Page 114 - 《摩擦学学报》2021年第1期
P. 114
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 111
放大倍数可以捕获更多的磨粒细节信息，有效地提高 亦作为其中一类模型颗粒，借助识别出的比例尺信
磨粒识别的可靠性. 息，按比例计算出各磨粒的真实尺寸和真实面积.
比例尺×磨粒像素尺寸
3 磨粒智能识别的应用实践 磨粒真实尺寸 = (5)
比例尺像素尺寸
基于Mask R-CNN网络的磨粒识别模型能对磨损 在实际应用中，由于通常采用固定的显微镜和镜
颗粒进行实例分割，得出磨粒的掩膜信息(即Mask结 头，可利用显微镜校准标尺得到摄像头视场尺寸等信
果)，掩膜信息可以极大提高识别结果的利用价值，本 息，获得更为精确的计算比例.
章节中基于识别出磨粒的掩膜信息对磨粒图像的定 3.2 基于铁谱分析方法的磨粒图像评价
量评价进行探索. 磨粒分析通常是按照一定的标准进行结果报告，
3.1 磨粒图像数字化表征 目前工业应用中常用的有ASTM D7690《用分析式铁
磨粒识别模型得出的掩膜信息是与该磨粒边界 谱仪检验使用中的润滑油的微粒微观特性的标准操
框(Bounding Box)相同大小的1组二值数字图像，为便 作规程》、NB/T 51 068《煤矿在用设备齿轮油铁谱分析
于后续计算需要将其通过一定的算法转化具有实际 方法》及SH/T 0573《在用润滑油磨损颗粒试验法(分析
含义的数组或数值，如磨粒评价中常用到磨粒尺寸和 式铁谱法)》3个方法.
磨粒面积. 不难发现目前被广泛应用的磨粒分析方法均存
[24]
磨粒轮廓提取：通过Suzuki85算法 对该二值数 在难定量的问题，如ASTM D7690采用的是人工半定
字图像的进行拓扑分析，确定二值图像的外边界、孔 量分析，SH/T 0573、NB/T 51 068虽有定量分析的方法
边界以及他们的层次关系，获取图像的轮廓信息. 轮 但缺乏快捷有效的定量分析手段. 基于Mask R-CNN
廓信息表示为1组有序的二维的数组，是该磨粒上的 网络的磨粒识别模型可以对磨粒实现像素级的识别，
所有轮廓点的坐标. 为减少后续计算量，通常使用 识别结果经算法处理后可计算出每个颗粒的具体面
Teh-Chini近似算法提取轮廓中的关键点近似替代原 积、尺寸，很好地解决了传统磨粒分析中难定量的问题.
轮廓的所有点. 3.3 磨损指数预测的应用实践
磨粒像素面积：磨粒面积是评估1个磨粒大小的 磨粒分析结果按ASTM D7690或SH/T 0573的方
最直接体现，在磨粒图像中，磨粒的面积可以通过计 法进行报告，报告结果复杂、信息繁多不便于阅读，尤
算磨粒轮廓围成的多边形面积获得. 封闭像素轮廓所 其用在油液监测分析中，给非油液监测专业的人员如
围成多边形区域的面积可以通过向量积的方法求解， 生产现场的设备工程师在解读上带来一定困难. 因
其核心思想是在图像外选取一点将N边形划分为N个 此，提出磨损指数(Wear Index)的概念，该指数是对磨
三角形进行向量积求和. 由于三角形向量积是有向面 粒图像的关于磨损程度的1个综合评价，取值范围
积，无论是凹、凸多边形该方法均适用，其计算公式 1~9，将磨损程度划分为9个等级.
如下： 本文作者尝试使用决策树算法对来源于滚动轴
1 [∑ n−1 ] 承、齿轮箱润滑油的1 000张磨粒图像的磨损指数进行
S = (x i y i+1 − x i+1 y i )+(x n y 1 − x 1 y 2 ) (4)
2 1 预测，实现磨粒图像的量化分析评价.
式(4)中 、 决策树算法通常会采用多棵决策树组合成随机
x i y i分别为第i个点的横纵坐标.
磨粒像素尺寸：在润滑磨损分析中，磨粒长轴尺 森林，以集成学习的方法实现. 算法模型的输入信息
寸也是1个关键指标. 由于磨粒是不规则的颗粒，故通 是每类磨损颗粒的统计信息，这些信息包括磨粒个
过磨粒图像中的最小外接圆直径作为磨粒长轴尺寸 数、磨粒直径和面积的最大值、最小值、均值、求和值
是比较合理的. 使用迭代算法(iterative algorithm)查找 及标准差. 即每个类型的磨损颗粒以1+2×5=11个统计
包含二维点集的最小区域的圆，求出其直径作为磨粒 量进行描述，总维度为11×12=132维. 模型的输出为磨
的尺寸. 损指数的9种分类结果，磨损指数结果是通过多名专
磨粒实际尺寸计算：上述的磨粒面积和尺寸计算 家人工对磨粒图像进行整体的磨损烈度评分，评分去
的均是磨粒在磨粒图像中的像素面积、像素尺寸，实 除异常值后取平均值的四舍五入结果作为该张图片
际应用中须转化为磨粒的真实面积、尺寸. 在前述磨 的最终磨损指数.
粒识别模型的训练时，将磨粒图像的各种比例尺信息 试验将样本集按0.7:0.3划分为测试集和训练集，
