Page 111 - 《摩擦学学报》2021年第1期

108 摩 擦 学 学 报 第 41 卷

RPN
(Region proposal
network)
Profile information
Mask branch

CNN Location information
Image Box regressin
(Convolutional
neural networks)
Classification results
Classification
Region of interest

Fig. 2 Diagram of Mask R-CNN network
图 2 Mask R-CNN网络示意图

0 0
100 100

200 200

300 300
400 400
0: _background_
1: 20 μm
2: FeFat
500 500 3: FeOxi
20 μm 20 μm 4: FeRub
5: FeSph
6: Sludge
600 600
0 100 200 300 400 500 600 700 800 0 100 200 300 400 500 600 700 800
(a) Original image (b) Labels

Fig. 3 Example of labels
图 3 磨粒图片标注示例
采用喷油润滑. 百万级别的磨粒标注数据. 在磨粒智能识别任务中，
标注的颗粒类别包含了磨粒分析中经常遇见的 收集充分的磨粒标注数据代价是十分昂贵，甚至是不
12类异常磨损颗粒或污染颗粒，如来源于滚动体、轴 可能的. 近年来随着机器学习研究的不断深入，可以
承内外圈磨损的钢质疲劳颗粒、黏着擦伤颗粒、球状 通过迁移学习(Transfer learning) 来帮助磨粒识别模型
疲劳颗粒、滑动颗粒、切削颗粒和高温氧化颗粒，来源 的训练.
于轴承保持架的铜合金黏着颗粒、切削颗粒和高温氧 迁移学习是通过从已学习的相关任务中吸取通
化颗粒等，对磨粒分析中常遇到的污染颗粒如油泥、 用知识来改进新任务的学习，是利用大数据解决小数
粉尘也进行了标注. 为实现后续磨粒尺寸、面积的计 据问题的核心技术. 研究表明，在计算机视觉任务中
算，同时对磨粒图像的比例尺信息进行标注，共有 将预训练模型作为新模型的训练起点是一种行之有
“20 μm”、“50 μm”、“100 μm”3类. 使用LableMe标注 效的模型参数迁移学习方法. 这是因为通常这些预训
软件对磨粒图片按COCO数据集的格式进行标注，并 练的模型在开发时候已经消耗了巨大的时间资源和
生成相应格式的数据集. 计算资源，已习得的强大特征提取技能，可以通过迁
通过上述方法对642张磨粒图片进行标注，共获 移学习将这些特征提取能力迁移到相关的任务上 [21-22] .
得5 430个颗粒样本. 将70%样本划分作为训练集(train set) 本研究中采用的是基于模型参数的迁移学习，将
用于识别模型的训练，将剩余30%作为测试集(test set)， 1个通过COCO数据集训练好的Mask R-CNN通用图像
用来评估训练后模型的泛化误差. 分类网络模型作为预训练模型，训练过程主要是对分
2.1 迁移学习 类网络、定位网络和分割网络的训练，对特征提取网
Mask R-CNN网络的参数庞大，若想将其训练成 络、区域推荐网络仅进行微调(fine-tune)，实施方案如下
效果较为理想的磨粒识别模型，往往需要数十万甚至 图4所示.