基于深度學習的航空發動機滑油磨粒檢測研究

侯媛媛，李江紅，薛軍印

(1.西安航空學院 計算機學院，西安 710077； 2.西北工業大學 動力與能源學院，西安 710072；3.杭州海康威視數字技術股份有限公司 智能算法部，杭州 310051)

0 引言

航空潤滑油主要完成航空發動機軸承和齒輪的潤滑，保障航空發動機的正常運轉。如果軸承得不到充足的潤滑，機械間的摩擦會加大，溫度升高，摩擦熱量會使摩擦面上出現變形和摩擦顯微焊合、乃至局部融化等狀況，這些焊點隨之又會在旋轉作用下被撕裂。軸承部件之間粘著—撕裂—粘著的狀態持續到最后，會導致軸承喪失旋轉能力，最終卡死抱軸，發動機停車[1]。

目前，航空發動機滑油磨粒檢測方法主要分為離線和在線檢測。離線檢測的過程為先采集樣本，然后對其分類，最后用一些傳統的方法如掃描電鏡[2]、鐵譜分析[3]對樣本進行分析。這種方式檢測精度高，但耗時長，只能對發動機當前狀態進行評估，不能及時對故障進行排查和預防。

在線檢測方法較多，國外主要集中在聲、光、電、能量等方面。相對于國外國內起步較晚，主要是一些方法的創新和加工工藝的研究。近年來隨著深度學習在模式識別領域的應用與發展，相關人員也逐漸對神經網絡在滑油磨粒檢測過程中的應用進行探索和研究。申江江等人[4]利用 RBF 神經網絡，提取滑油磨粒光譜檢測數據的狀態特征，根據滑油中各金屬元素濃度的變化趨勢，分析發動機的磨損狀態，實現了發動機磨損故障及故障部位的診斷分類。鮮倪軍等人[5]提出了一種基于 ABC-BP 神經網絡的發動機磨損故障診斷模型，提取滑油磨屑特征參數和鐵譜數據的狀態特征，該模型收斂速度快，診斷精度高，可有效識別發動機磨損類別。陳慶貴等人[6]將BP 神經網絡和 RBF 神經網絡應用于發動機滑油金屬元素含量的預測中，取得了較好的預測效果。劉加衛等人[7]將極限學習機應用于滑油鐵譜磨粒圖像的分類識別中，識別5種磨粒的彩色圖像特征，診斷準確率高達 96%。王濤等人[8]提出基于深度學習的ECT滑油檢測技術，其設計的滑油狀態診斷模型可自動提取滑油檢測數據的狀態特征。在線檢測方式速度較快[9]，但檢測設備相對復雜，存在由設備導致檢測精度偏低的現象[10]， 且局限性強，對一些非鐵磁性磨粒無法檢測。

本文通過計算機視覺進行圖像采集和深度學習的方法對磨粒進行測試，屬于在線檢測的一種。檢測設備和檢測方法上均有所突破，整個設備小巧便攜，通過圖像采集能夠對大部分磨粒進行檢測。采用YOLOv3[11]模型對磨粒進行測試加快了測試速度，使用圖像增強和消融試驗優化方法提升了其測試精度。最后針對模型誤檢率偏高的問題，設計SER算法來優化模型的推理置信度閾值，提升了磨粒檢測的召回率和精準度。

1 滑油圖像數據采集與標定

相對于傳統計算機視覺算法，深度學習模型在數據量充分且標記精確的數據集下，模型具有更高的精度和泛化性。因此基于航空發動機磨損機理[12]，從發動機工時和飛機批次兩個角度對滑油樣品聯合采樣；針對傳統檢測方法檢測尺度小、無法對非鐵磁性磨粒檢測等缺點，對油料加注組件和成像元件選型，通過對流動速度和壓力分布云圖仿真[13]，提出連續流微流控芯片滑油圖像采樣方法，搭建滑油圖像采集系統；采取分層采樣方法抽取2 000張4 608×3 288像素滑油圖像，最后基于數據初次標注和數據回滾標注，構造滑油磨粒數據集。

