Resumen

La morfología de las partículas de desgaste refleja las complejas propiedades de los procesos de desgaste que intervienen en la formación de las partículas. Normalmente, la morfología de las partículas de desgaste se evalúa cualitativamente a partir de observaciones microscópicas. Este procedimiento depende de los conocimientos de los expertos y, por tanto, no siempre es objetivo y barato. Con el rápido desarrollo de la tecnología de procesamiento de imágenes por ordenador, se pueden utilizar redes neuronales basadas en el algoritmo tradicional de entrenamiento por gradiente para reconocerlas. Sin embargo, la red neuronal feedforward basada en algoritmos de entrenamiento de gradiente tradicionales para la segmentación de imágenes crea muchos problemas, como la necesidad de múltiples iteraciones para converger y la fácil caída en mínimos locales, que restringen mucho su desarrollo. Recientemente, la máquina de aprendizaje extremo (ELM) para redes neuronales feedforward de una sola capa oculta (SLFN) ha atraído la atención por su mayor velocidad de aprendizaje y mejor rendimiento de generalización que los algoritmos de aprendizaje tradicionales basados en gradiente. En este artículo, proponemos emplear ELM para el reconocimiento de imágenes de partículas de desgaste de ferrografía. Extraemos las características de forma, color y textura de cinco tipos típicos de partículas de desgaste como entrada del clasificador ELM y establecemos cinco tipos de partículas de desgaste como salida del clasificador ELM. Por lo tanto, el nuevo clasificador de partículas de desgaste de ferrografía se basa en ELM.

• Materias:Ingeniería electrónica Redes Inalámbricas Ingeniería Eléctrica Procesamiento de señales asistido por computador Sistemas de comunicación Informática
• Subjects:Electronic engineering Wireless Networks Electrical Engineering Signal processing computer-assisted Communication systems Computing
• Palabras claves:partículas de desgaste, olmo, clasificador olmo, tecnología de tratamiento informático de imágenes, algoritmo de formación de gradiente tradicional, algoritmos de formación de gradiente tradicional, mejor rendimiento de generalización, máquina de aprendizaje extremo, mayor velocidad de aprendizaje, red neuronal feedforward
• Keywords:wear particles, elm, elm classifier, computer image processing technology, traditional gradient training algorithm, traditional gradient training algorithms, better generalization performance, extreme learning machine, faster learning speed, feedforward neural network