基于增量学习的工业软件：转炉图像异常识别系统

Industrial Software Based on Incremental Learning：Anomaly Recognition System of Converter Image

摘要

为简化工业软件的研发过程，提高图像异常识别的准确性和效率，提出了一种基于增量学习的转炉图像异常识别系统。该系统采用机器视觉技术采集转炉图像，引入深度残差网络形成转炉图像异常识别模型，并利用采集到的图像训练该模型。系统采用低代码开发方法实现，并结合增量学习算法优化了模型的迭代更新。对比基于不同神经网络架构的转炉图像异常识别模型的识别准确率，并在低代码平台中对比了增量学习和全量学习在模型精度和时间消耗上的差异。实验结果表明，本系统在图像异常识别中展现出良好的精确性和稳定性；在低代码开发平台中，基于增量学习的系统软件在处理大规模数据和实时场景中表现出色，为转炉图像异常识别提供了一种高效、低成本的解决方法。

Abstract

A converter furnace image anomaly detection system based on incremental learning has been proposed to simplify the research and development process for industrial software and enhance the accuracy and efficiency of image anomaly detection. This system employs machine vision technology to capture images of the converter furnace. It introduces a deep residual network to form an image anomaly detection model, using the captured images to train this model. The system is implemented through low-code development methods and optimizes the iterative updates of the model by incorporating incremental learning algorithms. The recognition accuracy of the converter furnace image anomaly detection model is compared across various neural network architectures. Additionally, the disparities in model accuracy and time consumption between incremental learning and full learning are assessed on a low-code platform. Experimental results demonstrate that this system exhibits good precision and stability in image anomaly detection. On the low⁃code development platform, the system software based on incremental learning performs excellently in handling large-scale data and real-time scenarios, providing an efficient and low⁃cost solution for converter furnace image anomaly detection.

Graphical abstract

关键词

增量学习 / 转炉图像识别 / 低代码平台 / 深度残差网络 / 异常检测

Key words

incremental learning / converter image recognition / low⁃code platform / deep residual network / incremental learning

0　 引 言

随着新一代信息技术的突破和发展，传统制造业正处于前所未有的变革之中^[1，2]。人工智能作为变革的核心动力，不断推动着工业自动化和智能化的深入发展，增量学习和低代码开发等技术也为工业智能化创新提供了新的思路和途径^[3~5]。

尽管增量学习和低代码开发等技术在国内外已经取得了一定的进展，但如何将这些技术有效结合，提高工业图像异常识别的准确率和效率，依然是一项挑战。在钢铁生产领域，转炉冶炼过程中的溢渣、喷溅、点火失败等异常现象，对钢铁生产效率和产品质量的影响显著^[6~8]，因此需要对异常现象进行记录和管理，以保证转炉的高效稳定生产。然而，目前钢铁厂的工作人员主要采用手动记录的方式记录转炉异常数据，这种方式很难兼顾到生产过程中的所有细节，导致记录容易出现遗漏。

针对上述挑战，本文提出了一种基于增量学习的转炉图像异常识别系统，并采用低代码开发方法进行设计与实现。该系统通过对转炉生产过程的实时视频进行智能分析，能够及时识别并报警发生的异常现象，实现了高效准确的监控和管理，提高了生产过程的安全性和效率，在处理大量数据和实时反馈的场景中表现优异。此外，在低代码开发中采用增量学习的方法，使得系统能够不断优化和提升模型的性能，展现出了良好的适应性和稳定性。

本文的主要创新点如下：

1） 提供了一种基于机器视觉和深度残差网络的转炉图像异常识别系统；

2） 通过低代码开发方法，实现了基于增量学习的工业软件，降低了软件开发的技术门槛，使得非技术人员也能参与到工厂智能化转型的过程中，为传统制造业的智能化转型提供了有力的技术支撑和解决方案。

