Publikace detail

Machine Learning Based Classification of Wear Debris

Autoři: Machalík Stanislav | Juránek Roman | Zemčík Pavel

Rok: 2012

Druh publikace: článek v odborném periodiku

Název zdroje: Machine Graphics and Vision

Název nakladatele: Polska Akademia Nauk

Místo vydání: Warszawa

Strana od-do: 1-11

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Klasifikace částic opotřebení založená na strojovém učení	Hlavním cílem publikace 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. Tyto obrazy jsou nejprve podrobeny normalizaci a následně jsou vstupem pro trénování klasifikátoru. V průběhu trénování jsou v obrazech částic vyhodnocovány specifické příznaky, které jsou poté při klasifikaci vyhledávány v testovaných obrazech.	opotřebení, částice opotřebení, otěrové částice, klasifikace, Supervised Machine Learning, SVM, lineární regrese
eng	Machine Learning Based Classification of Wear Debris	The wear debris of various engineering equipment (such as combustion engines, gearboxes, etc.) consists of particles of metal which can be obtained in lubricants used in such machine parts. The analysis the the wear particles is very important for early detection and prevention of failures in engineering equipment. The analysis is often done through the classi cation of individual wear particles obtained by analytical ferrography. In this paper, we present a study of feature extraction methods for a classi cation of the wear particles based on visual similarity (using supervised machine learning). The fi rst contribution of the paper is the comparison of nine selected feature types in the context of three state-of-the-art learning models. The second contribution is the large public database of binary images of particles which can be used for further experiments. The paper describes the dataset, methods of classi cation, demonstrates experimental results, and draws conclusions.	Wear Debris, Wear Identi cation, Classi cation, Supervised Machine Learning, SVM, Linear Regression

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Pracoviště

Jak nás najdete?

Služby

Často hledáte