CN117036916A - 基于轻量级卷积神经网络模型的磨粒类型识别方法及装置 - Google Patents
基于轻量级卷积神经网络模型的磨粒类型识别方法及装置 Download PDFInfo
- Publication number
- CN117036916A CN117036916A CN202310963950.3A CN202310963950A CN117036916A CN 117036916 A CN117036916 A CN 117036916A CN 202310963950 A CN202310963950 A CN 202310963950A CN 117036916 A CN117036916 A CN 117036916A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- abrasive particle
- oil system
- lubricating oil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 109
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000006061 abrasive grain Substances 0.000 claims abstract description 86
- 239000010687 lubricating oil Substances 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000013138 pruning Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 239000010705 motor oil Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 229910052742 iron Inorganic materials 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013137 model compression technique Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/96—Management of image or video recognition tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种基于轻量级卷积神经网络模型的磨粒类型识别方法及装置,其方法包括:构建发动机滑油***的磨粒样本图像数据集,基于发动机滑油***的磨粒样本图像对残差卷积神经网络模型进行预训练;对预训练后的残差卷积神经网络模型进行剪枝,得到轻量级残差卷积神经网络模型;获取待识别发动机滑油***磨粒图像;基于轻量级残差卷积神经网络模型确定待识别发动机滑油***磨粒图像的磨粒类型。该方法能够对训练好的残差卷积神经网络模型进行剪枝,得到轻量级残差卷积神经网络模型,提高了模型运算的速度,基于轻量级残差卷积神经网络模型对磨粒类型进行识别,提高了发动机滑油***磨粒类型识别的效率。
Description
技术领域
本公开涉及航空发动机健康管理领域,尤其涉及一种基于轻量级卷积神经网络模型的磨粒类型识别方法及装置。
背景技术
航空发动机轴承、齿轮等部件磨损是导致发动机失效,引起飞机重大事故的主要因素之一,该故障会使轴承表面脱落产生磨粒进入滑油***。滑油***是保证发动机正常运行的重要组成部分,通过对滑油中包含的各零部件相互摩擦产生的磨粒进行分析,可以准确地判断发动机故障部位和异常磨损程度。
铁谱图像分析技术是一种从滑油中分离、检测和分析磨粒颗粒的油液分析技术,可以对各部件的磨损状态进行监测诊断,其中,磨粒图像分析是铁谱分析的关键。相关技术中,识别航空发动机的磨粒类型通常使用传统机器学习算法对磨粒特征进行计算,需要对铁谱图像进行灰度图、二值化以及阈值分割等处理,还需要自定义所需特征并对其进行定量分析,过程复杂繁琐,识别效率低。
发明内容
本公开提供了一种基于轻量级卷积神经网络模型的磨粒类型识别方法、装置、电子设备及存储介质。
根据本公开的第一方面,提供了一种基于轻量级卷积神经网络模型的磨粒类型识别方法,所述方法包括:构建发动机滑油***的磨粒样本图像数据集,所述磨粒样本图像数据集包括多个发动机滑油***的磨粒样本图像;
基于所述发动机滑油***的磨粒样本图像对残差卷积神经网络模型进行预训练;对预训练后的所述残差卷积神经网络模型进行剪枝处理,得到轻量级残差卷积神经网络模型;获取待识别发动机滑油***磨粒图像;基于所述轻量级残差卷积神经网络模型确定所述待识别发动机滑油***磨粒图像的磨粒类型。
根据本公开的第二方面,提供了一种基于轻量级卷积神经网络模型的磨粒类型识别装置,所述装置包括:构建模块,用于构建发动机滑油***的磨粒样本图像数据集,所述磨粒样本图像数据集包括多个发动机滑油***的磨粒样本图像;训练模块,用于基于所述发动机滑油***的磨粒样本图像对残差卷积神经网络模型进行预训练;处理模块,用于对预训练后的所述残差卷积神经网络模型进行剪枝处理,得到轻量级残差卷积神经网络模型;获取模块,用于获取待识别发动机滑油***磨粒图像;确定模块,用于基于所述轻量级残差卷积神经网络模型确定所述待识别发动机滑油***磨粒图像的磨粒类型。
根据本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本公开的上述方法。
本公开实施例提供的基于轻量级卷积神经网络模型的磨粒类型识别方法、装置、电子设备及存储介质,能够根据发动机滑油***的磨粒样本图像对残差卷积神经网络模型进行训练,并对训练好的残差卷积神经网络模型进行剪枝处理,进而得到轻量级残差卷积神经网络模型,提高了模型运算的速度,基于轻量级残差卷积神经网络模型对发动机滑油***的磨粒类型进行识别,提高了发动机滑油***磨粒类型识别的效率。