1　 相关工作

1.1　增量学习

增量学习是人工智能技术的一种关键方法^[9~11]，对于转炉图像的智能识别起着至关重要的作用。目前，该领域已经取得了若干进展。例如，Kirkpatrick等^[12]提出的弹性权重整合（Elastic Weight Consolidation, EWC）策略，旨在通过向损失函数中添加惩罚项来限制对关键参数的更新，以解决模型在学习新知识时出现的灾难性遗忘问题。Rusu等^[13]提出的渐进式神经网络（Progressive Neural Networks）通过为每个新任务引入额外的网络层而避免遗忘，允许模型访问并利用以往任务的知识。Li和Hoeim^[14]提出的LwF（Learning without Forgetting）方法，采用知识蒸馏技术，通过利用旧任务数据的再训练同时学习新任务。此外，记忆回放（Replay）策略^[15，16]通过保存部分旧数据并在学习新任务时重用这些数据，有效防止了遗忘问题。这些方法显著提升了模型在适应新任务时的能力，同时保留了在旧任务上的学习成果。

然而，在实际工业应用中，尤其是对复杂的工业图像数据进行异常识别时，上述方法略显不足。首先，工业图像数据的多样性和复杂性要求模型具有更强的泛化能力。现有的增量学习方法往往在面对高度变化的数据分布时，难以保证模型的精度，这在转炉冶炼等特定工业场景中尤为明显。其次，工业场景的异常识别对实时性和稳定性有着极高的要求，但现有方法在处理大规模数据时很难在保持准确性的同时提高效率。此外，模型持续学习新任务的过程中，如何确保模型的稳定性并避免对旧数据的过拟合，也是目前增量学习方法亟待解决的问题。

1.2　低代码开发方法

低代码开发方法是软件工程领域的一种新技术，最早起源于20世纪90年代的快速应用程序开发（Rapid Application Development, RAD）和第四代编程语言（Fourth-Generation Programming, 4GL）等概念^[17，18]。这些早期计算机技术试图通过简化编程开发过程、降低开发难度来提高软件开发的效率，但是受限于当时的技术和应用场景不成熟，早期的低代码开发并未达到预期的效果。进入21世纪以后，随着互联网、移动终端以及云计算技术的普及，软件需求爆炸式的增长，企业对快速交付、低成本和高灵活性的软件解决方案越来越迫切^[19，20]。在这个时代背景下，低代码平台通过图形化界面、预制模版和模块化组件，让非软件工程师也能够快速地开发和部署功能完善的软件应用^[21，22]。低代码平台的重要组件如表1所示。

虽然将低代码开发方法应用于转炉图像异常识别系统带来了开发效率的提升，但同时也暴露出不足和挑战。首先，现有的低代码平台缺乏高效的数据处理能力，这对于性能要求高的人工智能应用而言，可能会成为制约因素。其次，模型定制化的限制和技术依赖问题也显得尤为突出。低代码平台虽然简化了开发流程，但在面对需要高度定制化的深度学习模型时，其预设的模块无法完全满足特定需求。最后，系统的安全性和可靠性也是不可忽视的问题。在处理具有敏感性的工业图像数据时，低代码平台的部署和扩展可能存在潜在的安全风险。

2　 转炉图像异常识别系统

2.1　系统架构

为了实现转炉图像异常识别，本文提出如图1所示的系统架构，系统被划分为4个层级：物理层、感知层、平台层以及应用层。每个层级都是整个系统必不可少的部分，不同的层级共同实现了协同控制系统。

1） 物理层(Physical Layer)位于系统架构的最底层，为上层提供了硬件基础。其中，炼钢厂的转炉是生产的核心设备，本系统主要就是监控转炉的状态并及时在系统中进行反馈。网络视频录像机（Network Video Recorder, NVR）和数据服务器为系统的搭建提供了必要的硬件支持。为了保证数据流的顺畅和系统的稳定，局域网使用千兆网线进行连接。

2） 感知层(Apperceive Layer)是系统感知和采集信息的主要途径。工业传感器和工业摄像头能对生产现场进行实时监控，提供精确且全面的数据信息。边缘计算和智能设备实现了数据的快速处理和智能决策，为后续的数据分析和应用提供了实时准确的数据支持。

