本文由Yang Han、Wei-Gang Han和Kai Zeng三位作者共同撰写，发表于2022年5月的《IEEE Transactions on Industrial Informatics》期刊第18卷第5期。该研究的主要机构为华北理工大学冶金与能源学院。研究旨在解决卷积神经网络（Convolutional Neural Network, CNN）在目标跟踪算法中速度较慢的问题，提出了一种基于多域卷积神经网络（Multidomain CNN, MDNet）与光流法（Optical Flow Method）融合的改进算法，用于序列图像目标跟踪，并应用于高温环境下固体铁尾矿在熔融高炉渣中的Marangoni效应（马兰戈尼效应）过程研究。

研究背景

目标跟踪是计算机视觉领域的重要研究方向，主要用于估计各种场景中运动目标的位置。然而，目标跟踪环境复杂多变，光照、遮挡等因素会干扰跟踪效果。现有的目标跟踪方法主要分为生成方法和判别方法。生成方法通过稀疏表示、密度估计和增量子空间学习来描述目标外观，而判别方法则通过创建模型来区分目标与背景。近年来，卷积神经网络（CNN）在目标识别中取得了显著成功，但其计算速率仍然较慢，限制了算法的实际应用。

本研究的目标是通过改进的多域卷积神经网络（MDNet）与光流法结合，设计一种新的目标跟踪算法，以提高跟踪速度和性能。该算法特别针对高温环境下硅颗粒的Marangoni效应进行研究，旨在实现硅颗粒在高温熔融过程中的智能分析。

研究方法

研究分为以下几个步骤：

1. 光流法初步选择框：首先使用光流法获取目标的运动状态，得到目标的初步选择框。光流法通过计算图像序列中像素的灰度变化来估计目标的位移，能够有效应对尺度变化和平面内旋转的挑战。

2. 目标精确定位：将初步选择框作为改进的多域卷积神经网络（Faster MDNet）的输入，通过卷积神经网络的特征提取和区域建议网络（Region Proposal Network, RPN）确定目标的精确位置。

3. 特征提取与分类：使用预训练的卷积神经网络（CNN）提取特征，并通过RPN判断目标是否为前景或背景。最终输出目标的精确位置和边界框。

4. 实验设计与数据采集：研究在高温共聚焦炉中进行，通过摄像机记录硅颗粒在高温熔融过程中的序列图像，并使用Fluent软件模拟硅颗粒的温度场和液相比例分布。

主要结果

研究结果表明，该目标跟踪算法在实时性（fps > 24）、平均距离精度（DP）为97.3%、平均成功率（SR）为98.02%、平均中心位置误差（CLE）为6.2684 µm、平均重叠精度（OP）覆盖率为63.86%等方面表现出色。与其他算法相比，该算法在DP、SR、CLE、OP和fps五个评价指标上均具有明显优势。

结论

该研究提出了一种结合Faster MDNet和光流法的目标跟踪算法，能够有效应对高温环境下硅颗粒的Marangoni效应。该算法不仅提高了跟踪速度和性能，还能够在复杂环境下实现目标的精确定位。研究结果为高温熔融过程中硅颗粒的原位形态分析提供了重要依据，具有较高的科学价值和应用前景。

研究亮点

1. 算法创新：通过结合Faster MDNet和光流法，显著提高了目标跟踪的速度和精度。
2. 应用价值：该算法能够有效应对高温环境下硅颗粒的Marangoni效应，为高温熔融过程的智能分析提供了新的工具。
3. 实验验证：通过大量实验数据验证了算法的有效性，结果表明该算法在多个评价指标上优于现有算法。

未来展望

未来的研究将重点关注Marangoni效应过程的智能跟踪与分析系统的开发，并将分析结果嵌入相关工程需求中，进一步提升算法的实际应用价值。