庞殊杨, 王姝洋, 贾鸿盛
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( residual network,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 伊 350 像素视频的平均检测速度为
每秒 4. 4 帧,在 NVIDIA Tesla V100 GPU 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。