张子杨 魏海军 刘 竑 贾风光

(1.上海海事大学商船学院 上海 201306；2.山东交通学院船舶与轮机工程学院 山东济南 264209)

大量研究数据表明，机械设备的故障多数是由于磨损引起的。铁谱诊断技术，通过提取机械系统中的润滑油，分离出其中携带的磨损颗粒(磨粒)，再对磨粒的尺寸、形态、颜色、粒度分布和磨粒浓度进行分析，即可以判断出设备的磨损状态、故障原因和位置[1-2]。但传统的铁谱磨粒图像分析，严重依赖人工经验，耗费大量时间，且分析结果主观[3-4]。

一些学者在磨粒图像的智能识别方面进行了研究。陈果和左洪福[5]运用C-均值有效实现了8种磨粒的聚类，但仅对少量磨粒图像样本进行了参数提取，且颜色、形状因子、尺寸等参数仍是人工测量。WANG等[6]使用蚁群算法提取磨粒边缘，对彩色图像的适应性较高，但需要进行人工阈值的选取预处理，不能达到智能化分割。安超等人[7]利用Inception-v3神经网络对严重滑动和疲劳剥块进行了有效分类，但由于类别较少，且是单目标磨粒数据集，不具有代表性。可见，以往的磨粒识别研究仍需要人工参数的测量与选取，且针对的多是背景简单的单目标磨粒，没有实现智能化。复杂背景下的多目标磨粒识别仍存在技术瓶颈。

近年来，卷积神经网络(Convolution Neural Network，CNN)结合深度学习在世界计算机图像识别挑战赛中屡次夺冠，在目标检测方面，表现日益良好[8]。深度学习的检测方法主要分为两大类，一类是两阶段检测，以RCNN(Regions with CNN)系列为代表，主要包括RCNN[9]、Fast RCNN[10]、Faster RCNN[11]等；……