文献类型：期刊文章

作　　者：李爱莲[1] 李晨筝[1] 王懿喆[1] 崔桂梅[1] 解韶峰[2]

LI Ailian;LI Chenzheng;WANG Yizhe;CUI Guimei;XIE Shaofeng(School of Information Engineering,Inner Mongolia University of Science and Technology,Baotou 014010,Inner Mongolia,China;Infrastructure Department,Inner Mongolia University of Science and Technology,Baotou 014010,Inner Mongolia,China)

机构地区：[1]内蒙古科技大学信息工程学院,内蒙古包头014010 [2]内蒙古科技大学基建处,内蒙古包头014010

出　　处：《济南大学学报（自然科学版）》

基　　金：国家自然科学基金项目(61763039)。

年　　份：2022

卷　　号：36

期　　号：3

起止页码：273-277

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、ZGKJHX、核心刊

摘　　要：针对炼钢生产中采用人工经验判断转炉吹炼时期准确率较低的问题,利用某钢厂转炉炉口火焰图像数据,提出一种基于深度学习的改进DenseNet网络转炉吹炼时期识别算法;该算法以DenseNet-121网络结构为基础进行裁剪,同时在分类层引入Center损失函数,并在100次模型训练中选取精度较高、拟合性较好的一次进行测试。结果表明:该算法通过特征复用,保证了分类精度,裁剪后的网络结构能够提升运算速度;在分类层引入Center损失函数能够改进相邻转炉吹炼时期分类模糊的情况,缩短了平均识别时间,分类的平均精度提高至91.75%。

关 键 词：深度学习  转炉吹炼 图像识别 DenseNet网络  Center损失函数  

分 类 号：TF748.211]