁谱磨粒; 迁移学习; Mask R-CNN; 分割与识别;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算]; TP391.41 []; TH117.1 [摩擦与磨损];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 080203 ;

摘要：

针对铁谱图像因背景复杂、尺寸分布广、颗粒重叠等导致难以精确分割与识别的问题,以相似度高的疲劳剥块、严重滑动磨粒、层状磨粒共3种异常磨粒作为研究对象,提出基于深度神经网络模型Mask R-CNN的对多目标铁谱磨粒进行智能分割与识别的方法,并对特征提取层分别选用深度不同的残差网络ResNet50和ResNet101进行对比试验。实验结果表明,基于迁移学习方法的Mask R-CNN+ResNet101模型能够在复杂背景下对多目标、多类型、多尺寸的相似磨粒进行有效分割与识别,测试集的平均精度高达76.2%,模型具有较好的泛化能力。

引用

页码：107 / 112

页数：6

共 25 条

[1]

Wear-Debris Analysis in Expert Systems[J] . Z. Peng,S. Goodwin. &nbspTribology Letters . 2001 (3)

[2] 基于Mask R-CNN的物体识别和定位 [J].

彭秋辰 ;

宋亦旭 .

清华大学学报(自然科学版), 2019, 59 (02) :135-141

[3] 基于亮度与色度信息的深度学习图像风格迁移算法研究 [J].

杨慧炯 ;

韩燕丽 ;

郭芸俊 .

重庆理工大学学报(自然科学), 2019, 33 (07) :145-151+159

[4] 基于深度学习优化SSD算法的硅片隐裂检测识别 [J].

田晓杰 ;

程耀瑜 ;

常国立 .

机床与液压, 2019, 47 (01) :36-40+60

[5] 基于深度学习优化SSD算法的硅片隐裂检测识别 [J].

田晓杰 ;

程耀瑜 ;

常国立 .

机床与液压, 2019, 47 (01) :36-40+60

[6]

Deep residual learning for image recognition. He K M,Zhang X Y,Ren S Q et al. IEEE Conference on Computer Vision and Pattern Recognition . 2016

[7]

铁谱图像分割及磨粒识别关键技术研究[D]. 王静秋.南京航空航天大学 2014

[8] 深度学习优化算法研究 [J].

仝卫国 ;

李敏霞 ;

张一可 .

计算机科学, 2018, 45(S2) (S2) :155-159

[9] 基于迁移学习的全连接神经网络舌象分类方法 [J].

杨晶东 ;

张朋 .

第二军医大学学报, 2018, 39 (08) :897-902

[10]

Feature pyramid networks for object detection. TSUNGYI L,PIOTR D,GIRSHICK R,et al. IEEE Conference on Computer Vision and Pattern Recognition(CVPR) . 2017

← 1 2 3 →