陶瓷辊道窑是一种连续烧成的窑炉,制品通过辊道在窑内依次进行预热、烧成、冷却三个阶段完成烧制。在烧制过程中,其温度的检测与控制方法直接影响陶瓷制品的烧成质量。传统的陶瓷辊道窑温度检测主要依靠热电偶传感器,其在高温多尘环境下存在精度变差和完全失效的问题,不利于辊道窑的长期稳定运行。为此,本文提出基于深度学习火焰图像识别来检测陶瓷辊道窑温度的方法。为了提高深度学习模型对火焰图像特征分类准确率,本文提出了多种模型改进方法,并通过热力图分析这些方法对模型提取特征的影响,为模型的设计和火焰图像的识别提供技术支持。本文的主要工作和创新点如下:1.给出了陶瓷辊道窑的火焰图像预处理方法。为了大大减少火焰图像识别模型在训练和推理过程的耗时以及提升识别的准确度,本文通过Otus阈值方法对火焰图像进行分割,再通过轮廓发现对图像进行裁剪,去除冗余的背景数据,从而为火焰图像特征有效提取打下基础。2.设计了改进的轻量化网络Mobile Net-m模型。针对火焰图像数据量小和特征单一的特点,在Mobile Net V2模型的基础上通过缩减模型复杂度得到Mobile Net-m模型。实验结果表明,该模型能够在保持分类性能不变的前提下,比Mobile Net V2模型减少93.86%的参数量、67.30%的计算量和84.48%的推理时间。3.提出了基于轻量化网络陶瓷辊道窑火焰图像识别方法。根据对轻量化网络卷积核尺寸的测试发现,使用较大的卷积核能够以增加轻量化网络模型计算量为代价,大大提高模型的分类准确率,最大可提升6.78%。通过分析类别激活热力图可以得出,这种方法能够缓解陶瓷辊道窑火焰图像中窑壁轮廓特征的干扰,进而实现提升火焰图像识别效果。4.设计了一种采用大卷积核的空间注意力机制LSA。实验表明,相比与其他注意力机制,LSA对Mobile Net-m模型性能的提升效果更好,分类准确率提升了3.66%。通过分析注意力机制对模型的影响发现,从空间注意力的角度筛选特征,更有利于陶瓷辊道窑火焰图像的识别准确率提升,为陶瓷辊道窑温度智能检测提供一种新思路。