3） 平台层(Platform-as-a-Service, PaaS)是系统的关键部分，包括AI平台和低代码数据平台。AI平台负责机器视觉、知识图谱构建，以及数据处理和模型构建。AI平台结合仿真建模、机器学习，提供高精度、自优化、自学习模型。低代码数据平台则负责数据采集、数据存储、数据挖掘和数据服务，为应用层提供了高质量的数据资源。

4） 应用层(Software-as-a-Service, SaaS)包括交互区和管理区。工厂的工作人员通过交互区的工业APP、大屏显示和可视化界面，可以直观地了解生产状态和系统运行情况。这些交互工具的设计旨在提供友好的用户体验，使用户能够快速理解和使用系统。在管理区，系统实现了实时监控、异常报警和报表生成等功能。实时监控功能有助于操作人员能够在第一时间了解到生产线的运行状态；异常报警功能在发生异常情况时能够及时提醒操作人员及时处理，避免生产事故所造成的损失；报表生成功能则为管理人员提供了详细的生产数据和分析结果，帮助他们更好地管理生产过程，提高生产效率和质量。

本文提出的转炉图像异常识别系统采用了分层设计，各层各司其职，协同工作，确保系统高效稳定地运行。物理层和感知层作为系统的底层基础，提供了必要的硬件设备和数据采集设备。平台层为系统提供了强大的数据处理和AI并行计算能力。应用层则直接面向工厂的工作人员提供便捷的交互方式和管理工具。这样的架构设计使得系统具有高效、稳定、易用的特性，能够满足炼钢厂在转炉生产过程的需求，优化企业管理。

2.2　基于机器视觉的转炉图像异常识别

使用机器视觉技术进行转炉图像的采集，采集到的图像数据用于训练转炉图像异常识别模型。炼钢厂的图像收集过程如图2所示，使用三台工业摄像机分别对着转炉的炉顶、炉口和炉底，将摄像头监控的视频流通过网络视频录像机存储在数据服务器中，数据服务器处于工厂内网环境，确保数据的安全。外网的技术人员通过AI服务器进行模型训练和推理，由于防火墙的设置，他们无法获取到转炉生产过程的视频。

转炉图像异常识别模型引入了残差模块(residual block)，形成了深度残差网络架构，解决了深度神经网络中的梯度消失和特征表达局限性的问题，使网络在保持高性能的同时可以达到更深的层数，其核心思想是通过残差连接(residual connection)学习恒等映射(identity mapping)，使网络可以更容易地学习到输入和输出之间的关系。具体来说，网络的基本单元是残差模块，每个残差模块包含两个或多个卷积层，以及一个快捷连接(shortcut connection)。快捷连接将残差模块的输入直接加到卷积层的输出上，形成了一个跳跃连接(skip connection)。该深度残差网络的结构如图3所示。残差连接的表达式如（1）式所示。

F\left(x\right)=H\left(x\right)-x（1）

其中，x为网络中前一层的输入，F\left(x\right)表示残差模块学习到的特征，H\left(x\right)表示原始的学习特征。由（1）式可知，当F\left(x\right)=\mathrm{0}，即残差模块没有学到任何特征时，H\left(x\right)=x，此时仅做了恒等映射，不会影响到网络的性能。在实际过程中，F\left(x\right)的值不会出现为零的情况，残差模块会在输入x的基础上学习到更深层次的特征，提升模型的性能。

深度残差网络的结构和参数如表2所示。该网络的基本组成如下：1） 输入层：一个卷积层处理输入图像，通常包括3\times3的卷积核、步长为2的卷积操作、Batch Normalization(BN)层和ReLU激活函数。2） 残差模块的堆叠：按照预定的网络深度，将残差块堆叠起来形成整个网络。在每个残差块中，卷积层的数量和滤波器的大小可能会有所变化。通常，随着网络深度的增加，滤波器的数量也会成倍增加。3） 全局平均池化层(global average pooling)：在最后一个残差块的输出上执行全局平均池化操作，将特征图降维为1\times1\timesC的形式，其中C表示通道数。4） 输出层：一个全连接层将全局平均池化的输出映射到目标类别数，然后使用Softmax激活函数计算每个类别的概率。