附图说明
在下面结合附图对于示例性实施例的描述中,本公开的更多细节、特征和优点被公开,在附图中:
图1为本公开一示例性实施例提供的一种基于轻量级卷积神经网络模型的磨粒类型识别方法的流程图;
图2为本公开一示例性实施例提供的一种基于轻量级卷积神经网络模型的磨粒类型识别装置的功能模块示意性框图;
图3为本公开一示例性实施例提供的电子设备的结构框图;
图4为本公开一示例性实施例提供的计算机***的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
航空发动机作为机械制造领域中最高端、精密的产品,具有高精度、高自动化、高集中化的特点,被视为展现一个国家科技水平和综合国力的重要核心技术。航空发动机的工作状态复杂多变,需要在高温、高压、高负荷的极端工况下持续长时间运行,容易发生故障,造成严重的经济损失,因此对其进行预测与健康管理(PHM)有重要的研究意义和应用价值。现存航空发动机均配备了PHM***,通过采集的航空发动机各项状态参数,对发动机进行性能状态评估、故障模式识别、性能趋势预测以及剩余寿命预测等。PHM***可以提高航空发动机的安全性和可靠性,降低发动机日常维修成本,有效减少发生飞行事故的风险,对安全生产和人身安全具有重要意义。
航空发动机轴承、齿轮等部件磨损是导致发动机失效,引起飞机重大事故的主要因素之一,该故障会使轴承表面脱落产生磨粒进入滑油***。滑油***是保证发动机正常运行的重要组成部分,通过对滑油中包含的各零部件相互摩擦产生的磨粒进行分析,可以准确地判断发动机故障部位和异常磨损程度。因此,及时有效地了解滑油中磨粒的类别和特征、监测航空发动机轴承及齿轮的磨损情况对航空发动机的健康管理具有重要意义。
铁谱图像分析技术是一种从滑油中分离、检测和分析磨粒颗粒的油液分析技术,可以对各部件的磨损状态进行监测诊断。其中磨粒图像分析是铁谱分析的关键,但是传统磨粒类型识别及分析方法较为繁琐,识别效率低且结果准确率较低。
基于此,本公开提出了一种基于轻量级卷积神经网络的磨粒类型识别方法,首先根据预先得到的航空发动机铁谱图像数据,对数据进行预处理,剔除不符合要求的图像,根据图像所包含的磨粒类型对其进行分类,根据类别给出铁谱图像的标签;随后针对小样本问题,利用ConSinGAN对抗生成网络模型对数据样本进行扩充,得到充足的训练数据;最后提出一种深度卷积神经网络的压缩加速算法,得到轻量级深度卷积神经网络模型,以扩充后的铁谱图像数据为基础对模型进行训练,确定模型权重参数,实现磨粒类型的自动化快速识别。具体的,该方法包括以下两个部分:
第一部分:数据处理与扩充。可选地,该部分包括以下步骤:
步骤一:对预先得到的航空发动机铁谱图像数据进行处理。
对预先得到的航空发动机原始铁谱图像数据进行数据清洗,剔除不符合要求的图像,确保每张铁谱图像都真实有效;随后将铁谱图像按照其中包含的磨粒类型分为疲劳磨粒、切削磨粒、球形磨粒、正常磨粒和严重滑动磨粒五类,给出图像标签。
步骤二:数据扩充。
通过深度卷积神经网络进行图像类型识别任务通常需要在较大的数据集上将模型训练至收敛,但是铁谱图像的真实数据获取途径单一、获取方式复杂,很难得到充足的数据。因此,需要对原始铁谱图像数据集进行扩充。
本公开使用ConSinGAN算法,该模型可在单张图像上完成对抗生成模型的训练。
ConSinGAN主要包含三个步骤:
(1)通过一个只包含三个卷积层的模型,利用一个随机噪声,生成一个低分辨率的粗糙图像(stage 0);
(2)在训练了n次迭代后,增加三个新的卷积层,生成一张分辨率较高的图像,这一步的输入是前一步的输出特征图(stage 1);
(3)重复进行步骤(2)直至得到期望的图像分辨率。并继续添加随机噪声,同时训练最后三个阶段(stage n-2,stage n-1,stage n),直至网络收敛,得到最终模型。
保存训练好的ConSinGAN模型,运行模型分别生成指定数量对抗生成图像,用于后续的磨粒类型识别。为了后续磨粒类型识别方法达到最佳效果,本步骤需要针对不同磨粒类型生成相同数量的图像。
第二部分:磨粒类型识别。可选地,该部分包括以下步骤:
步骤一、将数据集制作成标准CIFAR-10数据集的形式。
首先在扩充后的铁谱图像中随机抽取20%的图像(各类别数量相同)作为测试集,并将测试集作为独立的test_batch;剩余80%的图像作为训练集,并将训练集分为四个同等大小的train_batch,分别为data_batch_1,data_batch_2,data_batch_3,data_batch_4。之后按照要求生成batches.meta文件,即可得到标准CIFAR-10结构的铁谱图像数据集。
步骤二:模型训练。
本公开选择使用残差卷积神经网络模型ResNet对扩充后的铁谱图像数据集进行训练。ResNet残差网络是图像识别领域的经典模型,具有广泛的研究意义和应用场景,与传统串联结构卷积神经网络不同的是,ResNet引入了残差块结构,在残差块中,输入可通过跨层数据线路更快地向前传播,解决了传统串联结构卷积神经网络的梯度***和退化现象,即随着网络深度的增加,正确率开始饱和甚至下降。ResNet相比普通卷积神经网络更容易被优化,并且随着网络层数的加深有助于提高ResNet的准确率,但是其参数量大、计算复杂度高,对于大多数普通计算设备或便携式计算设备来说均超出了最大运算能力;同时在实际应用中,因为浮点计算量较多,会耗费较长的时间,很难快速给出正确的即时结果。因此,本公开将卷积神经网络压缩加速算法与ResNet相结合,提出了轻量级卷积神经网络模型。
首先,在扩充后的铁谱图像上进行ResNet模型预训练,得到原始权重。
