Publikace detail

Analysis of Wear Debris Through Classification

Autoři: Juránek Roman | Machalík Stanislav | Zemčík Pavel

Rok: 2011

Druh publikace: článek ve sborníku

Název zdroje: Proceedings of Advanced Concepts of Intelligent Vision Systems (ACIVS 2011)

Název nakladatele: Springer

Místo vydání: Heidelberg

Strana od-do: 273-283

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Klasifikace částic opotřebení	Obrazová analýza obecně umožňuje získávat kvantitativní informace o různých statistických a morfologických charakteristikách digitálního obrazu a v něm rozpoznaných objektů. V oblasti analýzy maziv zabývající se hodnocením částic opotřebení lze jejím prostřednictvím určit např. typ a míru opotřebení třecích ploch. Počítačové zpracování obrazu otevřelo rozsáhlé možnosti pro automatizaci zpracování výstupů mikroskopických metod. Hlavním cílem této práce je prozkoumat možnosti využití obrazové analýzy v kombinaci s metodou analytické ferrografie a na základě teoretických poznatků navrhnout automatický klasifikátor částic, který se ze vzorových obrazů částic naučí klasifikovat obrazy částic pořízených metodou analytické ferrografie. Klasifikátor využívá metody strojového učení k analýze obrazů částic.	Obrazová analýza, analytická ferrografie, klasifikace, částice opotřebení, AdaBoost, obrazové příznaky, machine learning.
eng	Analysis of Wear Debris Through Classification	This paper introduces a novel method of wear debris analysis through classi cation of the particles based on machine learning. Wear debris consists of particles of metal found in e.g. lubricant oils used in engineering equipment. Analytical ferrography is one of methods for wear debris analysis and it is very important for early detection or even prevention of failures in engineering equipment, such as combustion engines, gearboxes, etc. The proposed novel method relies on classi cation of wear debris particles into several classes de ned by the origin of such particles. Unlike the earlier methods, the proposed classi cation approach is based on visual similarity of the particles and supervised machine learning. The paper describes the method itself, demonstrates its experimental results, and draws conclusions.	Image analysis, analytical ferrography, classification, wear particles, AdaBoost, image features, machine learning.

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Pracoviště

Jak nás najdete?

Služby

Často hledáte