基于LED光源的热轧带钢表面质量在线检测系统的开发与应用

针对热轧带钢表面缺陷检测需求,采用机器视觉技术自主开发了热轧带钢表面检测系统。该系统采用高速线阵CCD摄像机获取高质量的带钢图像,配以自主研发的超高亮度LED光源,解决了高温带钢成像中远距离均匀照明的问题。系统中采用高效的图像处理和目标识别算法,保证了实时处理图像并准确识别表面缺陷种类。上线8个多月的运行结果证明：系统具有良好的缺陷检出与分类准确率,兼具实时性和可靠性。     

带钢表面缺陷检测方法研究进展

带钢是一种重要的钢铁材料,工业生产过程中带钢表面会产生各种不同的缺陷。带钢表面缺陷对产品有重要影响,其特征复杂、多样且不易获取,因此带钢表面缺陷检测一直是研究的重点内容。对带钢表面缺陷检测技术方法的研究进展进行了论述与分析。结合带钢表面缺陷种类,对传统的带钢表面检测方法如人工检测、红外检测、涡流检测和漏磁检测等优缺点进行比较分析,得出这些方法存在检测速度低、无法达到实时在线检测和需要人为干预等缺点。最后对机器视觉的检测方法开展了归纳总结,对基于深度学习的机器视觉识别表面缺陷的原理和方法进行了详述并对未来发展趋势进行了展望。     

基于ILLBP和ISSA的带钢表面缺陷识别

带钢表面缺陷存在着噪声、光照不均匀、纹理复杂以及局部区域对比度弱的问题。为此，提出了一种新的带钢表面缺陷识别算法。首先提出了ILLBP特征提取算法，在LBP算法中引入LTP的低阈值模式克服一定的噪声和光照影响，为了更好表征带钢表面缺陷复杂的纹理特征引入了ILBP中3种新的纹理结构，同时将LBP值的频率直方图改为了LBP局部梯度幅值和局部梯度方向的频率直方图，使其能更好地表征局部区域对比度强弱的关系；最后为了进一步提高带钢缺陷识别的准确率和减少冗余特征的影响，提出了一种改进的樽海鞘特征选择算法(ISSA)。在NEU数据集上仿真实验结果表明：算法(ILLBP+ISSA)能够克服光照不均匀、局部区域对比度弱、纹理复杂多样的影响，以及对噪声具有一定的鲁棒性。在高斯噪声信噪比为50 dB时带钢表面缺陷识别准确率能达到99.10%,40 dB时准确率能达到97.60%。     

基于集成学习算法的带钢表面缺陷分类算法研究

介绍了集成学习算法的原理和应用,针对工业现场特别是带钢表面状态的特殊性,即具备正常带钢表面,又含有不影响使用的伪缺陷带钢表面以及含有真实缺陷的带钢表面这一复杂现象,提出了一种基于集成学习算法进行缺陷过滤并结合多尺度卷积、特征金字塔与视觉注意力机制和传统特征的深度学习网络算法模型.通过对比验证,集成学习算法具有较高的准确性和鲁棒性,能够满足工业现场需求.     

热轧带钢表面缺陷识别算法研究与应用

 在带钢热连轧生产过程中,带钢表面会出现不同类型的缺陷,给带钢性能造成不利影响,严重时引发质量异议。目前在线使用的带钢表面检测系统经常需要人工调整缺陷图片库,部分类别的典型缺陷图片调整后会影响另一些类型的检测精度。采用深度学习方法,设计了一种轻量化残差网络LDS-ResNet14,缩减了原始残差网络ResNet18的层数和宽度,并将普通的卷积替换成深度可分离卷积,网络的参数量和运算量大量减少;同时,使用知识蒸馏(Knowledge Distillation,KD)方法迁移大型残差网络ResNet50的知识,并提出一种混合KL散度和交叉熵的损失函数让知识更好的迁移到LDS-ResNet14上,在压缩模型的同时提升了模型的精度和泛化能力。离线试验表明,提出的网络LDS-KD-ResNet14针对武钢CSP机组的8类带钢表面缺陷的平均识别精度为99.16%,相较于ResNet18精度提高0.67%,计算量仅为原来的12.1%。实际现场在线应用表明,针对武钢CSP热连轧机组的折叠、油污、夹杂和麻点这4类缺陷,模型缺陷检出率达到96.43%、缺陷识别率达到94.10%,单张图片的检测速度为16.5 ms,满足实际生产要求。     

基于游长标记的花纹板表面水痕去除方法

花纹板是众多钢材产品中的一种,由于其复杂的表面特性,导致现有的带钢表面质量在线检测系统无法布置。尝试通过对花纹板中一种最常见的伪缺陷——表面水痕,进行分析研究,给出一种在包含有纹理背景的情况下的缺陷检出方法,为在花纹板上布置带钢表面质量在线检测系统提供有效支撑。通过对图像像素灰度特性、梯度特性以及相互之间关联度特征进行分析,给出一种基于游长编码思想的花纹板表面水痕标记算法,通过该算法的应用,能够准确高效地定位图像上的水痕,为将水痕伪缺陷排除出花纹板缺陷提供技术保障。     