在深度残差网络的训练阶段，需要根据模型的输出结果和真实结果(ground truth)之间的差（通常称为损失或误差）反向推导出每一层参数的优化（即每一层参数对最终误差的贡献大小），从而更新这些参数。反向传播算法是通过链式法则(chain rule)计算每一层参数的梯度，然后根据随机梯度下降(Stochastic Gradient Descent, SGD)算法更新参数，如（2）（3）式所示。

\frac{\partial J}{\partial x_l}=\frac{\partial J}{\partial x_L}\cdot \frac{\partial x_L}{\partial x_l}=\frac{\partial J}{\partial x_L}\cdot \left(\mathrm{1}+\frac{\partial }{\partial x_l}{\displaystyle \sum _{i=\mathrm{1}}^{L-\mathrm{1}}}F(x_i,W_i)\right)（2）

其中，J表示残差网络的损失函数；L表示网络的层数；W_i表示第i层的权重；x_l表示神经网络第l层的输入；x_L表示神经网络最后一层的输出。

\theta =\theta -\eta \times \nabla J(\theta )（3）

其中，\theta表示模型的参数；\eta是学习率，决定了参数更新的步长。

综上所述，本文提出的转炉图像异常识别系统的优点主要体现在：首先，引入深度残差网络形成转炉图像异常识别模型，旨在提高转炉图像异常识别的准确率；其次，深度残差网络高效的学习能力使得系统能实时反映转炉生产过程中的状态变化，有助于实时监控并发现异常；同时，它支持转炉拍摄不同视角的图像数据整合，增强了图像识别系统在复杂环境中的适应性。

3　 转炉图像异常识别系统的低代码开发方法

3.1　低代码开发方法

虽然大数据和人工智能技术在提高效率和生产质量方面发挥着重要作用，但由于网络和数据安全的问题，工厂的系统往往选择内网环境进行操作。在内网环境中，数据和应用程序被保护在一个隔离的网络环境中，不与外界的网络连接，尽可能地降低数据被窃取和系统被黑客攻击的风险。这给外网技术人员部署低代码应用程序带来了一定的挑战，因为只有工厂内部的非技术人员可以直接访问这个内网环境。

为了应对上述问题，本文提出了一种低代码开发方法，使非技术人员可以在内网环境中上传数据集，并使用增量学习算法^[23]优化转炉图像异常识别模型。这个过程不需要非技术人员掌握大量的人工智能知识，只需要通过低代码平台提供的用户界面，选择适合的模型和增量学习算法，设置各种参数，然后平台就会自动完成模型的训练。这个过程完全是在内网环境中完成的，保证了数据的安全性。由于系统是基于低代码平台开发的，非技术人员无需编写复杂的代码，这不仅降低了技术门槛，使得更多的人可以参与到模型训练的工作中，也提高了工作效率。技术人员没有权限访问工厂内网，他们在外网环境中开发和测试应用程序，然后将这些应用程序打包加密发送给工厂非技术人员，由非技术人员部署到工厂的内网环境中。此外，技术人员还需要确保应用程序的稳定性和健壮性，因为一旦应用程序被部署到内网环境中，他们就无法直接进行修复或更新。具体操作流程如图4所示。

3.2　基于增量学习的低代码平台

第2章讨论的转炉图像异常识别模型属于传统的机器学习方法。在模型训练过程中，需要一次性加载整个数据集到内存中，这对于低代码平台来说是不切实际的。在用于人工智能应用的低代码平台中，数据是被用户不断上传的，用户希望模型能够即时反应新的数据变化。本文使用的增量学习算法能够持续地学习和适应这些变化，保证模型的性能，其迭代特性使得模型可以在任何时刻进行有效的保存和恢复，这为低代码平台提供了更大的灵活性，使得用户可以更方便地管理模型训练的进度。因此本文将增量学习^[23]用于转炉图像异常识别模型的热更新，提供更及时、更准确的预测。

在用户不断上传采集到的图像数据集过程中，对于用户上传的最新图像数据集（以下简称“新数据集”），模型在训练阶段的损失函数的计算如下：

{\mathrm{ℒ}}_{\mathrm{n}\mathrm{e}\mathrm{w}}\left(y_n,{\widehat{y}}_n\right)=-y_n\bullet \mathrm{l}\mathrm{o}\mathrm{g}{\widehat{y}}_n（4）

