Page 113 - 《摩擦学学报》2021年第1期

110 摩 擦 学 学 报 第 41 卷

的能力也得到很好的训练. 好于R-50-FPN，这是因为R-101-FPN骨干网络有更复
2.3 模型结果及分析 杂的特征提取网络，
本文中对测试集的1 617个样本进行测试，获取网 (2) 磨粒识别模型对大、中尺寸的磨损颗粒有很
络骨干分别为R-50-FPN和R-101-FPN时磨粒识别模型 好的分类和实例分割效果，其原因是这类磨粒图像尺
的准确率和召回率. 评价时依据尺寸将磨粒分为三 寸大，磨损特征明显. 异常磨损颗粒通常是磨粒图像
类，即小尺寸磨粒(小于32×32像素)、中尺寸磨粒(介于 中的大、中尺寸颗粒，故该模型对异常磨损颗粒有较

32×32与96×96像素之间)、大尺寸磨粒(大于96×96像 好的识别效果.
素)，结果列于表1中. 结果表明：采用R-50-FPN 或R- (3) 磨粒识别模型对尺寸较小的磨损颗粒识别效
101-FPN为骨干网络的Mask R-CNN网络均能适应磨 果稍差，其准确率和召回率均较低，存在错误识别和
粒识别任务，其综合准确率接近2019年通用物体实例 漏识别. 小尺寸目标也是目前图像识别领域的1个难
[23]
分割中的主流水平 . 点，其原因是该类颗粒在图中尺寸较小，图像所含的
为了将模型识别效果可视化，在测试集中按磨粒 细节信息不足. 考虑到小尺寸磨粒对磨损评价的影响
数量由少至多选取6张典型磨粒图片作为示例，对这 小，该结果可接受.
6张图片分别选择R-50-FPN 和R-101-FPN的模型进行 可以看出，在本次试验中基于Mask R-CNN网络
预测，预测结果如图6所示. 的磨粒识别模型对以大、中尺寸为主的异常磨损颗粒
从图6的识别结果可以看出： 有很好的识别检测、磨损分类和实例分割效果. 该模
(1) 骨干网络采用R-50-FPN和R-101-FPN的Mask 型泛化能力在后续的工作中，可以通过网络改进和不
R-CNN网络都可以有效检测出图像中几乎所有的目 断新增训练样本的方式进一步提高. 此外，在磨粒图
标磨损颗粒，其中骨干网络采用R-101-FPN时结果稍 像的拍摄时通过控制合理的曝光、调节显微镜的物镜

表 1 试验结果
Table 1 Experimental results

Accuracy Recall
Backbone Network time/s
AP AP S AP M AP L AR AR S AR M AR L
R-50-FPN 0.147 0.358 0.113 0.380 0.445 0.332 0.213 0.488 0.566
R-101-FPN 0.412 0.382 0.126 0.411 0.443 0.351 0.232 0.525 0.558
Remarks: (1)APS, APM, APL, ARS, ARM, and ARL are the accuracy and recall of small-sized abrasive particles, medium-sized abrasive particles, and large-
sized abrasive particles.(2)Accuracy and recall are the average of the test results at 10 IoU thresholds which is increased from 0.5 to 0.95 in increments of 0.05.

Image

R-50-FPN

R-101-FPN

Labels
(Tatget)

Fig. 6 Identification results
图 6 磨粒图像识别结果