烧结矿粒度组成直接影响高炉冶炼的效率与能耗控制，是钢铁生产中需要重点监控的参数。然而，传统的粒度筛分方法存在操作复杂、精度受限等问题，难以满足现代钢铁工业对智能化、精准化的需求。基于深度学习的实例分割技术，为烧结矿粒度识别提供了高效、自动化的新手段。
现有图像分割算法在处理复杂背景下的粘连颗粒时识别精度较低，同时对多尺度颗粒的适配能力有限。烧结矿粒度的实例分割研究较少，模型优化仍集中在单一特征提取层面，工业化应用中面临精度与效率的矛盾。
最近，河北工程大学李杰教授及其团队提出了一种结合注意机制（CBAM）与双向特征金字塔网络（BiFPN）的改进BlendMask算法，用于烧结矿粒度的精准识别。该方法通过BiFPN实现多尺度特征双向融合，利用CBAM提升浅层特征提取能力，并结合形态学方法优化分割结果。在工业环境下测试显示，该方法平均检测精度（mAP）达到71.0%，显著高于传统模型。
相关研究成果以“Application of instance segmentation algorithm incorporating attention mechanism and BiFPN for sinter ore particle size recognition”为题目发表于Ironmaking & Steelmaking 2024年第51卷第10期。论文作者为：Zhe Li, Tao Xue, Jie Li*, Aimin Yang。
研究结果和结论：
检测性能：改进BlendMask模型的平均检测精度（mAP）达到71.0%，分割精度（mAP50）高达93.8%；
鲁棒性：改进模型对小目标颗粒的分割效果显著优于现有方法，分割精度比Mask R-CNN提高5.8%，比YOLACT提高24.4%；
工业测试：该模型在烧结矿工业生产中的粒度识别平均相对误差仅为4.9%；
技术优势：模型有效解决了复杂背景下颗粒粘连和尺寸差异大的问题，大幅提升资源利用效率，降低人工成本。
该论文中共有图片13张、表格4个，部分图片和表格如下：
图1. 实验场景与图像采集装置示意图
图2. 数据集预处理与标注示例
图8. 不同模型下识别结果的比较
图9. 工业环境中的烧结块识别与分割
图12. 粒径分布图
图13. 人工筛选与本方法粒径检测结果的比较
如果您需要论文原文，请在本页最下方留言“2413”。您想看哪方面的文献资料，也请给小编留言。
您可以点击下方“#烧结球团”，然后“订阅”该合集，系统将更精准地向你推荐相关资讯。
欢迎投稿，欢迎“点赞、在看”！