其中，{\widehat{y}}_n是模型的输出，y_n是对异常类别进行One-hot编码后的向量。One-hot编码是一种将分类变量转换为机器学习模型可用的输入格式，通过为每个类别分配一个唯一的二进制向量来表示。

为了方便描述，将在旧数据集上训练的模型称为“旧模型”；在新数据集上训练的模型称为“新模型”；用户历史上传的数据集称为“旧数据集”。为了使模型在新数据集上训练得到的概率分布与旧数据集的概率分布相接近，本文使用一种改进的交叉熵损失，以增加小概率的权重值。旧模型训练过程中的损失函数的计算如下：

{\mathrm{ℒ}}_{\mathrm{o}\mathrm{l}\mathrm{d}}\left(y_o,{\widehat{y}}_o\right)=-{\displaystyle \sum _{i=\mathrm{1}}^l}{y}_{\mathrm{0}}^{\text{'}(i)}\bullet \mathrm{l}\mathrm{o}\mathrm{g}{y}_{\mathrm{0}}^{\text{'}(i)}（5）

其中,y_{\mathrm{0}}^{\text{'}(i)}、{\widehat{y}}_{\mathrm{0}}^{\text{'}(i)}分别是旧模型的标签和预测输出，l是图像数据集的类别总数。

最后，总体损失函数如（6）式所示：

\mathrm{ℒ}={\lambda }_o{\mathrm{ℒ}}_{\mathrm{o}\mathrm{l}\mathrm{d}}\left(y_o,{\widehat{y}}_o\right)+{\mathrm{ℒ}}_{\mathrm{n}\mathrm{e}\mathrm{w}}\left(y_n,{\widehat{y}}_n\right)+R({\widehat{\theta }}_s,{\widehat{\theta }}_o,{\widehat{\theta }}_n)（6）

其中，{\lambda }_o是新旧数据集平衡权重值，通过该值可以调整新旧数据集对模型参数的影响，{\lambda }_o值越大则越保留模型从旧数据集学习到的知识；R是一个正则项；{\widehat{\theta }}_s是模型的共享参数；{\widehat{\theta }}_o是更新后的历史数据模型参数；{\widehat{\theta }}_n是用户新上传的数据集训练的模型参数。

增量学习算法的具体步骤如算法1所示。

4　 实验结果与分析

4.1　不同转炉图像异常识别模型的对比

为了验证2.2节提出的转炉图像异常识别模型的有效性，基于本文提出的转炉图像异常识别系统，将本文使用的深度残差网络（ResNet）和其他三种神经网络架构（VGGNet^[24]、DenseNet^[25]和EfficientNet^[26]）在4个不同转炉图像数据集上的性能进行了对比。其中，VGGNet通过重复的小卷积核来增加网络的深度；DenseNet通过每一层与前面所有层相连接来增强特征表示；EfficientNet通过平衡网络的宽度、深度和分辨率来优化性能和效率。每个模型在数据集上进行了至少100次迭代训练。转炉1#、转炉2#、转炉3#、转炉4#是由不同转炉收集而成的图像数据集，用于分析和比较各转炉的生产状况。

图5展示了不同模型在训练过程中损失值随训练轮数的增加而逐渐变化的过程。从图5可以看出，与其他模型相比，本文使用的深度残差网络随着训练轮数的增加，在大部分训练轮次中都保持了较低的性能波动，其性能表现具有一致性和稳定性，在转炉1#和转炉2#数据集中的表现尤为明显。这是因为本文模型引入了残差模块，它通过恒等映射传播梯度，有效地利用较深的网络结构而不过分拟合训练数据，而其他模型在网络深度增加时损失函数难以收敛。表3展示了本文方法和其他对比网络在不同转炉图像数据集上的识别结果，采用异常识别的准确率作为评价指标，异常识别的准确率公式如（7）式所示。

\mathrm{A}\mathrm{c}\mathrm{c}\mathrm{u}\mathrm{r}\mathrm{a}\mathrm{c}\mathrm{y}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}\times \mathrm{100}\mathrm{\%}（7）

