基于深度学习的球团矿生产过程中粒度识别监测模型

作     者：刘一民 文姗姗 梁叶 何志军 高立华 

作者机构：辽宁科技大学材料与冶金学院 辽宁省绿色低碳与智能冶金重点实验室 

出 版 物：《钢铁》 (Iron & Steel)

年 卷 期：2025年第4期

页      面：36-43+57页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0806[工学-冶金工程] 080601[工学-冶金物理化学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(52104332) 

主　　题：球团矿生产 圆盘造球机 卷积神经网络 图像处理 YOLO算法 深度学习 球团粒度 模型 

摘      要：在中国全力推进绿色低碳冶金的大背景下，钢铁工业正面临转型挑战与绿色发展要求，这迫切需要对高炉炉料结构进行深度调整与优化，以实现节能降碳与污染减排的双重目标。在现代冶金生产中，球团矿对比烧结矿，其自身生产的节能减排更优，对球团矿质量和数量的准确检测至关重要。在钢铁制造企业中，操作人员依赖筛分检测等经验手段来评估球团矿的粒径状态，测量时间长、准确率低。采用全自动化的监测与测量系统对球团矿粒径进行优化管理显得尤为迫切和重要。提出YOLOv5+U-Net结合的算法，与Deeplabv3+以及FCN神经网络模型进行对比试验，得出3种算法各自的优点和局限性。Deeplabv3+算法采用无卷积内核和基于无卷积的空间金字塔池（ASPP）架构，较大和较小采样率的空洞卷积可以捕捉球团整体和细节部分。FCN算法对图像中的噪声、变形和环境光变化等具有一定的鲁棒性，通过学习到的特征来克服干扰因素，准确地进行分割。YOLO算法经过多年的迭代和发展，将目标检测转化为回归问题并且引入归一化，检测精度进一步提高。验证了YOLOv5+U-Net神经网络模型在计算机深度学习、图像处理技术对球团粒径进行检测识别的方案。在检测生球粒径试验中，准确率达到97%以上，召回率达到66.8%。基于本文所提出的球团检测方法在工业自动化和质量控制等领域具有广阔的应用空间，为球团检测技术的发展提供了新的思路和方法。