以ResNet-18模型为例,该模型包含一个卷积核大小为3*3的卷积层;随后跟着四个残差块,每个残差块中包含两个卷积核大小为3*3的卷积层;最后为一个全连接层。在训练过程中,可以设置训练次数为30次,初始学习率为0.1,每经过10次训练,学习率将乘以0.1,动量为0.9,权重衰减设置为5e-4。将模型权重训练至收敛,并保存预训练好的权重参数。
其次,基于核主成分分析的分组剪枝算法对ResNet进行压缩加速。该部分主要包含三个步骤:
(1)卷积滤波器的聚类。
通过核主成分分析算法(KPCA)对原始权重进行降维,随后利用K-Means算法对降维后的权重进行聚类,分为大小相同的滤波器组。
(2)组剪枝。
利用L2范数对每个滤波器组进行分组剪枝,分别计算每个滤波器组中所包含卷积核的L2范数,对结果进行排序,将范数较小的部分进行删除,从而得到稀疏性权重;
(3)卷积层的重构。
因为稀疏性矩阵在实际硬件中的计算速度较慢,需依赖于特殊的稀疏矩阵运算库,无法实现算法的加速效果,因此在该步骤中需要将稀疏性参数重构为组卷积形式,该步骤主要包含三项操作:
1.在完成步骤(1)后,基于核主成分分析的分组剪枝算法会将滤波器根据聚类标签进行移动以得到滤波器组,因此与滤波器对应的输出特征图通道也会跟随滤波器被移动。该层的输出通道会传入到下一个卷积层中,作为输入通道进行计算,因此该层输出通道的变化会对后续网络造成影响,为了避免该影响,输出通道需要在滤波器聚类分组完成后被恢复成原始的顺序。
2.输入通道在步骤(2)后也需要进行相应的重构操作,使得最终的卷积层拥有组卷积层的结构。根据组剪枝结果,依次将每个滤波器组中被保留下来的输入通道进行重新排列,以得到结构化稀疏权重。
3.经过上述两项操作,我们会得到一个包含很多零值的结构化稀疏权重参数,按照组卷积层中权重的结构要求,将这些全零的权重删除并将非零权重依次挪到前面的位置以构建稠密权重。
通过重构操作,即可得到标准的组卷积层结构,用组卷积层替换原始卷积层,从而达到压缩网络减少计算量的目的。
最后,对经过剪枝后的轻量级ResNet模型进行微调训练,得到最终的轻量级ResNet模型。
示例性的,在扩充后的铁谱图像数据集上以0.001的学习率继续训练30次,得到最终的轻量级ResNet模型,并保存轻量级网络的权重参数,以供后续在实际磨粒识别任务中运行。
基于上述实施例,本公开实施例还提供了一种基于轻量级卷积神经网络模型的磨粒类型识别方法,如图1所示,该方法可以包括如下步骤:
在步骤S100中,构建发动机滑油***的磨粒样本图像数据集。
其中,磨粒样本图像数据集包括多个发动机滑油***的磨粒样本图像。
在一种可能的实现方式中,可以通过铁谱技术获得发动机滑油***的磨粒图像,并将发动机滑油***的磨粒图像作为发动机滑油***的磨粒样本图像。
在步骤S200中,基于发动机滑油***的磨粒样本图像对残差卷积神经网络模型进行预训练。
示例性的,可以将多个发动机滑油***的磨粒样本图像输入到残差卷积神经网络模型中,通过对残差卷积神经网络模型进行预训练,提高模型的泛化能力和鲁棒性。其中,预训练是指在大规模数据集上进行的一种先验训练,目标是训练一个通用的模型,在后续任务中进行微调或迁移学习。
在步骤S300中,对预训练后的残差卷积神经网络模型进行剪枝处理,得到轻量级残差卷积神经网络模型。
其中,剪枝是一种从神经网络中移除冗余权重或偏差的模型压缩技术。可以通过减少模型的大小和计算量来提高模型的效率和速度。
可选地,可以对预训练后的残差卷积神经网络模型进行结构化剪枝或非结构化剪枝。其中,结构化剪枝即剪掉神经元节点之间的不重要的连接。相当于把权重矩阵中的单个权重值设置为0。非结构化剪枝即同时去除权重矩阵中的某一行和列。
在步骤S400中,获取待识别发动机滑油***磨粒图像。
示例性的,可以通过铁谱图像分析技术从待识别发动机滑油中分离、检测和分析磨粒颗粒,得到待识别发动机滑油***磨粒图像。
在步骤S500中,基于轻量级残差卷积神经网络模型确定待识别发动机滑油***磨粒图像的磨粒类型。
示例性的,将待识别发动机滑油***磨粒图像输入轻量级残差卷积神经网络模型中,轻量级残差网络模型对待识别发动机滑油***磨粒图像进行识别,输出待识别发动机滑油***磨粒图像的类型。
通过上述方法,能够根据发动机滑油***的磨粒样本图像对残差卷积神经网络模型进行训练,并对训练好的残差卷积神经网络模型进行剪枝处理,进而得到轻量级残差卷积神经网络模型,提高了模型运算的速度,基于轻量级残差卷积神经网络模型对发动机滑油***的磨粒类型进行识别,提高了发动机滑油***磨粒类型识别的效率。
为了更清楚的地对本公开进行说明,基于上述实施例,上述步骤S100中,还包括以下步骤:
在步骤S110中,获取初始发动机滑油***磨粒样本图像数据。
在一种可能的实现方式中,初始发动机滑油***磨粒样本图像数据为未经过处理的图像数据,可以基于历史发动机滑油***磨粒分析的数据直接获得。
在步骤S120中,对初始发动机滑油***磨粒样本图像数据进行清洗,并基于初始发动机滑油***磨粒样本图像的类型生成图像标签。
在一种可能的实现方式中,对初始发动机滑油***磨粒样本图像数据进行清理,剔除不符合任务要求的图像,确保每张磨粒样本图像都真实有效;随后将磨粒样本图像按照其磨粒类型分为疲劳磨粒、切削磨粒、球形磨粒、正常磨粒和严重滑动磨粒五类,并给出图像标签。
在步骤S130中,基于ConSinGAN模型对清洗后的初始发动机滑油***磨粒样本图像中的目标磨粒样本图像进行扩充,得到多个磨粒样本图像,其中,多个磨粒样本图像的类型与目标磨粒样本图像的类型相同。
其中,目标磨粒样本图像的数量可以为多个,目标磨粒样本图像可以是疲劳磨粒、切削磨粒、球形磨粒、正常磨粒和严重滑动磨粒的任意一种。
在一种可能的实现方式中,通过深度卷积神经网络进行图像类型识别通常需要在较大的数据集上将模型训练至收敛,但是磨粒样本图像的真实数据获取途径单一、获取方式复杂,很难得到充足的数据。因此需要对初始磨粒样本图像数据进行扩充。