1.1 滑油樣品聯合采樣

航空發動機不同工作時間下，滑油磨粒數量和形狀均不同。本實驗采集的滑油樣品來自XX發動機。前50小時即前期磨損階段，磨損率較高，發動機工作50小時后，舊滑油被新滑油替代，發動機工作50～500小時期間，發動機磨損進入平穩期，磨損率處于較低水平，隨著時間推移磨損率逐漸升高。對于相同型號的發動機，即使在相同時間段，因服役的飛機型號、飛行方式以及地點等一些因素的影響，滑油磨粒的濃度、尺寸和形態均存在差異[14]。為了保證采樣的滑油樣品具有泛化性和代表性，從發動機運行工時和飛機批次兩個角度對XX發動機滑油聯合采樣。

同一批次飛機發動機運行工時通常分布在某一時間段，因此對于多個批次的飛機進行采樣能夠滿足發動機不同運行工時的要求。本實驗共收集了6種飛機批次的滑油樣品，分別記作為60、61、62、63、64和65，采樣的滑油樣品在不同工時段和不同批次的瓶數分布如表1所示。

表1 聯合采樣收集到的滑油樣本分布

1.2 滑油圖像數據采集系統

滑油磨粒圖像采樣系統主要包括油料加注組件、成像元件、連續流微流控芯片3個部分，如圖1所示。連續流微流控芯片主要保證滑油采樣區域的流動穩定性和連續性。滑油圖像采樣系統采用的相機為維數數字圖像技術有限公司的MV-EM1400C相機，為小尺寸以太網的1 400萬像素工業相機鏡頭，相機采集到4 608×3 288像素滑油圖像，高分辨率的滑油圖像保證了采集到的滑油圖像有更多的磨粒信息，同時1.4 μm的像元保證了實際物理距離夠小，小尺度磨粒有更多的像素面積。相機7FPS的采樣幀率，保證了較快的成像，磨粒的流動陰影較少，且能在短時間內采集到較多的滑油圖像。相機采用大型數據包傳輸和更加穩定和通用的千兆以太網絡進行傳輸，減少對中斷的處理，保證了穩定的數據傳輸，加快了傳輸速度，滿足峰值傳輸速度315 MB/s。相機和鏡頭提供足夠大的放大倍數和更少的光畸變，保證能夠清晰分辨5 μm以上的磨粒。

圖1 滑油圖像采樣系統

基于以上采樣方法，搭建滑油圖像采集系統。圖2為采集系統采到的滑油樣例局部放大圖，其中圖(a)-(d)分別為較充足的光照下，對不同滑油樣品采集后的滑油圖像樣例局部圖。由圖可知基于工時以及飛機批次聯合采樣的滑油樣品，通過本系統的采集，滑油圖像光照、背景、磨粒尺寸和形態信息均比較充分，能夠反映滑油油液的微觀表現，搭建的采樣系統解決了5 μm以上的磨粒采集問題。

圖2 未標記滑油圖像數據庫樣例

1.3 滑油磨粒數據集構造

基于滑油圖像數據采集系統，對滑油樣品進行采樣，每瓶樣本采樣30～40張圖像，一共收集5 358張未標記的滑油圖像。在深度學習目標檢測領域，PASCAL VOC數據集和MS-COCO數據集為最常用的兩個數據集，標注格式分別為VOC和COCO。

VOC格式生成XML文件，文件采用樹狀結構記錄數據，占用空間較多，結構復雜，但可擴展性強且方便查看。COCO格式生成JSON文件，文件存儲了標注數據結構，占用空間少，相同信息能夠復用，方便機器識別和讀取，同時數據結構簡明，記錄方式簡單。因此在滑油圖像標注階段，數據集標注采用VOC格式，標注完后，轉為COCO格式進行訓練。

