李杰:结合注意机制和BiFPN的实例分割算法在烧结矿粒度识别中的应用 | 2024

文摘   2024-12-22 12:02   英国  

  

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”!

钢铁连
炼钢、炼铁、连铸、连轧——合称“钢铁连”。传播钢铁生产前沿技术,关注范围包括烧结球团、炼铁原料、高炉炼铁、非高炉炼铁、氢冶金、转炉炼钢、电炉炼钢、炉外精炼与铁水预处理、连续铸钢、近终形连铸、轧钢、低碳环保、钢铁材料、钢铁市场观察等。
 最新文章