在一种可能的实现方式中,ConSinGAN模型可在单张图像上完成对抗生成模型的训练。
其中,ConSinGAN主要包含三个步骤:
(1)通过一个只包含三个卷积层的模型,利用一个随机噪声,生成一个低分辨率的粗糙图像(stage 0);
(2)在训练了n次迭代后,增加三个新的卷积层,生成一张分辨率较高的图像,这一步的输入是前一步的输出特征图(stage 1);
(3)重复进行步骤(2)直至得到期望的图像分辨率。并继续添加随机噪声,同时训练最后三个阶段(stage n-2,stage n-1,stage n),直至网络收敛,得到最终模型。
保存训练好的ConSinGAN模型,运行模型分别生成指定数量对抗生成图像用于后续的磨粒类型识别。可选地,为了后续磨粒类型识别方法达到最佳效果,可以针对不同磨粒类型生成相同数量的图像。
在步骤S140中,基于清洗后的初始发动机滑油***磨粒样本图像数据和扩充得到的多个磨粒样本图像得到发动机滑油***磨粒样本图像数据集。
在一种可能的实现方式中,可以将发动机滑油***磨粒样本图像数据集制作成标准CIFAR-10数据集的形式。首先在发动机滑油***磨粒样本图像数据集中随机抽取20%的图像(各类别数量相同)作为测试集,并将测试集作为独立的test_batch;剩余80%的图像作为训练集,并将训练集分为四个同等大小的train_batch,分别为data_batch_1,data_batch_2,data_batch_3,data_batch_4。之后按照要求生成batches.meta文件,即可得到标准CIFAR-10结构的发动机滑油***磨粒样本图像数据集。
为了更清楚的地对本公开进行说明,基于上述实施例,上述步骤S200中,还包括以下步骤:
在步骤S210中,基于发动机滑油***磨粒样本图像数据集对残差卷积神经网络模型进行预训练,在训练结果达到预设条件的情况下,停止训练,得到残差卷积神经网络模型的原始权重。
在一种可能的实现方式中,预设条件可以为训练次数达到30次,在训练次数达到30次的情况下,停止训练。
示例性的,以ResNet-18模型为例,该模型包含一个卷积核大小为3*3的卷积层;随后跟着四个残差块,每个残差块中包含两个卷积核大小为3*3的卷积层;最后为一个全连接层。在训练过程中,可以设置训练次数为30次,初始学习率为0.1,每经过10次训练,学习率将乘以0.1,动量为0.9,权重衰减设置为5e-4。将模型权重训练至收敛,并保存预训练好的权重参数。
为了更清楚的地对本公开进行说明,基于上述实施例,上述步骤S300中,还包括以下步骤:
在步骤S310中,对原始权重进行降维,并对降维后的权重进行聚类,得到多个大小相同的卷积滤波器组。
在一种可能的实现方式中,可以通过核主成分分析法(KPCA)对原始权重进行降维,利用K-Means算法对降维后的权重进行聚类。
在步骤S320中,分别计算每个卷积滤波器组中所包含的卷积核的L2范数,删除L2范数小于预设阈值的卷积滤波器组,得到稀疏性权重。
在一种可能的实现方式中,分别计算每个滤波器组中所包含卷积核的L2范数,对结果进行排序,将范数小于阈值的部分进行删除,从而得到稀疏性权重。
在步骤S330中,基于稀疏性权重得到组卷积层,并用组卷积层替换原始卷积层,得到轻量级残差卷积神经网络模型。
在一种可能的实现方式中,由于稀疏性矩阵在实际硬件中的计算速度较慢,需依赖于特殊的稀疏矩阵运算库,无法实现算法的加速效果,因此需要将稀疏性参数重构为组卷积形式。
为了更清楚的地对本公开进行说明,基于上述实施例,上述步骤S330中,还包括以下步骤:
在步骤S3301中,获取权重聚类后的输出通道的顺序以及分组剪枝后输入通道的顺序。
在一种可能的实现方式中,基于核主成分分析的分组剪枝算法会将滤波器根据聚类标签进行移动以得到滤波器组,因此与其对应的输出特征图通道也会跟随滤波器被移动,该层的输出通道会传入到下一个卷积层中,作为输入通道进行计算。
在步骤S3302中,将输入通道和输出通道的顺序恢复为原始顺序。
在一种可能的实现方式中,基于核主成分分析的分组剪枝算法会将滤波器根据聚类标签进行移动以得到滤波器组,因此与其对应的输出特征图通道也会跟随滤波器被移动。该层的输出通道会传入到下一个卷积层中,作为输入通道进行计算,因此该层输出通道的变化会对后续网络造成影响,为了避免该影响,输出通道需要在滤波器聚类分组完成后被恢复成原始的顺序。输入通道在分组剪枝后也需要进行相应的重构操作,使得最终的卷积层拥有组卷积层的结构。
在步骤S3303中,根据分组剪枝结果,依次将每个卷积滤波器组中被保留的输入通道进行重新排列,得到结构化稀疏权重。
在步骤S3304中,基于结构化稀权重构建稠密权重,得到组卷积层。
在一种可能的实现方式中,经过步骤S3302和S3303后会得到很多零值的结构化稀疏权重参数,按照组卷积层中权重的结构要求,将这些全零的权重删除并将非零权重依次挪到前面的位置以构建稠密权重。
通过重构操作,即可得到标准的组卷积层结构,用组卷积层替换原始卷积层,从而达到压缩网络减少计算量的目的。
为了更清楚的地对本公开进行说明,基于上述实施例,上述步骤S500中,还包括以下步骤:
在步骤S510中,基于预设学习率和发动机滑油***磨粒样本图像数据集调整轻量级残差卷积神经网络模型的权重。
示例性的,在发动机滑油***磨粒样本图像数据集上以0.001的学习率继续训练30次,并保存轻量级网络的权重参数。
在步骤S520中,基于调整后的轻量级残差卷积神经网络模型确定待识别发动机滑油***磨粒图像的磨粒类型。
通过微调进一步提高了轻量级残差卷积神经网络模型的精度,提高了磨粒类型识别的准确率。
在采用对应各个功能划分各个功能模块的情况下,本公开实施例提供了一种基于轻量级卷积神经网络模型的磨粒类型识别装置,该装置可以为服务器或应用于服务器的芯片。图2为本公开一示例性实施例提供的基于轻量级卷积神经网络模型的磨粒类型识别装置的功能模块示意性框图。如图2所示,该装置200包括:
构建模块201,用于构建发动机滑油***的磨粒样本图像数据集,磨粒样本图像数据集包括多个发动机滑油***的磨粒样本图像;
训练模块202,用于基于发动机滑油***的磨粒样本图像对残差卷积神经网络模型进行预训练;
处理模块203,用于对预训练后的残差卷积神经网络模型进行剪枝处理,得到轻量级残差卷积神经网络模型;
获取模块204,用于获取待识别发动机滑油***磨粒图像;
确定模块205,用于基于轻量级残差卷积神经网络模型确定待识别发动机滑油***磨粒图像的磨粒类型。
在一种可能的实现方式中,上述获取模块还用于获取初始发动机滑油***磨粒样本图像数据;上述处理模块还用于对初始发动机滑油***磨粒样本图像数据进行清洗,并基于初始发动机滑油***磨粒样本图像的类型生成图像标签;上述装置还包括:扩充模块,用于基于ConSinGAN模型对清洗后的初始发动机滑油***磨粒样本图像中的目标磨粒样本图像进行扩充,得到多个磨粒样本图像,其中,多个磨粒样本图像的类型与目标磨粒样本图像的类型相同;上述构建模块还用于基于清洗后的初始发动机滑油***磨粒样本图像数据和扩充得到的多个磨粒样本图像得到发动机滑油***磨粒样本图像数据集。
在一种可能的实现方式中,上述初始发动机滑油***磨粒样本图像的类型包括:疲劳磨粒、切削磨粒、球形磨粒、正常磨粒或严重滑动磨粒。
在一种可能的实现方式中,上述训练模块,还用于基于发动机滑油***磨粒样本图像数据集对残差卷积神经网络模型进行预训练,在训练结果达到预设条件的情况下,停止训练,得到残差卷积神经网络模型的原始权重。
在一种可能的实现方式中,上述处理模块,还用于对原始权重进行降维,并对降维后的权重进行聚类,得到多个大小相同的卷积滤波器组;分别计算每个卷积滤波器组中所包含的卷积核的L2范数,删除L2范数小于预设阈值的卷积滤波器组,得到稀疏性权重;基于稀疏性权重得到组卷积层,并用组卷积层替换原始卷积层,得到轻量级残差卷积神经网络模型。
在一种可能的实现方式中,上述获取模块,还用于获取权重聚类后的输出通道的顺序以及分组剪枝后输入通道的顺序;上述处理模块,还用于将输入通道和输出通道的顺序恢复为原始顺序;根据分组剪枝结果,依次将每个卷积滤波器组中被保留的输入通道进行重新排列,得到结构化稀疏权重;基于结构化稀权重构建稠密权重,得到组卷积层。
在一种可能的实现方式中,上述确定模块,还用于基于预设学习率和发动机滑油***磨粒样本图像数据集调整轻量级残差卷积神经网络模型的权重;基于调整后的轻量级残差卷积神经网络模型确定待识别发动机滑油***磨粒图像的磨粒类型。
本公开实施例还提供一种电子设备,包括:至少一个处理器;用于存储所述至少一个处理器可执行指令的存储器;其中,所述至少一个处理器被配置为执行所述指令,以实现本公开实施例公开的上述方法。
图3为本公开一示例性实施例提供的电子设备的结构示意图。如图3所示,该电子设备1800包括至少一个处理器1801以及耦接至处理器1801的存储器1802,该处理器1801可以执行本公开实施例公开的上述方法中的相应步骤。
上述处理器1801还可以称为中央处理单元(central processing unit,CPU),其可以是一种集成电路芯片,具有信号的处理能力。本公开实施例公开的上述方法中的各步骤可以通过处理器1801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1801可以是通用处理器、数字信号处理器(digital signal processing,DSP)、ASIC、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储器1802中,例如随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质。处理器1801读取存储器1802中的信息,结合其硬件完成上述方法的步骤。
另外,根据本公开的各种操作/处理在通过软件和/或固件实现的情况下,可从存储介质或网络向具有专用硬件结构的计算机***,例如图4所示的计算机***1900安装构成该软件的程序,该计算机***在安装有各种程序时,能够执行各种功能,包括诸如前文所述的功能等等。图4为本公开一示例性实施例提供的计算机***的结构框图。
计算机***1900旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,计算机***1900包括计算单元1901,该计算单元1901可以根据存储在只读存储器(ROM)1902中的计算机程序或者从存储单元1908加载到随机存取存储器(RAM)1903中的计算机程序,来执行各种适当的动作和处理。在RAM 1903中,还可存储计算机***1900操作所需的各种程序和数据。计算单元1901、ROM 1902以及RAM 1903通过总线1904彼此相连。输入/输出(I/O)接口1905也连接至总线1904。
计算机***1900中的多个部件连接至I/O接口1905,包括:输入单元1906、输出单元1907、存储单元1908以及通信单元1909。输入单元1906可以是能向计算机***1900输入信息的任何类型的设备,输入单元1906可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元1907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1908可以包括但不限于磁盘、光盘。通信单元1909允许计算机***1900通过网络诸如因特网的与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1901执行上文所描述的各个方法和处理。例如,在一些实施例中,本公开实施例公开的上述方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1902和/或通信单元1909而被载入和/或安装到电子设备1900上。在一些实施例中,计算单元1901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开实施例公开的上述方法。