針對于滑油磨粒數據集，統計磨粒的標注信息，數據集共有23.8萬個磨粒目標框，平均每張滑油圖像存在119個標注。隨機選擇標定后的2 000張圖像作為滑油磨粒數據集，采用8∶2比例從滑油磨粒數據集中抽取1 600張圖像作為滑油磨粒訓練集，剩余400張作為滑油磨粒測試集。

2 基準模型訓練研究

由于一階段網絡和二階段網絡特征提取方法不同，為了在滑油磨粒數據集上表現出優異的卷積神經網絡模型，選則一階段YOLOv3模型[15]和二階段Faster RCNN模型[16]作為滑油磨粒檢測基準模型。分別對一階段YOLOv3模型和二階段Faster RCNN模型進行訓練研究。

2.1 基準模型訓練

通過BP算法[17]對網絡參數進行優化，使模型在滑油磨粒訓練集上具有滑油磨粒檢測能力。對于定義好的網絡結構f(θ)，損失函數L，學習率lr，滑油磨粒訓練數據集X{x1,x2,...,xn}及其對應的滑油磨粒標記Y{y1,y2,...,yn}進行訓練，流程如圖3所示。主要包括5個步驟：

圖3 滑油磨粒檢測任務的訓練過程

1)隨機不重復從滑油磨粒訓練集X中選取一個訓練批次X1{xa,...,xb}以及對應標記Y1{ya,...,yb}。

2)對訓練批次X1{xa,...,xb}和對應標記Y1{ya,...,yb}進行歸一化預處理操作。

為了使模型的尋優過程平緩，更容易收斂到最優解空間，需要對訓練批次進行歸一化[18]。對于訓練批次每張滑油圖像的每個RBG像素值進行如式(1)的歸一化操作：

(1)

式中，μr、μg、μb為設定的歸一化RGB均值；σr、σg、σb為設定的歸一化RGB方差；r、g、b為未歸一化前的RGB像素值；r′、g′、b′為歸一化后的RGB像素值。

(2)

(3)

YOLOv3模型的損失函數如式(4)所示：

(4)

Faster RCNN模型的損失函數如式(5)所示：

(5)

(6)

式中,x、y、w、h分別為真實磨粒框的中心橫縱坐標、寬度、高度；xa、ya、wa、ha分別為錨點的中心橫縱坐標、寬度、高度；

(7)

式中,x′、y′、w′、h′分別為預測磨粒框的中心橫縱坐標、寬度、高度。

4)依據l1進行網絡的反向傳播，更新卷積神經網絡參數θ，如式(8)所示：

θ′=θ-lr×▽g(l1)

(8)

5)判斷滑油磨粒訓練集是否遍歷結束，若訓練集未遍歷結束，重復前3步，若訓練集遍歷結束，則判斷訓練輪數是否達到設定值。

6)訓練輪數若未達到設定值，開始新的一輪訓練，重復前4步，若達到設定值，則保存模型以及參數，結束模型訓練。

2.2 基準模型訓練試驗

基于以上訓練流程，兼顧測試精度和測試速度性能指標，搭建滑油磨粒訓練環境。測試中使用4張11 GB內存的2080Ti顯卡和AMD 3960X CPU，多GPU高內存吞吐和多核性能保證模型的訓練時間。64 GB的內存保證圖像數據預處理階段有足夠的空間緩存中間結果，不會因為空間不足導致線程堵塞。

軟件環境如表2所示。模型訓練的軟件環境為Ubuntu、Python、Pytroch、MMdetection等。MMdetection作為Python編譯器和Pytorch庫目標檢測模型訓練框架，集成了很多目標檢測模型，提供豐富API接口，方便對模型進行改進訓練。因此選用MMdtection作為YOLOv3模型和Faster RCNN模型的訓練框架，根據API接口完成骨干網絡、輸入數據格式、訓練參數設置和數據增強方法的調試和代碼編寫。

