研究目的
通过引入深度学习方法从红外图像中自动识别管状区域,以提高热解反应器的监测能力,从而实现精确的温度和形状监测。
研究成果
所提出的监测框架利用深度学习进行管道分割,并采用AkNN算法进行故障检测,能有效监测热解反应器的温度和形状变化。该方案为恶劣工况下的工业过程监测提供了实用解决方案,在工业制造领域具有更广泛的应用潜力。
研究不足
该研究的局限性在于固定摄像头位置拍摄的照片多样性可能影响训练集的变异性。此外,尽管图像处理所需的计算时间在合理范围内,但可能并不适用于所有实时应用场景。
研究目的
通过引入深度学习方法从红外图像中自动识别管状区域,以提高热解反应器的监测能力,从而实现精确的温度和形状监测。
研究成果
所提出的监测框架利用深度学习进行管道分割,并采用AkNN算法进行故障检测,能有效监测热解反应器的温度和形状变化。该方案为恶劣工况下的工业过程监测提供了实用解决方案,在工业制造领域具有更广泛的应用潜力。
研究不足
该研究的局限性在于固定摄像头位置拍摄的照片多样性可能影响训练集的变异性。此外,尽管图像处理所需的计算时间在合理范围内,但可能并不适用于所有实时应用场景。
加载中....
您正在对论文“基于深度学习的裂解反应器监测:从热成像到智能监测系统”进行纠错
纠错内容
联系方式(选填)
称呼
电话
单位名称
用途
期望交货周期
称呼
电话
单位名称
用途
期望交货周期