本公开实施例还提供一种计算机可读存储介质,其中,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行本公开实施例公开的上述方法。
本公开实施例中的计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。上述计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。更具体的,上述计算机可读存储介质可以包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
本公开实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现本公开实施例公开的上述方法。
在本公开的实施例中,可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机,或者,可以连接到外部计算机。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块、部件或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块、部件或单元的名称在某种情况下并不构成对该模块、部件或单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示例性的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种基于轻量级卷积神经网络模型的磨粒类型识别方法,其特征在于,所述方法包括:
构建发动机滑油***的磨粒样本图像数据集,所述磨粒样本图像数据集包括多个发动机滑油***的磨粒样本图像;
基于所述发动机滑油***的磨粒样本图像对残差卷积神经网络模型进行预训练;
对预训练后的所述残差卷积神经网络模型进行剪枝处理,得到轻量级残差卷积神经网络模型;
获取待识别发动机滑油***磨粒图像;
基于所述轻量级残差卷积神经网络模型确定所述待识别发动机滑油***磨粒图像的磨粒类型。
2.根据权利要求1所述的方法,其特征在于,所述构建发动机滑油***的磨粒样本图像数据集,包括:
获取初始发动机滑油***磨粒样本图像数据;
对所述初始发动机滑油***磨粒样本图像数据进行清洗,并基于所述初始发动机滑油***磨粒样本图像的类型生成图像标签;
基于ConSinGAN模型对清洗后的所述初始发动机滑油***磨粒样本图像中的目标磨粒样本图像进行扩充,得到多个磨粒样本图像,其中,所述多个磨粒样本图像的类型与所述目标磨粒样本图像的类型相同;
基于清洗后的所述初始发动机滑油***磨粒样本图像数据和扩充得到的所述多个磨粒样本图像得到所述发动机滑油***磨粒样本图像数据集。
3.根据权利要求2所述的方法,其特征在于,所述初始发动机滑油***磨粒样本图像的类型包括:疲劳磨粒、切削磨粒、球形磨粒、正常磨粒或严重滑动磨粒。
4.根据权利要求1所述的方法,其特征在于,所述基于所述发动机滑油***的磨粒样本图像数据集对残差卷积神经网络模型进行预训练,包括:
基于所述发动机滑油***磨粒样本图像数据集对所述残差卷积神经网络模型进行预训练,在训练结果达到预设条件的情况下,停止训练,得到所述残差卷积神经网络模型的原始权重。
5.根据权利要求4所述的方法,其特征在于,所述对预训练后的所述残差卷积神经网络模型进行剪枝,得到轻量级残差卷积神经网络模型,包括:
对所述原始权重进行降维,并对降维后的权重进行聚类,得到多个大小相同的卷积滤波器组;
分别计算每个所述卷积滤波器组中所包含的卷积核的L2范数,删除所述L2范数小于预设阈值的所述卷积滤波器组,得到稀疏性权重;
基于所述稀疏性权重得到组卷积层,并用所述组卷积层替换原始卷积层,得到所述轻量级残差卷积神经网络模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述稀疏性权重得到组卷积层,包括:
获取权重聚类后的输出通道的顺序以及分组剪枝后输入通道的顺序;
将所述输入通道和所述输出通道的顺序恢复为原始顺序;
根据分组剪枝结果,依次将每个所述卷积滤波器组中被保留的输入通道进行重新排列,得到结构化稀疏权重;
基于所述结构化稀权重构建稠密权重,得到组卷积层。
7.根据权利要求1所述的方法,其特征在于,所述基于所述轻量级残差卷积神经网络模型确定所述待识别发动机滑油***磨粒图像的磨粒类型,包括:
基于预设学习率和所述发动机滑油***磨粒样本图像数据集调整所述轻量级残差卷积神经网络模型的权重;
基于调整后的所述轻量级残差卷积神经网络模型确定所述待识别发动机滑油***磨粒图像的磨粒类型。
8.一种基于轻量级卷积神经网络模型的磨粒类型识别装置,其特征在于,所述装置包括:
构建模块,用于构建发动机滑油***的磨粒样本图像数据集,所述磨粒样本图像数据集包括多个发动机滑油***的磨粒样本图像;
训练模块,用于基于所述发动机滑油***的磨粒样本图像对残差卷积神经网络模型进行预训练;
处理模块,用于对预训练后的所述残差卷积神经网络模型进行剪枝处理,得到轻量级残差卷积神经网络模型;
获取模块,用于获取待识别发动机滑油***磨粒图像;
确定模块,用于基于所述轻量级残差卷积神经网络模型确定所述待识别发动机滑油***磨粒图像的磨粒类型。
9.一种电子设备,其特征在于,包括:
至少一个处理器;
用于存储所述至少一个处理器可执行指令的存储器;
