金屬軋制材表面缺陷在線檢測技術檢視原始碼討論檢視歷史

來自 搜狐網 的圖片

金屬軋制材表面缺陷在線檢測技術表面缺陷是影響金屬軋制材質量的重要因素，基於機器視覺的表檢系統已廣泛應用於金屬軋制線，但是缺陷的檢出率與識別率難以滿足要求。本項目開發了特殊光路設計、圖像高速採集、海量數據實時處理、複雜背景圖像識別等關鍵技術，將深度學習算法應用於表面缺陷識別，缺陷檢測指標達到國際領先水平。

技術原理/技術要點

本項目綜合物理光學、計算機、機器視覺、人工智能及數據挖掘等多學科知識，研發了基於深度學習的金屬軋制材表面在線檢測系統，關鍵技術如下： （1）研製了高均勻性、高亮度的LED線光源，實現高溫、高速金屬表面缺陷的清晰成像；發明了多光路照明成像方法，提高了缺陷檢測分辨率。 （2）開發了基於多尺度感受野網絡和分類優先網絡的表面缺陷檢測算法，解決了傳統卷積神經網絡存在的信息彌散、泛化能力不強等問題。 （3）提出了基於對抗生成網絡的半監督樣本學習方法，有效利用大量無標籤樣本，解決深度學習方法對有標籤樣本需求量大的難題。 （4）開發了基於長短時記憶網絡的周期性缺陷識別算法，實現了金屬表面輥印、劃傷等周期性和連續性缺陷的追蹤及預警，現有算法對於輕微輥印和劃傷缺陷檢出率低，容易漏檢的問題。

技術指標

本項目的技術指標如下： （1） 缺陷的檢出率98%； （2） 缺陷的分類準確率92%； （3） 缺陷的檢測分辨率為0.21mm/pixel。 本項目首次實現了深度學習算法在金屬軋制材表面缺陷檢測上的在線應用，大大提高了缺陷的識別率，減少了缺陷的漏檢與誤檢。通過對算法的優化，並將算法在GPU+CPU的高性能異構運算平台上實現，滿足了金屬軋制線在線檢測的要求。

應用前景

本項目已經推廣應用於鋼鐵、有色領域的100餘條金屬生產線，包括連鑄坯、中厚板、熱軋帶鋼、冷軋帶鋼、棒線材、型鋼、鋁板帶等。2017年起，本項目在太鋼2250熱連軋、馬鋼CSP、酒鋼爐卷軋機等生產線上的應用替代了生產線上原有的德國百視泰、美國康耐視等國外系統，並推廣應用於台灣、韓國浦項等境外企業。 本項目大幅提高表檢系統的缺陷檢出率和分類準確率，對於提高金屬軋制材表面質量具有重要意義，從而提升企業核心競爭力和品牌效應。本項目所應用的核心技術均具有自主知識產權，為突破國外技術封鎖及提高關鍵核心裝備國產化率及推廣應用起到了積極作用，並實現國產表檢系統從「填補國內空白」到「替代國外產品」的飛躍，為國產高端檢測儀表的開發與市場化提供示範效應。同時，本項目為深度學習方法在工業領域的應用提供案例，為鋼鐵領域實現智能製造提供重要的基礎，從而推動我國製造業的轉型升級。