基于改进SOLOv2的转炉炼钢钢液检测

转炉炼钢是冶金工业生产中的重要工艺过程,在转炉炼钢中连续实时检测钢液有助于提升炼钢的出钢产品质量和冶炼效率,针对转炉炼钢过程中炉口采集的图像相似性高、背景干扰大导致难以检测钢液的问题,提出了一种基于深度学习的实例分割方法。在SOLOv2的骨干网络中加入通道注意力机制,并对输入的图像进行去雾的预处理操作,从而获得具有高准确率的转炉炼钢钢液检测在线模型SA-SOLOv2。在转炉炼钢测试集上进行测试,结果表明,与原SOLOv2模型相比,该模型的交并比(IoU)提升了1.4%,漏检率降低了9.8%,且改进的SA-SOLOv2模型的检测时间明显少于其他基于深度学习的检测网络,提升了检测效率。

基于深度学习的牛脸识别系统设计

为了提高畜牧保险理赔行业中牛只身份识别准确率,试验建立了基于计算机视觉提取牛脸特征的牛只身份识别系统,即使用SOLOv2实例分割模型提取牛脸前景图像,结合FaceNet提取牛脸特征;基于Tornado Web和TF Serving框架进行实例分割模型和牛脸特征提取模型的部署,完成牛脸身份识别系统的搭建,并制作了手机APP,最后对添加SOLOv2牛脸身份识别模型的准确率和验证率进行了验证。结果表明:添加了SOLOv2模型的牛脸身份识别准确率达到了98.063%,验证率达到了92.451%,与未添加SOLOv2模型相比,准确率提高了0.270百分点,验证率提高了6.275百分点。说明添加SOLOv2实例分割模型能提升牛脸身份识别的准确率和验证率。