其中：TP（True Positives）表示正确识别的正类图像数量；TN（True Negatives）表示正确识别的负类图像数量；FP（False Positives）表示错误地将负类图像识别为正类的数量；FN（False Negatives）表示错误地将正类图像识别为负类的数量。

表3的实验结果显示，ResNet在所有对比网络架构中展现出了最卓越的性能，其在各转炉异常图像数据集中异常识别准确率分别为95%、97%、93%和95%，均高于其他对比网络架构。这是因为深度残差网络的残差模块使得信息能够通过跳跃连接传递，保证了深层网络的信息流动，更好地捕捉转炉图像复杂的特征。由此可见，ResNet在处理此类数据时具有更强的泛化能力和性能。

4.2　增量学习算法的可靠性验证

为了验证算法1的可靠性，在低代码平台中进行了相关实验。此实验的主要目的是比较增量学习和全量学习在模型精度和时间消耗上的差异，探究在处理大规模数据时，这两种训练方式各自的优势和缺点。

通过图像分类任务的准确率评估模型精度，将开始训练到模型收敛的总时间记为训练时间。实验结果如表4所示。

实验结果反映了增量学习和全量学习在处理大规模数据时的利弊。尽管使用增量学习训练出的模型在精度上稍微低于全量数据集学习，但其训练时间大大减少，在训练效率上具有明显的优势。增量学习通过逐批处理数据，避免了一次性加载整个数据集，显著降低了计算负载和时间消耗。然而，这种处理方式可能无法充分捕获数据集中的全局信息，导致模型精度略有损失。全量数据集学习虽然提高了模型的准确率和泛化性，但也增加了计算和存储成本，存在过拟合的风险。

低代码平台允许用户多次上传数据集进行增量学习，即使其模型精度稍有降低，但其效率优势仍然使其在这一场景下更为适用。尤其是在数据量大、数据流式上传，或者需要实时反馈的场景中，效率和实时性往往比小幅度的精度损失更为重要。这些体现了增量学习在基于人工智能的低代码平台中的价值。

5　 结 语

为了有效应对工业转炉图像异常识别中的挑战，本文提出了一种基于增量学习的转炉图像异常识别系统。通过融合机器视觉技术和深度残差网络，本系统不仅实现了高效和精确的异常识别能力，而且利用增量学习和低代码开发方法，极大地支持了模型的持续优化与升级，从而有效地满足了大规模数据处理和实时响应的需求。本研究为工业图像异常识别提供了一种创新的解决方案，适用于处理大规模数据集和需要实时反馈的应用场景。本文的方法为工业制造领域的数字化转型和智能升级提供有力的支持。

尽管该转炉图像异常识别模型展现出了良好的性能，但是面对特定环境的图像，如低光照或高噪声环境中，图像识别的精度和效率仍然面临挑战。因此，未来的研究将聚焦于进一步优化和改进模型，以提升系统在这些特殊场景下的识别性能。

参考文献

[1] 王时龙， 王彦凯， 杨波， 等. 基于层次化数字孪生的工业互联网制造新范式——雾制造［J］. 计算机集成制造系统， 2019， 25（12）： 3070-3080. DOI： 10.13196/j.cims.2019.12.009 .

[2] WANG S L， WANG Y K， YANG B， et al. Fog manufacturing： New paradigm of industrial Internet manufacturing based on hierarchical digital twin［J］. Computer Integrated Manufacturing Systems， 2019， 25（12）： 3070-3080. DOI： 10.13196/j.cims.2019.12.009（Ch ）.

[3] 肖祥武， 王丰， 王晓辉， 等. 面向工业互联网的智慧电厂仿生体系架构及信息物理系统［J］. 电工技术学报， 2020， 35（23）： 4898-4911. DOI： 10.19595/j.cnki.1000-6753.tces.191593 .

[4] XIAO X W， WANG F， WANG X H， et al. Bionic structure and cyber-physical system for intelligent power plant oriented to the industrial Internet［J］. Transactions of China Electrotechnical Society， 2020， 35（23）： 4898-4911. DOI： 10.19595/j.cnki.1000-6753.tces.191593（Ch ）.

