基于深度学习的热轧过钢检测追踪系统

摘要：

在人工智能技术不断发展的背景下,钢铁行业亟需智能算法对生产技术和生产工艺进行创新和升级.本文利用现场监控相机采集辊道过钢图像,使用PyTorch搭建残差神经网络,分辨辊道过钢状态.采用Res-Net18训练分类模型并作如下改进:采用Mish和Silu代替ReLU激活函数,使数据更加平滑,便于反向传播;添加通道注意力和空间注意力机制,增强特征的语义信息;引入标签平滑损失函数、学习率冲量和余弦退火的训练策略,对结果作进一步优化;使用docker部署模型,增强模型的可移植性.通过Flask生成Web服务连接Spring Boot,开发了一套智能检测系统,系统操作简单,无需现场添加任何额外设备,在辅助工作人员调度提高生产效率的同时,减轻了安全员反复查看监控画面的重复劳动,提高了生产安全系数.

关键词：热轧、过钢检测追踪系统、深度学习、图像识别、卷积神经网络、Spring Boot、docker

所属期刊栏目：46

分类号：TP391.41;TP181;TN925.93

资助基金：安徽省科技重大专项项目202003a0502001

在线出版日期：2023-01-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：76-84