基于改进GoogLeNet的锌渣识别算法

张振洲，熊 凌，李克波，陈 刚，但斌斌，吴怀宇

(1.武汉科技大学冶金自动化与检测技术教育部工程研究中心，湖北 武汉，430081；2.武汉科技大学机器人与智能系统研究院，湖北 武汉，430081；3.武汉科技大学冶金装备及其控制教育部重点实验室，湖北 武汉，430081)

热镀锌钢板在汽车、家电、建筑、航空航天装备等行业具有广泛的应用。在冷轧热镀锌生产过程中，锌液与其他杂质元素及空气结合形成的锌渣漂浮在锌锅表面，影响镀锌板成品质量，因此需要定时清除[1]。锌渣可分为薄渣和厚渣两类，薄渣是刚生成的锌渣，可防止锌液被空气进一步氧化，而厚渣则是待捞锌渣，为了不影响热镀锌钢板的外观质量，必须及时捞出。已有的捞渣机器人[2-3]由于缺少相应的传感器，捞渣缺乏自主性，导致捞渣效率低下。采用机器视觉方式实现锌渣图像的自动分类，使捞渣机器人有选择性地捞起厚渣，这对于提高捞渣效率和实现冷轧生产线的智能化具有重要意义。

锌渣图像的特征提取是锌渣识别的关键，目前常采用基于纹理特征的图像分类方法，如局部二值特征[4]、灰度共生矩阵[5]、小波变换[6]等，虽然这些精心设计的人工特征在相应领域取得了不错的应用效果，但是其通用性不强。

近些年来，深度学习技术在图像识别领域发展十分迅猛，先后出现了AlexNet[7]、VGGNet[8]、GoogLeNet[9]等深度卷积神经网络。由于深度学习使用大量数据训练模型，所以在适应性方面表现更好，在工业图像识别中也得到了广泛应用。……