表2 模型訓練軟件環境

Faster RCNN、YOLOv3模型訓練相關參數如表3所示。為了保證Faster RCNN和YOLOv3模型的精度和速度，骨干網絡分別采用了ResNet50和DarkNet53。為加速模型的收斂速度且保證模型不陷入局部最優解，兩個基準模型的優化器均選用SGDM。為了使初始訓練梯度保持穩定且網絡更容易收斂，兩模型均采用帶學習率預熱的階梯學習率策略，預熱后初始學習率分別為0.002和0.02。由于一階段的卷積神經網絡需要更多輪數的訓練，所以YOLOv3模型的訓練輪數設置為300輪，Faster RCNN模型的訓練輪數為20輪。

表3 模型訓練相關參數

訓練結束后，分別對Faster RCNN和YOLOv3模型進行損失分析。圖4為兩種模型的損失隨迭代次數的變化關系。隨著迭代次數的遞增，兩個模型的損失呈下降趨勢，且在學習率下調的時候，損失下降最大。在訓練迭代次數最后，損失在橫向振蕩，證明兩個模型均已訓練完成。

圖4 模型損失隨迭代次數變化趨勢圖

3 基準模型測試研究

3.1 基準模型測試

經過模型訓練得到優化卷積神經網絡模型，需要對卷積神經網絡進行測試以驗證模型效果，使用的評價指標有：交并比(IOU, intersection over union)、召回率(recall)和精確率(precision)、均值平均精度(mAP，mean average precision，)和每秒幀數(FPS, frames per second)。

對于以上指標，若模型均達標，則模型訓練驗證完成，若未達到預計的性能，則對卷積神經網絡模型結構及參數進行調整，重新進行訓練。滑油磨粒檢測任務的測試流程如圖5所示。

圖5 滑油磨粒檢測任務的測試流程

具體步驟如下：

1)加載訓練后的卷積神經網絡模型及參數。

2)從滑油磨粒測試集T中不重復選取滑油圖像，進行歸一化預處理操作。

3)預處理結束的滑油圖像數據送入到訓練后的卷積神經網絡中，得到初步預測結果。

4)為去掉大量的誤檢磨粒框，采用0.05的置信度進行過濾。對于過濾后的預測結果采用NMS方法去除同一磨粒的低置信度磨粒框，得到NMS之后的處理結果，即為最終的預測結果。

5)判斷測試集是否測試結束，若未結束，重復步驟2)～4)，若結束，統計測試集的結果，并計算相關指標。

3.2 基準模型測試結果

Faster RCNN、YOLOv3基準模型在滑油磨粒測試集上的結果如表所示。Faster RCNN、YOLOv3測試集上表現較佳，兩者mAP相差不大，均在大滑油磨粒的檢測上較為優秀，其中大滑油磨粒的平均精度用APL表示，分別達到了90.5%和89.9%；在小滑油磨粒的檢測上有改進空間，小滑油磨粒的平均精度用APS表示，分別為72.1%和69.3%；中等大小物體檢測相對較好，中等滑油磨粒的平均精度用APM表示，分別為85.2%和83.5%。在IOU判定閾值為0.75，YOLOv3模型的AP75(表示判定閾值為0.75的平均精度)比Faster RCNN模型差1.2%；在IOU判定閾值為0.5時，YOLOv3較Faster RCNN模型的AP50表現差距較小，相差0.9%，試驗結果表明在基準模型測試中，兩模型都達到了較好的效果，Faster RCNN模型的精度高于YOLOv3模型。但YOLOv3的推理速度比Faster RCNN的推理速度高5.9 FPS。在測試速度上，YOLOv3模型占絕對優勢。因此，下文重點采用一些優化算法來保證測試速度的基礎上提升模型的測試精度。