基于深度学习模型识别热轧钢卷边部缺陷的探索

为了实现对热轧带钢边部各种质量缺陷的有效检测,针对带钢边部常见的边损、拉丝缺陷,基于深度学习SSD网络模型原理,建立钢卷边部缺陷识别模型,通过机器视觉对缺陷图片进行有效标记。模型应用后,提高了产品缺陷的识别精度和人员劳动效率,减少了质量缺陷产品的流出。     

基于改进YOLOv3的缺陷检测算法研究

钢材的缺陷检测对提升钢材生产质量至关重要。针对现有主流目标检测算法YOLOv3，将缺陷检测视为目标检测任务，提出了基于轻量化设计和提升检测精度两个维度的改进。轻量化设计的改进主要涉及到骨干网络提取特征的改进以及多尺度检测网络的尺度设计，提升检测精度主要为赋予不同类别权重的损失函数设计策略。实验表明，改进的算法能更加快速、准确地进行检测，并且更为轻量，极大地促进了算法在实际场景中的部署应用。     

钢板表面缺陷图像的跨域翻译

基于深度学习的表面检测识别算法中,往往需要大量的样本数据。但对于一些新投产的生产线无法在短时间内收集足够多的样本。为了解决这一问题,采用了一种改进型的对抗生成网络,对其他生产线上的图像样本进行图像翻译,以获得新生产线的缺陷样本,即跨域图像转换。将热轧钢板表面缺陷样本和冷轧带钢无缺陷样本融合转换成冷轧带钢表面缺陷样本。试验将6种不同类型的热轧钢板表面缺陷进行了跨域转换,结果表明,对于背景纹理较重的图像转换结果较好,对于一些缺陷尺度较小的缺陷,如麻点,检测结果仍有改进空间。为了定量地对检测结果进行判定,引入了一个神经网络来对原始图像和翻译图像进行分类。分类结果准确率达到了96%,表明图像跨域转换效果良好,有一定应用价值。     

带钢表面缺陷最小间距的确定及应用

利用二维搜索计算法，通过对带钢表面缺陷位置的一列低精度检测数据分析，精确确定轧件表面缺陷的最小间距，从而快速找出连轧机缺陷轧辊的位置。     

基于SAE-DBN混合深度网络的热轧带钢表面缺陷预报

热轧带钢表面质量缺陷严重制约了产品质量高端化，其带钢表面质量缺陷具有多元化、随机性等特征，不同缺陷的形成机理不同，造成带钢表面质量缺陷的工艺复杂，难以实现对表面质量缺陷的有效控制。为解决热轧带钢质量缺陷难以实现在线诊断的问题，针对热轧生产过程发生频率较高的氧化铁皮印压入、边部翘皮、边部裂纹缺陷展开诊断预报研究。基于表面缺陷机理分析，明确了轧制过程影响带钢表面质量缺陷产生的原因变量，将其作为热轧板带表面质量缺陷预判模型的输入数据源。然后，基于深度置信网络和深度稀疏自编码器，提出一种基于SAE-DBN(spare auto encoder-deep belief nets,稀疏自编码器-深度置信网络)混合深度网络的热轧带钢表面缺陷预报模型。在DBN诊断模型的基础上，训练单个SAE得到最优网络权重。将得到的网络权重赋值给DBN模型的首层RBM(restricted Boltzmann machine,受限玻耳兹曼机),以此种方式初始化网络权值和偏置，以此进一步提高模型的预报能力和学习效率，改善深度自编码器稳健性不足的情况。采用热轧带钢生产过程实际数据对模型进行验证，结果表明SAE-DBN混合...     

利用SSP模块改善热轧带钢边部线状缺陷

边部线状缺陷是发生在热轧带钢上的常见缺陷,当前研究结果发现该类缺陷产生于水平轧制时带坯棱角部金属翻转至表面的过程.据此理论,对板坯定宽侧压机(SSP)模块进行形状上的设计应用,通过SSP模块改变带坯侧面形状,缩短缺陷距带钢边部距离,实现了减少切边量、提高成材率的目的.     

带钢视觉检测系统的研究现状及展望

应用机器视觉技术进行带钢表面检测,能够在线实时检测并识别带钢表面出现的夹杂、划伤、辊印等缺陷,同时能够对缺陷的图像、种类、数量和位置等信息进行有效的统计和保存.本文介绍了基于机器视觉的带钢表面自动检测系统的基本原理和结构,比较分析了两种典型系统的结构、原理和性能,并指出了当前研究工作面临的问题和今后的发展趋势.     

