基于轻量化网络和知识蒸馏的回转窑工况识别

回转窑烧成带图像蕴含丰富火焰信息，准确识别燃烧状态是回转窑优化控制的前提，基于卷积神经网络的方法可以快速识别回转窑工况，提高回转窑自动化水平，但存在网络规模大，所需计算资源多的问题，为此提出了一种基于轻量化网络和知识蒸馏的回转窑工况识别方法，在网络卷积层后引入协方差池化层改进教师模型和学生模型，以改进的轻量化网络MobilenetV2作为学生模型的主干网络，以改进的Resnet50作为教师模型的主干网络，通过构建混合蒸馏损失函数，将教师模型蕴含的丰富分类标签信息迁移到学生模型中，并将蒸馏训练得到的学生模型作为回转窑工况识别模型，以提高网络对高相似火焰图像的识别精度。实验结果表明，经蒸馏后的学生模型总体识别准确率相较于原始模型提高了3.33%,对测试集中3种工况的识别率分别达到了93%、99%、90%,准确率和模型规模均优于目前其他主流网络模型，满足实际生产中实时、低成本要求。