表4 基準模型測試結果

4 滑油磨粒檢測優化方法

4.1 滑油圖像增強方法

在滑油磨粒檢測基準模型訓練階段，兩模型均使用了基礎數據增強方法，即翻轉和多尺度。為了提升模型整體性能，對于滑油磨粒數據集，除了翻轉和多尺度外，還可采用旋轉、Mixup、CutMix和Mosaic方法進行測試。

旋轉：轉動滑油圖像，進行數據擴增。本實驗數據集不包含掩碼標記，只存在目標框，所以不可能實現任意角度的旋轉，因此旋轉角度為有限角度，分別為0°、90°、180°和270°。

從圖6中可以看出僅通過簡單的旋轉，一個原始滑油圖像可以生成3個新的滑油圖像。

圖6 旋轉增強后圖片

Mixup[19]：使用線性插值方法得到新樣本，從滑油磨粒訓練集中隨機抽取兩個樣本進行簡單隨機加權求和，同時滑油磨粒標簽也對應加權求和，然后預測結果與加權求和之后的標簽求損失，再反向求導更新網絡參數。該方法可以降低模型對已損壞標簽的記憶，增強模型對抗樣本的魯棒性和訓練生成對抗網絡的穩定性。

CutMix[20]：隨機選取兩個滑油圖像，如圖7(a)與圖7(b)，對于圖(a)隨機生成一個裁剪框，裁剪圖(a)相應位置，然后用圖(b)片相應大小區域放到圖(a)中被裁剪的區域構成新的滑油圖像，計算損失，同樣采用加權求和的方式進行求解。

圖7 Mixup操作生成的新圖片

圖8為圖7中(a)與(b)經過CutMix操作生成的新圖片。圖8中(a)圖的一部分區域被裁剪，使用圖(b)的對應區域進行填充。由于兩個圖片背景信息不同，導致CutMix在融合之后，會出現局部背景突變情況。不同背景磨粒在擴充數據集的基礎上，可以使深度學習模型學到更多組合信息，改善模型的泛化性能。

圖8 CutMix操作生成的新圖片

Mosaic：融合4張不同滑油訓練圖像數據。Mosaic增強方法使得檢測模型可以檢測到上下文之外的對象，同時BN計算了4個不同滑油圖像激活之后的統計量，緩解了小批次下BN對檢測精度的影響。

圖9為4張滑油圖像進行Mosaic增強操作生成的新圖片，新圖保留原始圖片的局部信息。相較于Mixup與CutMix，Mosaic增強操作生成的滑油圖像更加多樣化，擁有更復雜的樣本組合，同時減少了BN歸一化計算的偏差。Mosaic方法使得深度學習模型能夠學到更多的樣本信息，提高模型了的泛化能力。

圖9 Mosaic操作生成的圖片

4.2 滑油圖像數據增強消融試驗

通過組合以上4種方法，得到7種不同方案，分別為旋轉、Mixup、CutMix、Mosaic、旋轉+Mixup+Mosaic、旋轉+CutMix+Mosaic旋轉+Mixup+CutMix+Mosaic。前4種為單圖像數據增強方案，后3種為多圖像數據增強融合方案。

單圖像數據增強方案具體步驟如下：

1)從滑油磨粒訓練集中加載滑油圖像。

2)依據0～1區間分布隨機概率值P。

3)判斷P是否大于0.5，若P>0.5，則進行單數據增強操作。若為第1種方案，則以0°、90°、180°、270°等概率隨機旋轉滑油圖像；若為第2種方案，則進行Mixup操作；若為第3種方案，則進行CutMix操作，若為第4種方案，則進行Mosaic操作。

