来源：期刊VIP网 时间：
作者：武星;殷浩宇;姚骏峰;金小礼;
单位：上海大学计算机工程与科学学院;中国船舶集团海舟系统技术有限公司;宝山钢铁股份有限公司中央研究院;
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。
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
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）
