基于多元逐步回归的带钢性能预测模型

为了挖掘冶金产品关键工艺参数与成品性能间的关系、实现特定牌号性能自动预测，构建了带钢性能预测模型。模型基于多元线性回归的机器学习方法和数据挖掘方法，构建了牌号性能影响因素知识库，通过大量真实生产环境数据，分析其相关性和性能影响因素。实验过程基于2020个预测样本的数据集，其中选择1616个样本作为训练集，404个样本作为测试集，每个样本包括24种属性，对成品性能Y1和Y2进行了单独训练和预测，均方差结果仅为0.018 2和2.937 1×10^-5。实验表明，该性能预测模型预测准确率高，有效命中率达到90%以上，具有良好的应用前景。     

基于改进麻雀搜索算法的带钢面标识别方法

为了解决带钢面标识别精度低、时间长等问题,构建了字符分割和识别模型。在分割模型的多阈值分割过程中,通过改进的麻雀搜索算法(Improved Sparrow Search Algorithm, IMSSA)寻优最佳阈值组向量,提升了图像分割效果。IMSSA在算法改进方面,首先采用Tent映射初始化种群,增强种群多样性;然后利用精英反向学习方法提升搜索能力;最后通过改进的高斯扰动策略增强全局和局部搜索能力。字符识别模型改进了LeNet-5卷积神经网络的网络结构,并增强了激活和损失函数。实验表明,IMSSA在三类基准函数的测试中均表现更好,改进的LeNet-5卷积神经网络结构平均测试精度达到95.0%,识别过程仅2.3 s。该模型耗时少、精度高,满足实时与准确性要求。     

基于改进被囊群算法的图像多阈值分割方法

为提升图像分割的准确度和性能，提出改进被囊群算法(improved tunicate swarm algorithm, IMTSA)的多阈值分割方法。基于折射反向学习初始化种群，采用精英反向学习重新选择优势个体，结合学生分布协调全局和局部搜索能力。在图像分割中，基于Otsu和最大熵方法，在不同阈值场景下，IMTSA与其它算法进行性能对比。实验结果表明，IMTSA在3类基准函数中均表现更好，图像分割效果与阈值数量成正比，其整体分割性能具有一定优势。     

改进DBNet与CRNN的面标识别方法

为解决板坯喷涂面标实时识别问题，构建文本检测和识别模型。改进可微二值化算法网络，引入高效通道注意力模块SENet,进行自适应空间特征融合(ASFF),增强特征金字塔预测多尺度目标的能力。识别模型改进卷积递归神经网络的VGG网络，将卷积与循环神经网络联合训练。实验结果表明，检测模型的精确率、召回率和调和平均值达到93.30%、86.45%、89.85%,提升显著；识别模型平均准确率达到86.01%,精度提升4.99%。模型满足实时与准确性要求。