4)若P小于等于0.5或完成單數據增強操作，直接輸出結果。

第5種(第6、7種方法一致)數據增強融合方案具體步驟如下：

1)從滑油磨粒訓練集中加載滑油圖像。

2)依據0～1區間分布隨機概率值P1。判斷P1是否大于0.5，若P1>0.5，則以0°、90°、180°、270°等概率隨機旋轉滑油圖像。

3)若P1≤0.5或旋轉增強結束，依據0～1區間分布隨機概率值P2。判斷P2是否大于0.5，若P2>0.5，則對滑油圖像進行Mixup操作。

(4)若P2≤0.5或Mixup增強結束，依據0～1區間分布隨機概率值P3。判斷P3是否大于0.5，若P3>0.5，則對滑油圖像進行Mosaic操作。

5)若P3≤0.5或Mosaic增強結束，輸出增強后的滑油圖像。

對于上述兩個基準模型，分別進行了7個滑油圖像數據增強消融試驗。從mAP損失、召回率及精確率3個方面，對比滑油圖像數據增強試驗前后的差異。

表5 Faster RCNN數據增強消融試驗

表6 YOLOv3數據增強消融試驗

相較于Faster RCNN基準模型測試結果，對于單個數據增強方法，旋轉和Mosaic提升最大，mAP提升了0.7%；Mixup提升次之；CutMix沒有提升；對于圖像數據增強組合方案，第5、7種組合方案提升最大，mAP達到了84.3%，提升1.0%；第6種組合方案較第5種、第7種提升較少。因此對于Faster RCNN模型，最佳的數據增強方案為第5種，即旋轉+Mixup+Mosaic組合方案。

相較于YOLOv3基準模型的測試結果，單個圖像數據增強方法均取得了正向收益，其中Mosaic提升最大，mAP提升1.4%，旋轉、Mixup、CutMix增強方法提升依次降低，分別是0.7%、0.6%和0.3%。對于圖像數據增強組合方案，第5種、第6種組合方案提升幾乎一致，mAP指標分別提升2.5%和2.4%；第7套方案提升最高，mAP提升2.9%。因此對于YOLOv3模型，旋轉+Mixup+CutMix+Mosaic圖像數據增強方案提升最高。

相較于一階段YOLOv3模型，因為二階段Faster RCNN模型存在RPN層以及采樣機制，Faster RCNN基準模型已經取得了較好的泛化效果。因此二階段模型Faster RCNN模型在最佳圖像數據組合方案上僅獲得1.0%的mAP提升，而一階段YOLOv3在最佳圖像數據組合方案可獲得2.9%的mAP的提升。

結果表明通過上述7種滑油圖像增強組合方案，有效地擴增了滑油磨粒數據集，提高了模型的泛化能力，擴大模型的表征能力，使其能夠識別更多不同狀況下的滑油磨粒；且經過最佳圖像數據組合方案后的YOLOv3模型精度高于Faster RCNN模型。

數據增強前后兩模型隨迭代次數模型損失對比圖如圖10所示。由圖可知，最佳圖像數據增強后的兩個模型損失均比基準模型的損失低，且收斂于更低的損失值，收斂性能佳。

圖10 數據增強前后模型損失對比圖

通過滑油磨粒測試集計算得到兩個模型在不同IOU判定閾值下的召回率(Recall)以及精確率(Precision)，如表7所示。

表7 兩模型數據增強后的召回率及精確率

無論IOU閾值為0.3或0.5，YOLOv3模型的召回率均高于Faster RCNN模型，但Faster RCNN模型的精確率高于YOLOv3模型。在IOU閾值為0.3時，YOLOv3模型的召回率和精確率明顯提高，分別達到96.5%和64.8%。YOLOv3的召回率已經滿足工程上的標準，對于較大部分的磨粒框已經可以正確檢測。但是兩模型的精確率均較低，分別為70.1%和64.8%，均產生了過多的誤檢磨粒框，因此需要進一步對誤檢磨粒框進行篩除，才能達到工程實用的標準。

4.3 SER算法

通過以上實驗可知，最佳圖像數據組合方案后的YOLOv3模型精度和速度都優于Faster RCNN模型。但數據增強后的YOLOv3模型，在0.05置信度閾值下，模型的召回率和精確率分別為96.5%和64.8%。64.8%的精確率過低，不能滿足工程應用，存在大量的誤檢磨粒框。基于此本文提出用綜合錯誤比例(SER,synthesize error ratio)算法來優化YOLOv3模型的推理置信度，目的是保留較多正確磨粒框的同時濾掉更多的誤檢磨粒框。

