典型文献
基于深度学习的热轧过钢检测追踪系统
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
代岩;黄瑞;方田;徐志坤
作者机构：
中冶华天工程技术有限公司,安徽马鞍山243000
文献出处：
引用格式：
[1]代岩;黄瑞;方田;徐志坤-.基于深度学习的热轧过钢检测追踪系统)[J].冶金自动化,2022(05):76-84
A类：
过钢检测追踪系统,Net18,Silu
B类：
热轧,钢铁行业,智能算法,现场监控,机采,辊道,PyTorch,残差神经网络,Res,分类模型,Mish,ReLU,激活函数,反向传播,通道注意力,空间注意力机制,语义信息,标签平滑损失,损失函数,学习率,冲量,余弦退火,训练策略,docker,增强模型,可移植性,Flask,Spring,Boot,智能检测系统,系统操作,外设,辅助工作,人员调度,安全员,复查,查看,重复劳动,生产安全,安全系数,图像识别
AB值：
0.428801
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。
