TCBGY网络用于在铁谱中增强磨损颗粒检测,使用自我注意和多尺度融合
Lei He1, Haijun Wei2, Cunxun Sun3
1Merchant Marine College, Shanghai Maritime University, Shanghai, 201306, China. helei0014@stu.shmtu.edu.cn.
Scientific reports
|December 31, 2024
概括
这项研究介绍了TCBGY-Net,这是一个先进的算法,用于准确识别铁谱图像中的磨损颗粒. 新方法显著提高了检测准确度和速度,克服了当前铁谱技术的关键局限性.
科学领域:
- 三角学和机器状况监测监测
- 计算机视觉和深度学习
背景情况:
- 铁谱对于机器健康监测至关重要,但智能磨损颗粒识别面临着错过检测和复杂背景等挑战.
- 目前的方法难以准确,特别是对于小粒子和重叠特征,这阻碍了铁谱的采用.
研究的目的:
- 开发一个先进的算法,TCBGY-Net,用于在铁谱图像中强大而准确地检测磨损颗粒.
- 提高现有的深度学习模型的性能,以识别磨损颗粒,解决精度和速度的局限性.
主要方法:
- 拟议的TCBGY-Net使用了YOLOv5s骨干,并增强了C3TR模块 (变压器+C3) 进行全局特征提取和小粒子检测.
- 在部内嵌有卷积块注意模块 (CBAM) 增强功能突出性和幽灵模块,以减少复杂性和提高速度.
- 使用双向特征金字塔网络 (BiFPN) 实现有效的多尺度特征融合.
主要成果:
- TCBGY-Net实现了98.3%的平均平均精度 (mAP@0.5),比YOLOv5s提高了10.2%,在复杂的背景上显示出更高的精度.
- 该算法的检测速度高达89.2 FPS,超过了当前大多数主流算法.
- 废弃性研究证实了每个集成模块的有效性和稳定性.
结论:
- TCBGY-Net在铁谱的磨损颗粒识别方面取得了重大进展,克服了关键的检测挑战.
- 提高TCBGY-Net的准确性和速度为实时在线监控和船舶动力系统等系统的故障诊断铺平了道路.
- 这种算法提供了一个强大的解决方案,用于对铁谱图像的智能分析,促进该技术的更广泛应用.
