科研之友
微信
新浪微博
Facebook
分享链接
摘要
在转炉炼钢的作业场景下,转炉火焰的状态判断对最终烧制的炉钢质量至关重要,由于复杂多变的作业环境,传统转炉火焰状态判断方法普遍存在检测精度低、受环境因素干扰大、泛化能力差等种种问题,目前一直依赖人工目测进行转炉火焰状态识别。针对这种现象,根据实际生产环境将转炉火焰归纳为8种不同状态,除了正常情况外,还包括跳渣、喷溅等较典型异常状态。采用残差(residual network,简称ResNet)神经网络对转炉火焰数据集进行有监督的训练,训练后的模型可对上述8种状态的火焰进行实时、高精度的分类识别,从而达到及时监察异常情况、精准控制炼钢进程、提高炼钢质量的目的。理论分析和试验结果表明,本方法在转炉火焰数据集上的识别率为98.73%,在无GPU环境下对350像素×350像素视频的平均检测速度为每秒4.4帧,在NVIDIA Tesla V100 GPU的环境下平均检测速度为每秒110.6帧,能兼顾实际落地应用所要求的高精度、实时性的需求。
- 单位