圖11為滑油圖像在0.05置信度閾值情況下預測樣例圖，由圖可知存在磨粒誤檢現象。因此要優化滑油磨粒檢測模型召回率和精確率，保證在模型推理階段，降低滑油磨粒檢測模型誤檢的同時保留更多正確的磨粒目標框。

圖11 置信度閾值為0.05時的滑油圖像預測樣例

不同置信度下YOLOv3模型的召回率與精確率關系變化如圖12所示。由圖12可知，隨著置信度的降低，召回率升高，精確率降低，反之亦然。滑油磨粒檢測模型的置信度降低，引入了較多的誤檢磨粒目標框，使得精確率降低，但同時擴大了預測框的置信度范圍，較低置信度下預測正確的磨粒目標框被計入，提高了召回率。因此在滑油磨粒檢測任務階段，需要尋找一個合理的置信度閾值，以優化召回率和精確率，得到一個權衡的數值用于推理。

圖12 YOLOv3模型不同置信度下的召回率和精確率

表8 SER算法

對于滑油磨粒測試集，采用SER算法，尋找各個置信度下的SER值，最小SER值對應置信度即為經模型召回率和精確率優化后的最佳的置信度閾值。

(9)

(10)

(11)

統計YOLOv3模型在滑油磨粒測試集上的預測結果，基于SER算法計算不同置信度下SER的數值，且求出最小值。YOLOv3模型在不同置信度下的SER值如圖13所示，橫坐標1-conf為1-置信度，縱坐標為SER值。隨著置信度降低，SER值先降低后升高，點(0.644 5，0.086 8)為最佳的SER點，置信度為0.355 5。

圖13 YOLOv3模型在不同置信度下SER值

當YOLOv3模型在置信度為0.355 5時，取得最小的SER值0.086 8，求得當前置信度下的召回率為94.2%，精確度為95.9%，誤檢和漏檢的磨粒目標框占真實磨粒目標框的比率為8.68%。

對滑油磨粒測試集隨機抽取局部圖像，進行SER算法校驗。圖14為待預測的滑油圖像和不同置信度閾值下預測的滑油磨粒圖像，其中(a)圖為從滑油磨粒測試集抽取的待預測局部滑油圖像，(b)圖為置信度為0.001時的磨粒預測圖像，(c)圖為置信度為0.05時的磨粒預測圖像，(d)圖為使用SER算法的0.355 5的置信度的磨粒預測圖像。從圖中可以看出使用SER算法求得置信度之后，YOLOv3模型有效地去除了低置信度的誤檢磨粒目標框，防止采用過高的置信度濾掉預測正確的磨粒目標框。可見SER算法有效地優化了YOLOv3模型的召回率和精確率。

圖14 待預測滑油圖像和不同置信度閾值下的預測磨粒圖像

5 結束語

論文提出了基于深度學習的航空發動機滑油磨粒檢測方法，構造了泛化性能優秀的高質量滑油磨粒數據集，通過對滑油磨粒基準訓練和測試訓練，研究了滑油磨粒檢測算法，基于此算法提出圖像增強方法，進行消融實驗，設計SER優化算法有效地保證了YOLOv3模型在合理的置信度閾值下，具有較高的召回率和精確率。本文進行的滑油磨粒在線檢測實驗局限于實驗室環境中，未能進行現場測試，今后研究工作的重點是在實際應用環境下測試本文工作的有效性以提高其實用性。此外本實驗是通過在GPU上部署YOLOv3模型對磨粒進行測試的，由于滑油磨粒在線檢測系統需要小功率、小體積的檢測設備，后續可以考慮將模型移植到AI芯片上。