典型文献
基于图像识别的铜转炉吹炼造渣期渣含Fe预测模型研究
文献摘要：
铜转炉吹炼是火法炼铜的关键工序,其终点判断与炉寿、铜产率和直收率紧密相关,目前现有人工经验、仪器测定和物料平衡法等终点判断方法均存在一定的局限性.理论上铜转炉吹炼造渣期终点与渣含Fe是否达标有关,而不同Fe含量渣样呈现不同的图像特征,鉴于此,基于图形识别的特征向量提取原理,分别采用卷积神经网络(CNN)算法与支持向量机(SVM)算法,构建了铜转炉吹炼造渣期渣含Fe预测模型,为图像识别技术在铜转炉吹炼终点判断中的应用奠定数模基础.两种模型的实例分析表明,卷积神经网络的训练集预测准确率98％,测试集预测准确率约50％;支持向量机模型的训练集预测准确率99％,测试集预测准确率62％.
文献关键词：
铜转炉吹炼;图像识别;卷积神经网络;支持向量机;终点判断
中图分类号：
作者姓名：
张冉;李明周;钟立桦;童长仁;何发友;黄金堤
作者机构：
江西理工大学材料冶金化学学部,江西赣州341000;赤峰金通铜业有限公司,内蒙古赤峰024000;紫金铜业有限公司,福建上杭361024
文献出处：
引用格式：
[1]张冉;李明周;钟立桦;童长仁;何发友;黄金堤-.基于图像识别的铜转炉吹炼造渣期渣含Fe预测模型研究)[J].有色金属（冶炼部分）,2022(04):21-30
A类：
铜转炉吹炼
B类：
造渣,火法炼铜,关键工序,终点判断,直收率,物料平衡,平衡法,判断方法,期终,标有,图像特征,图形识别,特征向量提取,图像识别技术,训练集,预测准确率,测试集,支持向量机模型
AB值：
0.182302
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
