導覽
近期變更
隨機頁面
新手上路
新頁面
優質條目評選
繁體
不转换
简体
繁體
18.190.239.171
登入
工具
閱讀
檢視原始碼
特殊頁面
頁面資訊
求真百科歡迎當事人提供第一手真實資料,洗刷冤屈,終結網路霸凌。
檢視 金属轧制材表面缺陷在线检测技术 的原始碼
←
金属轧制材表面缺陷在线检测技术
前往:
導覽
、
搜尋
由於下列原因,您沒有權限進行 編輯此頁面 的動作:
您請求的操作只有這個群組的使用者能使用:
用戶
您可以檢視並複製此頁面的原始碼。
{| class="wikitable" align="right" |- |<center><img src=https://p3.itc.cn/images01/20210205/cc0dd6448c8446f693100a7aae886fe8.jpeg width="300"></center> <small>[https://www.sohu.com/a/448963705_120001439 来自 搜狐网 的图片]</small> |} '''金属轧制材表面缺陷在线检测技术'''表面缺陷是影响[[金属]]轧制材质量的重要因素,基于机器视觉的表检系统已广泛应用于金属轧制线,但是缺陷的检出率与识别率难以满足要求。本项目开发了特殊光路设计、图像高速采集、海量数据实时处理、复杂背景图像识别等关键技术,将深度学习算法应用于表面缺陷识别,缺陷检测指标达到国际领先水平。 ==技术原理/技术要点== 本项目综合物理光学、[[计算机]]、机器视觉、[[人工智能]]<ref>[https://www.sohu.com/a/429466389_120797189 认识人工智能的九个方面],搜狐,2020-11-04</ref>及数据挖掘等多学科知识,研发了基于深度学习的金属轧制材表面在线检测系统,关键技术如下: (1)研制了高均匀性、高亮度的LED线光源,实现高温、高速金属表面缺陷的清晰成像;发明了多光路照明成像方法,提高了缺陷检测分辨率。 (2)开发了基于多尺度感受野网络和分类优先网络的表面缺陷检测算法,解决了传统卷积神经网络存在的信息弥散、泛化能力不强等问题。 (3)提出了基于对抗生成网络的半监督样本学习方法,有效利用大量无标签样本,解决深度学习方法对有标签样本需求量大的难题。 (4)开发了基于长短时记忆网络的周期性缺陷识别算法,实现了金属表面辊印、划伤等周期性和连续性缺陷的追踪及预警,现有算法对于轻微辊印和划伤缺陷检出率低,容易漏检的问题。 ==技术指标== 本项目的技术指标如下: (1) 缺陷的检出率98%; (2) 缺陷的分类准确率92%; (3) 缺陷的检测分辨率为0.21mm/pixel。 本项目首次实现了深度[[学习]]算法在金属轧制材表面缺陷检测上的在线应用,大大提高了缺陷的识别率,减少了缺陷的漏检与误检。通过对算法的优化,并将算法在GPU+CPU的高性能异构运算平台上实现,满足了金属轧制线在线检测的要求。 ==应用前景== 本项目已经推广应用于[[钢铁]]、有色领域的100余条金属生产线,包括连铸坯、中厚板、热轧带钢、冷轧带钢、棒线材、型钢、铝板带等。2017年起,本项目在太钢2250热连轧、马钢CSP、酒钢炉卷轧机等生产线上的应用替代了生产线上原有的德国百视泰、美国康耐视等国外系统,并推广应用于台湾、韩国浦项等境外企业。 本项目大幅提高表检系统的缺陷检出率和分类准确率,对于提高金属轧制材表面质量具有重要意义,从而提升企业核心竞争力和品牌效应。本项目所应用的核心技术均具有自主[[知识产权]]<ref>[https://www.sohu.com/a/207378023_99938617 自主知识产权与专利的区别] ,搜狐,2017-11-29 </ref>,为突破国外技术封锁及提高关键核心装备国产化率及推广应用起到了积极作用,并实现国产表检系统从“填补国内空白”到“替代国外产品”的飞跃,为国产高端检测仪表的开发与市场化提供示范效应。同时,本项目为深度学习方法在工业领域的应用提供案例,为钢铁领域实现智能制造提供重要的[[基础]],从而推动我国制造业的转型升级。 ==参考文献== [[Category:500 社會科學類]]
返回「
金属轧制材表面缺陷在线检测技术
」頁面