[发明专利]基于轻量级残差U-net的反射光铁谱图像分割方法

说明书

本发明涉及铁谱图像分割技术领域，具体涉及一种基于轻量级残差U‑net的反射光铁谱图像分割方法，包括：融合深度残差网络与U‑net，构建轻量级残差U‑net；采集铁谱图像，对采集的铁谱图像进行筛选；采用自动标记方法对反射光铁谱图像进行标记，得到轻量级残差U‑net的训练数据集；用训练数据集训练轻量级残差U‑net，得到训练好的轻量级残差U‑net；用训练好的网络分割任意的反射光铁谱图像。受过训练的网络能够实现反射光铁谱图像的准确分割，同时具备良好的抗干扰性能。本发明解决了在有气泡干扰、光照不均匀情况下反射光铁谱图像分割问题，表面颜色特征复杂的磨粒也能准确分割。

技术领域

本发明涉及铁谱图像分割技术领域，具体涉及一种基于轻量级残差U-net的反射光铁谱图像分割方法。

背景技术

在现代化的工业生产中，需要对机械装备的运行状态进行检测维护，以此保证机械装备的可靠性。常用的诊断检测技术包括振动分析、油液检测、红外影像、声发射测量等，在油液检测中通过分析机械装备的润滑油的状态变化来进行机械故障的预测和诊断。铁谱分析技术是油液检测中一种新的磨损检测和故障诊断技术，对磨损颗粒的形态学特征进行提取来表征机械的磨损状态，通过油液监测就能获得设备的运行状态趋势，能更好的预测故障发生。

在线图像可视铁谱技术是一种典型的图像型磨粒传感器，通过铁谱图像中的磨粒特征信息来分析机械设备的运行状态，将铁谱分析技术与图像处理技术结合，使得磨粒的分割识别、特征参数的提取更加准确。但是，在当前的在线可视铁谱(OLVF)磨损监测中，完全依赖于透射光铁谱图像提取磨粒浓度指标IPCA，而信息更加丰富的反射光铁谱图像仍未得到应用。透射光铁谱图像的磨粒与背景对比度高，抗干扰性较强，磨粒易于分割处理，但是无法获取磨粒表面色彩信息，沉积在气隙区之外的磨粒无法有效地在透射光铁谱图像中显现。相对地，反射光铁谱图像包含磨粒表面颜色和形态特征，成像区域更广，能够提供更为丰富的磨损信息。但遗憾的是，由于磨粒表面颜色分布复杂，以及气泡干扰，导致反射光铁谱图像分割太困难，使得反射图像在磨损监测中仍未发挥作用，导致磨粒形态和颜色等视觉特征缺失。

在油液磨粒识别的故障诊断中，铁谱图像通过显微成像方式获得，成像区域除了磨粒外，还可能带有其他的干扰源，比如油液气泡，光照不均匀等。在分割时，气泡干扰会导致气泡被误认为磨粒将其分割，光照不均匀会导致铁谱图像中磨粒与背景的差异很小，在分割时出现磨粒与背景融为一体的情况。将磨粒从背景区域中分割出来存在很大的困难。

发明内容

为了解决上述反射光铁谱图像的分割问题，本发明提供一种基于轻量级残差U-net的反射光铁谱图像分割方法，该方法构建了一种轻量级残差U-net，同时采用一种反射光铁谱图像的自动标记方法制作训练数据集，完成了轻量级残差U-net网络训练，训练好的轻量级残差U-net可以实现反射光铁谱图像的精确分割。

一种基于轻量级残差U-net的反射光铁谱图像分割方法，括：采集反射光铁谱图像，输入训练好的轻量级残差U-net，网络输出磨粒分割结果；

其中，轻量级残差U-net先训练后使用，轻量级残差U-net的训练过程包括：

S1、融合深度残差网络与U-net，构建轻量级残差U-net；

S2、采集铁谱图像，对采集的铁谱图像进行筛选，剔除包含气泡的透射光铁谱图像和反射光铁谱图像，保留成像质量好、干扰少的透射光铁谱图像和反射光铁谱图像；

S3、采用自动标记方法对保留的反射光铁谱图像进行标记，得到训练数据集；

S4、用训练数据集训练轻量级残差U-net，训练样本数量≥200，网络卷积层层数≥18层，采用ADMA优化算法最小化输入图像与实际输出之间的损失值，通过优化参数不断减小输入的图像的标记和网络的实际输出之间的差异，得到训练好的轻量级残差U-net。

在一种优选实施方式中，步骤S1中轻量级残差U-net包括：