其中,所述至少一个处理器被配置为执行所述指令,以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963950.3A CN117036916B (zh) | 2023-08-02 | 2023-08-02 | 基于轻量级卷积神经网络模型的磨粒类型识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963950.3A CN117036916B (zh) | 2023-08-02 | 2023-08-02 | 基于轻量级卷积神经网络模型的磨粒类型识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036916A true CN117036916A (zh) | 2023-11-10 |
CN117036916B CN117036916B (zh) | 2024-04-05 |
Family
ID=88632889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310963950.3A Active CN117036916B (zh) | 2023-08-02 | 2023-08-02 | 基于轻量级卷积神经网络模型的磨粒类型识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036916B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120001832A1 (en) * | 2010-06-30 | 2012-01-05 | Skype Limited | Updating an image |
CN110245702A (zh) * | 2019-06-12 | 2019-09-17 | 深圳大学 | 机械磨损颗粒识别方法、装置、电子设备及存储介质 |
CN110992267A (zh) * | 2019-12-05 | 2020-04-10 | 北京科技大学 | 一种基于DPSR与Lightweight CNN的磨粒识别方法 |
CN111832608A (zh) * | 2020-05-29 | 2020-10-27 | 上海海事大学 | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 |
US20200364572A1 (en) * | 2019-05-15 | 2020-11-19 | Volkswagen Aktiengesellschaft | System and method for deep neural network compression |
CN114240947A (zh) * | 2022-02-28 | 2022-03-25 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 声扫图像数据库的构建方法、装置、计算机设备 |
CN114358279A (zh) * | 2021-12-09 | 2022-04-15 | 深圳大学 | 图像识别网络模型剪枝方法、装置、设备及存储介质 |
CN116402117A (zh) * | 2023-06-07 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 图像分类卷积神经网络剪枝方法及芯粒器件数据分配方法 |
-
2023
- 2023-08-02 CN CN202310963950.3A patent/CN117036916B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120001832A1 (en) * | 2010-06-30 | 2012-01-05 | Skype Limited | Updating an image |
US20200364572A1 (en) * | 2019-05-15 | 2020-11-19 | Volkswagen Aktiengesellschaft | System and method for deep neural network compression |
CN110245702A (zh) * | 2019-06-12 | 2019-09-17 | 深圳大学 | 机械磨损颗粒识别方法、装置、电子设备及存储介质 |
CN110992267A (zh) * | 2019-12-05 | 2020-04-10 | 北京科技大学 | 一种基于DPSR与Lightweight CNN的磨粒识别方法 |
CN111832608A (zh) * | 2020-05-29 | 2020-10-27 | 上海海事大学 | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 |
CN114358279A (zh) * | 2021-12-09 | 2022-04-15 | 深圳大学 | 图像识别网络模型剪枝方法、装置、设备及存储介质 |
CN114240947A (zh) * | 2022-02-28 | 2022-03-25 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 声扫图像数据库的构建方法、装置、计算机设备 |
CN116402117A (zh) * | 2023-06-07 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 图像分类卷积神经网络剪枝方法及芯粒器件数据分配方法 |
Non-Patent Citations (5)
Title |
---|
