[发明专利]机械磨损颗粒识别方法、装置、电子设备及存储介质

权利要求书

1.一种机械磨损颗粒识别方法，其特征在于，所述方法包括：

将机械磨损颗粒的多个训练样本输入到初始化卷积神经网络CNN模型中进行训练，得到针对机械磨损颗粒的CNN特征提取器；

根据所述CNN特征提取器，提取训练样本中的特征向量；

将所述特征向量输入到支持向量机SVM分类器中进行训练，得到混合CNN模型；

通过所述混合CNN模型，将机械磨损颗粒的待测样本的特征向量输入训练后的SVM分类器中，以识别所述待测样本的磨粒类型。

2.根据权利要求1所述的机械磨损颗粒识别方法，其特征在于，所述方法还包括：

构建CNN模型；

对所述CNN模型进行初始化处理，得到所述初始化CNN模型。

3.根据权利要求2所述的机械磨损颗粒识别方法，其特征在于，所述CNN模型包括多个结构层，所述结构层至少包括：卷积层、最大池化层、全连接层及分类器层，所述构建CNN模型的步骤，具体包括：

通过滤波器提取上一结构层的特征向量；

根据输出的表达式，将提取的特征向量作为当前结构层的输入数据，并遍历全部结构层，以得到CNN的网络结构；

在每个卷积操作和全连接操作中加入激活函数，对各个结构层中的数据进行非线性化操作，以为所述网络结构提供非线性扭曲力；

根据预设函数为所述分类器层构建多个磨粒模型，得到CNN模型。

4.根据权利要求3所述的机械磨损颗粒识别方法，其特征在于，所述构建CNN模型的步骤，还包括：

构建CNN的损失函数；

对所述损失函数进行参数正则化处理，得到目标函数；

通过梯度下降法对每个结构层的权值和偏移值进行更新和学习。

5.根据权利要求3所述的机械磨损颗粒识别方法，其特征在于，所述输出的表达式为：

其中，s为输入该层的像素大小，p为边界填充单位数，f为滤波器大小，h为步长，n为滤波器个数，表示向下取整。

6.根据权利要求4所述的机械磨损颗粒识别方法，其特征在于，所述损失函数为：

其中，J₀为损失值，s_n代表一次训练的最小样本数，z_i表示期望输出即标记的标签，d_i表示预测输出值；

相应地，所述目标函数为：

其中，λ为需要根据经验进行调整的自由参数，N_w为权重的数目大小。

7.根据权利要求3所述的机械磨损颗粒识别方法，其特征在于，所述对所述SVM分类器进行训练，具体包括：

构建k(k-1)/2个SVM模型，其中，k为大于2的正整数，用于指示磨粒类型的类别；

从K类磨粒类型中选择两类为每个SVM模型进行训练，以构造k(k-1)/2个SVM分类器；

通过决策函数对所述k(k-1)/2个SVM分类器进行投票，得到训练后的SVM分类器。

8.一种机械磨损颗粒识别装置，其特征在于，所述装置包括：

构建模块，用于将机械磨损颗粒的多个训练样本输入初始化卷积神经网络CNN模型中进行训练，得到针对机械磨损颗粒的CNN特征提取器；

提取模块，用于根据所述CNN特征提取器，提取训练样本中的特征向量；

所述构建模块，还用于将所述特征向量输入SVM分类器，并对所述SVM分类器进行训练，得到混合CNN模型；

识别模块，用于通过所述混合CNN模型，将机械磨损颗粒的待测样本的特征向量输入训练后的SVM分类器，以识别所述待测样本的磨粒类型。

9.一种电子设备，其特征在于，所述电子设备包括处理器以及存储器；

所述处理器用于执行存储器中存储的机械磨损颗粒识别程序，以实现权利要求1-7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，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1-7任一项所述的方法。