机构名称：
¥ 1.0
机器学习技术在钢铁行业的应用并不新鲜，它被广泛用于预测（Ordieres-Mer'e 等人，2010 年）和聚类目的（Gonz'alez-Marcos 等人，2014 年）。随着深度学习等机器学习技术的出现，科学家、研究人员和工程师为设计具有视觉敏锐度仿生特征的人工视觉系统（Caves 等人，2018 年；Park 等人，2020 年）和精确的视觉运动检测（Fu 等人，2019b 年；Zhao 等人，2020 年）做出了巨大努力。深度神经网络在执行人工视觉方面取得成功的主要原因之一是它们能够发现具有网格状拓扑的数据的统计特性，例如：平移不变性、组合性和局部聚类（Simoncelli 和 Olshausen，2001 年）。卷积网络利用这一数学特性，擅长从平移不变的网格状数据集中提取相关信息。组合性来自数据集的多分辨率，例如彩色像素的 RGB 通道，而局部聚类是由于网格状数据集呈现相似的局部特征而实现的（Chollet，2018 年）。事实上，有些应用以质量为主要目标（Ordieres-Mer´e 等人，2013 年）。深度学习也作为工业质量分类的工具被应用（Villalba-Diez 等人，2019 年；Schmidt 等人，2020 年），其中包括钢铁质量分类（Fu 等人，2019b、a；Hao 等人，2021 年；Psuj，2018 年；Zheng 等人，2021 年）。
ScienceDirect
主要关键词
相关文件推荐
