基于改进DenseNet网络的转炉吹炼时期识别

来源：济南大学学报·自然科学版杂志2022年第03期北京时间：

作者：李爱莲,李晨筝,王懿喆,崔桂梅,解韶峰

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

基金资助：国家自然科学基金项目(61763039)