基于深度学习的热轧带钢头部厚度的命中预测

 针对热轧带钢头部厚度精度较低的问题,提出了一种基于深度学习的热轧带钢头部厚度的命中预测方法。在精轧过程中,带钢头部张力较小,且通常温度较低;同时轧机工艺参数复杂,精准设定存在困难,轧制带钢头部经常会出现厚度不合格的现象。利用深度神经网络的非线性拟合能力,设计带钢头部厚度预测模型,给轧机的参数设定提供参考、提高头部厚度命中率、减少钢材浪费。深度神经网络(DNN)包含输入层、隐藏层、输出层,使用TensorFlow开源机器学习框架设计预测模型并用程序实现。调整神经网络各参数,通过研究它们对模型性能的影响,优化预测模型。最后使用多种厚度的带钢测试数据训练并检验头部厚度预测模型,结果显示,分类预测命中准确率在80%以上。     

基于CA和OTSU的电气设备红外图像分割方法

针对电气设备红外图像中需要对目标进行识别和诊断的需求,提出了一种基于元胞自动机(CA)与最大类间方差(OTSU)法的图像增强与分割算法.首先采用高帽、低帽变换结合的方法对电气设备红外图像进行增强,时增强后的图像采用CA法进行边缘提取,并进行二值化处理,最后与经过OTSU算法分割后的红外图像进行融合.实验结果表明采用该算...