Статья
DOI:
Полный текст:
В статье рассматриваются модель обнаружения объектов на изображении и модель идентификации стальковшей. Модель обнаружения объектов основана на использовании сверточной нейронной сети, модель идентификации – на сопоставлении признаков сталь-ковшей, характерных для производственного процесса. В статье описывается адаптация моде-лей к условиям архитектуры YOLOv3 и к параметрам стальковшей в сталеплавильном производстве. В заключительной части исследования приведены результаты моделирования.
Аxis Communications. Идентификация и распознавание. – URL: (дата обращения: 03.09.2020).
Dumoulin V., Visin F. A guide to convolution arithmetic for deep learning. – URL: 1603.07285v2 (дата обращения: 03.09.2020).
Goodfellow I., Bengio Y., Courville A. Deep Learning. – URL: (дата обращения: 03.09.2020).
Long J., Shelhamer E., Darrell T. Fully Convolutional Networks for Semantic Segmentatio. – URL: (дата обращения: 03.09.2020).
Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. – URL: 1804.02767v1 (дата обращения: 03.09.2020).
Dumoulin V., Visin F. A guide to convolution arithmetic for deep learning. – URL: 1603.07285v2 (дата обращения: 03.09.2020).
Goodfellow I., Bengio Y., Courville A. Deep Learning. – URL: (дата обращения: 03.09.2020).
Long J., Shelhamer E., Darrell T. Fully Convolutional Networks for Semantic Segmentatio. – URL: (дата обращения: 03.09.2020).
Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. – URL: 1804.02767v1 (дата обращения: 03.09.2020).
Ключевые слова:
сталеразливочный ковш, обработка изображений, идентификация объ-ектов, сверточная нейронная сеть, YOLOv3.
Для цитирования:
Трофименко Я. М., Ершов Е. В. Модель идентификации стальковшей в сталеплавильном производстве // Вестник Череповецкого государственного университета. – 2021. – № 1 (100). – С. 68–77. https://doi.org/10.23859/1994-0637-2021-1-100-5
Контент доступен под лицензией Creative Commons Attribution 4.0 License.