BurdenNet：先验信息导引的复杂环境下高炉多态料面目标检测网络

摘要

传统的单一状态料面目标检测网络未能考虑高炉冶炼状态的交替变化，在复杂环境下整体准确度较低，针对上述问题，本文提出一种先验信息导引的多态料面目标检测网络BurdenNet.首先，提出基于原始信号距离向精度的图像预分类方法，构建三类典型状态的料面图像数据集，并以预分类的状态为先验信息对网络通路进行剪枝.其次，将料面细长低曲率的形状特征与雷达采样信号的稀疏性质作为先验信息，提出空洞垂直偏移卷积(Atrous vertical deformable convolution, AVDC)模块提取多态料面特征.在此基础上，利用机械探尺数据构建先验空间注意力特征图，提出先验聚焦注意力(Prior focusing attention, PFA)模块，使网络优先聚焦于图像中的料面区域.最后对于边界框的回归，提出条带交并比(Band intersection over union, BIOU)损失函数进一步提升目标检测的速度与准确性.在钢铁公司高炉的实测数据上进行实验，结果表明，本文的BurdenNet相较于单一状态目标检测网络，在多态料面数据集上整体精确率提升了13.9%与5.2%，综合性能(F1-Score)提升了8.1%与4.3%，为复杂环境下多态料面图像的目标检测提供更准确的方法.

关键词

多态料面 / 先验信息 / 空洞垂直偏移卷积 / 先验聚焦注意力 / 网络剪枝

基金资助

国家自然科学基金资助项目（61671054）; 北京市自然科学基金资助项目（4182038）