基于改进GoogLeNet的锌渣识别算法

• 作者: 张振洲 熊凌 李克波 陈刚 但斌斌 吴怀宇
• 来源期刊: 武汉科技大学学报（自然科学版）
• 关键词: 锌渣识别 捞渣 全局平均池化 深度学习 GoogLeNet 卷积神经网络 图像分块
• 年，卷（期）: 2021,（3）
• 页码范围: 182-187
• 页数: 6页
• 分类号: TP391.41
• 语种: 中文
• DOI: 10.3969/j.issn.1674-3644.2021.03.004

摘要

针对目前热镀锌工艺中捞渣机器人工作效率低、缺乏选择性等问题,提出一种基于深度学习的锌渣识别算法,以提高捞渣生产线无人化水平.首先,在GoogLeNet网络基础上进行改进,并搭建了适用于实际生产环境的锌渣识别模型;其次,利用经验丰富的工作人员所标注的薄渣和厚渣这两类锌渣图片来建立数据库,完成锌渣分类模型的训练;最后,将工业相机采集到的锌渣图像进行分块处理,标记每张小图的位置,将分割后的小图输入到训练好的模型中完成分类,并得到待捞锌渣的位置.实验结果显示,本文方法在测试集上的识别准确率达到99.1％,高于对比算法,并且针对每张锌渣原始图像的平均识别时间为0.36 s,只有传统GoogLeNet模型的53％,这证明所提出的锌渣识别算法具有较好的工业应用前景.