LAZAREVIC A等: "Effective pruning of neural network classifier ensembles", 《IJCNN\'01. INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS. PROCEEDINGS (CAT. NO. 01CH37222)》, vol. 2, pages 796 - 801, XP055861549, DOI: 10.1109/IJCNN.2001.939461 * |
刘钊等: "基于多层面压缩深度神经网络的轴承故障诊断", 《电子测量与仪器学报》, vol. 36, no. 7, pages 189 - 198 * |
孙康: "铁谱图像磨粒实例分割及分析***设计", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2, pages 029 - 1003 * |
张群等: "一种结合上下文语义的短文本聚类算法", 《计算机科学》, no. 2, pages 452 - 455 * |
林丽等: "基于油液在线监测的齿轮箱磨损趋势分析与研究", 《材料导报》, vol. 32, no. 18, pages 3230 - 3234 * |
Also Published As
Publication number | Publication date |
---|---|
CN117036916B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10157105B2 (en) | Method for data protection for cloud-based service system | |
Liao et al. | An empirical study of the impact of hyperparameter tuning and model optimization on the performance properties of deep neural networks | |
JP7268123B2 (ja) | 機器の故障及び残存耐用時間を予測する方法、装置及びプログラム | |
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
WO2023024407A1 (zh) | 基于相邻卷积的模型剪枝方法、装置及存储介质 | |
CN113692594A (zh) | 通过强化学***性改进 | |
CN111241694B (zh) | 一种基于大数据处理的飞机机群健康评估方法,设备及可读存储介质 | |
CN107730040A (zh) | 基于rbm的电力信息***日志信息综合特征提取方法和装置 | |
CN114580263A (zh) | 基于知识图谱的信息***故障预测方法及相关设备 | |
CN112131907A (zh) | 一种训练分类模型的方法及装置 | |
CN111950660A (zh) | 一种人工智能训练平台的告警预测方法及装置 | |
Nasser et al. | A hybrid of convolutional neural network and long short-term memory network approach to predictive maintenance | |
CN115270867A (zh) | 一种燃气轮机转子***改进dqn故障诊断方法及*** | |
US20230326191A1 (en) | Method and Apparatus for Enhancing Performance of Machine Learning Classification Task | |
EP4133346A1 (en) | Providing an alarm relating to anomaly scores assigned to input data method and system | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
CN115017819A (zh) | 一种基于混合模型的发动机剩余使用寿命预测方法及装置 | |
CN117036916B (zh) | 基于轻量级卷积神经网络模型的磨粒类型识别方法及装置 | |
CN110874601B (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
Dangut et al. | Rescaled-LSTM for predicting aircraft component replacement under imbalanced dataset constraint | |
EP3690670B1 (en) | Data processing system | |
CN114595525A (zh) | 一种基于线性回归和tcn的滚动轴承退化趋势预测方法 | |
Zhou et al. | Multisensor‐Based Heavy Machine Faulty Identification Using Sparse Autoencoder‐Based Feature Fusion and Deep Belief Network‐Based Ensemble Learning | |
CN114528285A (zh) | 项目预测方法以及装置 | |
Mateus et al. | Comparing LSTM and GRU Models to Predict the Condition of a Pulp Paper Press. Energies 2021, 14, 6958 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |