基于卷积循环神经网络的转炉炼钢冶炼阶段识别

《International Journal of Minerals Metallurgy and Materials》：Smelting stage recognition for converter steelmaking based on the convolutional recurrent neural network

转炉炼钢火焰图像通过CRNN-Bayesian优化模型实现97.01%识别准确率，5.49ms处理速度和时空特征提取有效提升终点控制效率

　　

摘要

转炉炼钢过程是钢铁冶金生产中的关键环节，炉口火焰的特征可作为内部冶炼阶段的间接指标。有效识别和预测冶炼阶段在工业生产中面临重大挑战。传统的基于图像的方法依赖于单一静态火焰图像作为输入，其识别精度较低，无法充分捕捉冶炼阶段的动态变化。为了解决这一问题，本研究提出了一种创新识别模型：该模型首先对炉口处的火焰视频序列进行预处理，然后利用卷积循环神经网络（CRNN）提取时空特征并生成识别结果。此外，我们还采用了特征层可视化技术来验证模型的有效性，并通过集成贝叶斯优化算法进一步提升模型性能。实验结果表明，包含卷积块注意力模块（CBAM）的ResNet18在图像特征提取方面表现优异，准确率达到90.70%，曲线下面积为98.05%。所构建的贝叶斯优化-CRNN（BO-CRNN）模型在综合性能上也有显著提升，准确率为97.01%，曲线下面积为99.85%。模型平均识别时间、计算复杂性和参数数量的相关统计数据显示其性能优越（平均识别时间：5.49毫秒；每秒浮点运算次数：18260.21百万次（1百万次 = 1 × 10⁶）；参数数量：1158万）。通过对真实世界数据集的大量重复实验验证，所提出的CRNN模型能够快速准确地识别冶炼阶段，为转炉冶炼终点控制提供了一种新的方法。