[5] 牛鑫， 吕现伟， 余辰. 边缘智能：现状与挑战［J］. 武汉大学学报（理学版）， 2023， 69（2）： 270-282. DOI： 10.14188/j.1671-8836.2023.0026 .

[6] NIU X， LÜ X W， YU C. Edge intelligence： State-of-the-art and challenges［J］. Journal of Wuhan University （Natural Science Edition）， 2023， 69（2）： 270-282. DOI： 10.14188/j.1671-8836.2023.0026（Ch ）.

[7] 杨帅.工业4.0与工业互联网：比较、启示与应对策略［J］.当代财经，2015（8）：99-107.DOI：10.13676/j.cnki.cn36-1030/f.2015.08.010 .

[8] YANG S. Industry 4.0 and the Industrial Internet： Comparison， Enlightenment and Countermeasures［J］. Contemporary Finance and Economics，2015（8）：99-107.DOI：10.13676/j.cnki.cn36-1030/f.2015.08.010（Ch ）.

[9] ROJKO A. Industry 4.0 concept： Background and overview［J］. International Journal of Interactive Mobile Technologies （IJIM）， 2017， 11（5）： 77. DOI： 10.3991/ijim.v11i5.7072 .

[10] 唐堂， 滕琳， 吴杰， 等. 全面实现数字化是通向智能制造的必由之路——解读《智能制造之路： 数字化工厂》［J］. 中国机械工程， 2018， 29（3）： 366-377. DOI： 10.3969/j.issn.1004-132X.2018.03.018 .

[11] TANG T， TENG L， WU J， et al. Realizing digitalization in an all-round way is the only way to intelligent manufacturing—Interpretation of The Road to Intelligent Manufacturing： Digital Factory［J］. China Mechanical Engineering， 2018， 29（3）： 366-377. DOI： 10.3969/j.issn.1004-132X.2018.03.018（Ch ）.

[12] 武星， 胡明涛， 丁鹏. 陶瓷涂层材料多模态数据表征学习［J］. 上海大学学报（自然科学版）， 2022， 28（3）： 492-503. DOI： 10.12066/j.issn.1007-2861.2383 .

[13] WU X， HU M T， DING P. Multi-modal data representation learning for ceramic coating materials［J］. Journal of Shanghai University （Natural Science Edition）， 2022， 28（3）： 492-503. DOI： 10.12066/j.issn.1007-2861.2383（Ch ）.

[14] 王冠华. 转炉冶炼中高碳钢过程及终点控制分析［J］. 冶金与材料， 2023， 43（2）： 105-107. DOI： 10.3969/j.issn.1674-5183.2023.02.037 .

[15] WANG G H. Analysis on the process and end point control of medium and high carbon steel smelting in converter［J］. Metallurgy and Materials， 2023， 43（2）： 105-107. DOI： 10.3969/j.issn.1674-5183.2023.02.037（Ch ）.

[16] MASANA M， LIU X， TWARDOWSKI B， et al. Class-incremental learning： survey and performance evaluation on image classification［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（5）： 5513-5533. DOI： 10.1109/TPAMI.2022.3213473 .

[17] DE L M， ALJUNDI R， MASANA M， et al. A continual learning survey： Defying forgetting in classification tasks［J］. IEEE Transactions On Pattern Analysis And Machine Intelligence， 2022， 44（7）： 3366-3385. DOI： 10.1109/TPAMI.2021.3057446 .

[18] SARFRAZ F， ARANI E， ZONOOZ B. Sparse coding in a dual memory system for lifelong learning［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2023， 37（8）： 9714-9722. DOI： 10.1609/aaai.v37i8.26161 .

[19] KIRKPATRICK J， PASCANU R， RABINOWITZ N， et al. Overcoming catastrophic forgetting in neural networks［J］. Proceedings of the National Academy of Sciences of the United States of America， 2017， 114（13）： 3521-3526. DOI： 10.1073/pnas.1611835114 .

