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(residualnetwork，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NVIDIATeslaV100GPU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。关键词：深度学习；图像分类；人工智能；ＲesNet；神经网络；炼钢；转炉火焰识别 下载高清全文——基于残差神经网络实现转炉火焰状态识别.pdf