深度学习算法在钢铁质量检测中的应用

作者：耿朝雷; 艾云霄

来源：无线互联科技, 2022, 19(18): 96-99.

• 检验批
• 计划组批
• 动态组批
• 深度学习
• 性能预测
• CNN-LSTM模型

我国钢铁产业正经历产业结构优化升级、钢铁产品由量到质的革命性阶段。高效率、高精度且具有普适性质的深度学习算法对复杂钢铁产品质量检查具有重要意义。针对目前钢铁行业质量检查中不可逆损耗、抽样效率低、人工成本高和检测可靠性差等关键技术挑战，文章创新性地通过整合组批算法、性能预测模型，提升了网络运算速度、钢铁产品检测效率，进而大大地降低了检测成本。基于日钢营口中板有限公司中厚板改造项目的实践数据验证，文章提出的算法能够满足于生产实际，所带来的经济效益远远高于传统的计算模型和人工检测方法，对复杂环境下的系统钢铁质量检测具有重要的现实意义。