带钢表面质量检测的新技术

一种新的带钢表面质量检测技术在国内许多钢铁企业的带钢生产线上逐渐开始应用。一些钢厂对已有的轧机进行改造时新增带钢表面质量检测功能，一些钢厂在新建的轧机上普遍配置表面质量检测功能。由于带钢处于较高速度的运动状态，并且测量环境相当恶劣，所以要准确检测到带钢上下表面的微小缺陷需要结合机、电、光和计算机等技术。     

基于深度学习的圆钢表面缺陷检测系统

圆钢表面缺陷是影响圆钢质量的重要因素。随着钢铁生产轧制节奏提升和智能化升级,人工检测、传统表面缺陷检测等方法已经难以同时满足多种类缺陷、高速在线检测等方面的需求。因此,设计了适用于圆钢表面缺陷检测的成像系统,提出分类优先网络与目标检测网络融合的圆钢表面缺陷检测方法,并将一种非缺陷样本加入网络模型的训练以提升检测精度。试验结果及应用效果表明,该方法针对凹坑、裂纹、耳子、划伤、翘皮等表面缺陷的准确识别率达到95.61%,能有效减少缺陷误报、漏报的问题。     

多特征融合粒子滤波算法在冷床板坯跟踪中的应用

中厚板冷床上的板坯具有非高斯分布和非线性运动的特性,为了对其进行精确跟踪,将多信息融合技术引入视频跟踪中,提出一种新的基于自适应权值多特征融合的粒子滤波算法。算法将板坯的多种特征相融合,根据各特征的特点自动调整特征的权值,提高在目标旋转、光照变化、遮挡、速度变化等情况下的跟踪性能和抗干扰能力,算法能以较小的计算量实现对冷床上运动板坯目标的连续跟踪。仿真实验结果表明算法的跟踪精度较高。     

轴承缺陷在线检测系统的研究和实施

机器视觉技术是近几年发展很快的图像工程技术,对轴承表面缺陷的检测是其用于工业生产的一次重要尝试,有很重要的实际意义。目前,国内多数轴承生产厂家仍然采用人工目视对轴承表面进行检测,由于主观因素的影响,存在产品漏检和误检,造成检测精度不高、稳定性低等缺陷。针对人工检测存在的种种缺陷,提出了基于机器视觉的轴承表面缺陷检测,利用摄像头来代替人的眼睛获取轴承表面的信息,利用计算机来储存信息和处理信息,运用计算机及相应的软件编程把数据进行处理,然后有软件对数据进行相应的判断后确定轴承表面的缺陷情况,通过自动化上料、检测、下料,可以显著提高检测精度、效率和稳定性。     

基于YOLOX-drone的反无人机系统抗遮挡目标检测算法

为解决现实场景下无人机目标被部分遮挡,导致不易检测问题,本文提出了基于YOLOX-S改进的反无人机系统目标检测算法YOLOX-drone.首先,建立无人机图像数据集;其次,搭建YOLOX-S目标检测网络,在此基础上引入坐标注意力机制,来增强无人机的目标图像显著度,突出有用特征抑制无用特征;然后,再去除特征融合层中自下而上的路径增强结构,减少网络复杂度,并设计了自适应特征融合网络结构,增强有用特征的表达能力,抑制干扰,提升检测精度.在DUT-AntiUAV数据集上的测试结果表明：YOLOX-drone与YOLOX-S、YOLOv5-S和YOLOX-tiny相比,平均准确率(IoU=0.5)提升了3.2%、4.7%和10.1%;在自建的无人机图像数据集上的测试结果表明：YOLOX-drone与原YOLOX-S目标检测模型相比,在无遮挡、一般遮挡、严重遮挡情况下,平均准确率(IoU=0.5)分别提高了2.4%、2.1%和6.4%,验证了改进的算法具有良好的抗遮挡检测能力.     

差厚打印线在镀锡带钢表面检测系统中的识别技术

针对镀锡带钢表面差厚打印线在表面检测系统中的识别和剔除,以机组生产信息进行差厚打印线信息解析,结合图像处理功能有效地将差厚打印线与表面缺陷进行区分和识别。首先,生产系统将含有打印线模式的相关信息通过L3传送给带钢表面检测系统;然后,检测系统解析打印线模式,并综合图像处理结果进行打印线过滤。该技术已在宝钢镀锡带钢表面检测系统中得到成功应用,现场3年多时间的应用表明,该技术可以有效实现差厚打印线在表面检测系统中的检测。     

二次冷轧机组带钢下表面润滑工艺补偿技术

 为了解决二次冷轧机组轧制过程中带钢上、下表面油膜厚度存在差异的问题,通过分析油膜厚度形成与演变机理,建立了二次冷轧机组带钢上、下表面析出油膜厚度计算模型。在此基础上,采用增加带钢下表面乳化液流量和乳化液配比浓度的方法,开发出一套二次冷轧机组带钢下表面润滑工艺补偿技术。通过该技术实现了二次冷轧机组带钢上、下表面轧制变形区油膜厚度均等的目标,同时,最大程度降低了带钢表面条状斑迹缺陷的发生率。并将该技术应用到国内某钢厂1 220二次冷轧机组,应用效果显著,典型钢种带钢上、下表面条状斑迹缺陷发生率大大降低,降低程度均在50%以上。