Page 110 - 《摩擦学学报》2021年第1期

第 1 期 杨智宏, 等: 基于Mask R-CNN网络的磨损颗粒智能识别与应用 107

(a) Original image (b) Overall edge filtering

(c) Vertical edge filtering (d) Horizontal edge filtering

Fig. 1 Example of convolution operation.
图 1 卷积操作示例

行，但整个识别过程的核心思想仍是卷积操作. 分支上添加并行分支以预测目标掩码，使用与Faster
1.2 Mask R-CNN网络 R-CNN相同的程序前半部分—区域推荐网络(RPN,
对磨粒图像的诊断分析工作是从识别图像中的 Region Proposal Network)用于提取感兴趣区域(ROI,
异常磨损颗粒开始的，而1张磨粒图像中往往包含有 Region of Interest, 即可能存在目标物体的区域)，然后
众多异常磨损颗粒，想要对其进行诊断和分析，就不 对提取的每个感兴趣区域预测目标边框偏移量(Box
可避免地要将图像中所有的异常磨损颗粒一一识别 regression)和目标分类(classification)，同时掩膜分支
出来，这就包含3个内容：(1)尽可能检测出所有目标磨 (Mask Branch)对ROI的进行实例分割，判断该区域内
粒(异常磨损颗粒)；(2)识别出这些磨粒分别属于哪个 每个像素点是否属于区域目标. 该模型极大地提高了
磨损分类；(3)将目标磨粒与图像背景、临近的磨粒分 像素级识别和分类的准确性，图2显示了该模型的具
割开，以获得磨粒的轮廓信息. 为了完成这3个任务， 体流程.
越来越多的研究人员通过改进卷积神经网络(CNN)进
2 基于Mask R-CNN的磨粒识别
而实现在像素级别对识别目标进行分类，从早期的
FCNs(完全卷积网络)、到Fast R-CNN(基于区域的卷 由于图像识别与磨粒识别有很强的共同特征，具
[18]
积神经网络)以及后来Faster R-CNN (改进的区域卷 备通过图像识别技术实现磨粒识别的理论基础，本节
积神经网络)，经过层层改进，运行效率和准确性不断 中介绍通过迁移学习实现基于Mask R-CNN网络的磨
提高，能对磨粒图像中的主要磨损颗粒进行识别和定 粒识别.
位，但在磨损颗粒轮廓识别上还有待进一步完善. 本文中主要研究常见异常磨损颗粒的识别，选取
2018年何凯明提出的Mask R-CNN网络 [19-20] 是一 642张具有典型磨损特征的磨粒图片进行标注，这些
种思路上简单而灵活的物体实例分割的方法，它结合 磨粒图像来源于某石化企业的滚动轴承、齿轮箱润滑
了Faster R-CNN和FCNs技术，在Faster R-CNN的原有 油的铁谱分析，滚动轴承采用油雾系统润滑，齿轮箱