[20] RUSU A A， RABINOWITZ N C， DESJARDINS G， et al. Progressive neural networks［EB/OL］. ［2023-06-03］.

[21] LI Z Z， HOIEM D. Learning without forgetting［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018， 40（12）： 2935-2947. DOI： 10.1109/TPAMI.2017.2773081 .

[22] MARACANI A， MICHIELI U， TOLDO M， et al. Recall： Replay-based continual learning in semantic segmentation［C］//2021 IEEE/CVF International Conference on Computer Vision （ICCV）. New York： IEEE Press， 2021： 7006-7015. DOI： 10.1109/ICCV48922.2021.00694 .

[23] LI X， SUN Q， LIU Y， et al. Learning to self-train for semi-supervised few-shot classification［EB/OL］. ［2023-06-05］.

[24] WOO M. The rise of No/low code software development—No experience needed？［J］. Engineering， 2020， 6（9）： 960-961. DOI： 10.1016/j.eng.2020.07.007 .

[25] 高博， 何建， 郭云飞. 石油井下作业低代码成本管控系统开发与运用研究［J］. 信息系统工程， 2023（4）： 28-30. DOI： 10.3969/j.issn.1001-2362.2023.04.011 .

[26] GAO B， HE J， GUO Y F. Research on development and application of low code cost management and control system for oil downhole operation［J］. China CIO News， 2023（4）： 28-30. DOI： 10.3969/j.issn.1001-2362.2023.04.011（Ch ）.

[27] 刘虔铭. 基于低代码平台的医院新冠肺炎疫情防控系统设计［J］. 中国数字医学， 2022， 17（12）： 49-53. DOI： 10.3969/j.issn.1673-7571.2022.12.010 .

[28] LIU Q M. Design of hospital COVID-19 prevention and control system based on low-code platform［J］. China Digital Medicine， 2022， 17（12）： 49-53. DOI： 10.3969/j.issn.1673-7571.2022.12.010（Ch ）.

[29] 杨丹. 低代码平台在金融行业的创新研究及实践［J］. 金融电子化， 2022（3）： 18-20.

[30] YANG D. Innovative research and practice of low code platform in financial industry［J］. Financial Computerizing， 2022（3）： 18-20 （Ch）.

[31] 张明. 一种SAP低代码开发平台的设计与实现［D］. 济南： 山东大学， 2020. DOI： 10.27272/d.cnki.gshdu.2020.001067 .

[32] ZHANG M. The Design and Implementation of an SAP Low⁃Code Development Platform［D］. Jinan： Shandong University， 2020.DOI： 10.27272/d.cnki.gshdu.2020.001067（Ch ）.

[33] 郭卫丹， 刘宗凡， 邱元阳， 等. 深入评析低代码开发平台［J］. 中国信息技术教育， 2021（11）： 80-86.

[34] GUO W D， LIU Z F， QIU Y Y， et al. In⁃depth analysis of low-code development platform［J］. China Information Technology Education， 2021（11）： 80-86 （Ch）.

[35] 王弘业， 钱权， 武星. 基于参数惩罚和经验回放的材料吸声系数回归增量学习［J］. 工程科学学报， 2023， 45（7）： 1225-1231. DOI： 10.13374/j.issn2095-9389.2022.05.03.006 .

[36] WANG H Y， QIAN Q， WU X. Incremental learning of material absorption coefficient regression based on parameter penalty and experience replay［J］. Chinese Journal of Engineering， 2023， 45（7）： 1225-1231. DOI： 10.13374/j.issn2095-9389.2022.05.03.006（Ch ）.

[37] SIMONVAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［EB/OL］. ［2023-05-29］.

[38] IANDOLA F， MOSKEWICZ M， KARAYEV S， et al. Densenet： Implementing efficient convnet descriptor pyramids［EB/OL］. ［2023-05-10］.

[39] TAN M， LE Q. Efficientnet： Rethinking model scaling for convolutional neural networks［EB/OL］. ［2023-06-02］. DOI: 10.1016/j.neunet.2023.08.053 .

基金资助

上海市青年科技启明星计划项目(21QB1401900)

科技部重点研发计划项目(2022YFB3707800)