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。     

中厚板表面缺陷在线检测系统的分类器设计

研究了BP网络、LVQ1网络、LVQ2网络所构建的分类器的性能,将这3种分类器用于中厚板表面缺陷的自动分类中.从现场在线采集中厚板的表面缺陷图像,将每幅表面图像划分成64×64大小的子图像,对子图像进行FFT变换,得到子图像的幅值谱.将幅值谱中心区域内的像素灰度值作为特征量,分别输入给BP网络、LVQ1网络、LVQ2网络所构建的分类器模型,试验表明LVQ2网络能够得到理想的分类效果.     

基于卷积神经网络的钢卷边部缺陷识别

热轧卷板边部缺陷对终端产品质量有着极为重要的影响,传统轧钢工艺缺陷的检查多依靠人工,其高温、连续的生产环境严重阻碍了人工在线检测的准确率。为完成对热轧钢卷边部各种缺陷的高效检测,建立了热轧钢卷缺陷数据集,数据集包括分层、烂边以及正常钢卷样本3种,基于卷积神经网络原理,开发了卷板边部缺陷在线智能识别模型。人工标定和训练优化结果表明：训练集的损失函数值为1.163%,测试集的损失函数值为0.781%,训练集和测试集准确率分别达到了98.9%和99.0%。测试集的损失函数值低于训练集,但准确率高于训练集,表明损失函数的值越小,准确率越高,训练出来的模型越好。将其应用于现场实际的钢卷边部缺陷识别中,智能缺陷识别结果较为准确,可以证明该模型具有很高的缺陷识别能力,满足了轧钢卷板边部质量控制的工艺需求。模型的开发对降低制造成本、确保生产安全以及提升产品质量都具有重要的意义。     

基于向量的带钢缺陷检测算法

介绍了用计算机视觉检测系统中的图像处理技术检测带钢的边裂以及孔洞。首先识别带钢图像的轮廓,得到带钢边部、孔洞的轮廓曲线向量编码,然后利用向量的点积计算轮廓的弯曲程度,据此作为判断条件,检测边裂与孔洞缺陷。实验结果表明：该方法应用到实际检测系统中,能够可靠地检出带钢的边裂。     

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。     

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。     

基于图像预处理的神经网络带钢缺陷检测

针对带钢表面缺陷的特点,提出了1种基于图像预处理消除光照不均等的干扰且用神经网络进行缺陷识别的检测方法.带钢缺陷的检测分为3步:首先,对采集的图像进行预处理,通过图像零均值化以消除光照对检测的影响,分别利用维纳滤波和sobel算子对图像进行滤波除噪和锐化处理;其次,通过最大类间方差法进行图像分割以及计算面积来判断是否存在缺陷;最后,在提取图像特征的基础上,通过设计人工神经网络识别带钢缺陷类型.实验表明,采用的方法能够有效抑制图像背景干扰,能够有效地实现带钢缺陷的快速检测.     

基于深度学习的宫颈癌异常细胞快速检测方法

宫颈癌是严重危害妇女健康的恶性肿瘤,威胁着女性的生命,而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法。近年来,随着以深度学习为代表的机器学习理论的发展,卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破,被广泛应用于宫颈异常细胞检测等医疗影像分析领域。但由于病理细胞图像具有分辨率高和尺寸大的特点,且其大多数局部区域内都不含有细胞簇,深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时,经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时,大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长,严重减缓了超大尺寸病理图像分析时的检测速度。本文提出一种新的宫颈癌异常细胞检测策略,针对使用膜式法获得的病理细胞图像,通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞,若出现则进一步使用单阶段的目标检测方法进行分析,从而快速对异常细胞进行精确定位和识别。实验表明,本文提出的方法可提高一倍的宫颈癌异常细胞检测速度。      

基于Adaboost改进算法的铸坯表面缺陷检测方法

 针对钢铁铸坯表面检测及缺陷识别问题,从图像处理及机器学习角度,提出一种基于Adaboost算法的进行钢铁铸坯表面缺陷检测,并结合Gabor小波和Canny边缘检测进行处理,排除伪缺陷的新方法。大量试验表明：该方法能够较好地检出具有缺陷的钢铁铸坯,且具有准确率高、速度快、易实施等优点。     

基于LVQ神经网络的冷轧带钢表面缺陷分类方法

将LVQ神经网络用于冷轧带钢表面缺陷的自动分类中,解决了以往分类方法在多缺陷模式类型情况下耗时多和准确率低的问题.对现场采集到的14种主要缺陷类型进行了实验.实验结果表明,基于LVQ神经网络的分类器训练与分类的时间短,在多缺陷种类分类的过程中准确率能得到保证.     

带钢表面缺陷多维混合特征提取及识别

为了自动获得最具区分力的多维融合特征,提出了改进的ReliefF算法对带钢多维混合特征进行自动评估选择。针对ReliefF算法不能去除冗余特征的缺点,引入最大信息压缩准则去除冗余特征。在此基础上,采用遗传神经网络建立带钢缺陷识别的知识库,遗传算法可以自主地辨识最小的包含最优解的搜索空间,再由BP算法按负梯度方向进行权值及阈值的修正。研究结果表明:改进ReliefF算法为后续分类识别提供了最优的特征向量,减少了数据的运算量和存储量;遗传神经网络算法获得了在满足准确性前提下更高网络识别缺陷的效率。     

基于机器视觉的透射式薄带针孔检测系统

给出一种基于高亮度单波长LED光源和高速线阵相机的透射式针孔检测系统。光源的透射光穿过带材上的孔洞,在图像上形成孔洞的亮斑区。由于铝板面的强反光性,环境光的干扰以及采集触发信号启动,也会在图像上产生一些亮的异常部分。利用图像分割算法定位出图像异常部分后,采用特征判别分类缺陷,判别其是否为孔洞,最后计算缺陷在带材上的位置。大量现场数据测试表明该实时孔洞检测系统是稳定可靠的。     

基于多传感器融合的钢包裸浇检测

钢包浇注时,其保护套管容易发生断裂和脱落,造成钢水大范围的飞溅,严重影响到钢坯的生产质量.为了有效监控钢包浇注状态,研究了基于红外测温的钢包浇注状态检测方法.通过试验验证钢包正常浇注状态和裸浇状态有较大的温度差异,可通过设置温度阈值实现钢包浇注状态的有效分类.同时,研究了基于深度学习的钢包浇注状态分类方法,通过中值滤波...     

基于缺陷信息群决策的带钢表面质量评价方法

首先将带钢表面质量评价抽象为缺陷属性权重确知、属性值以模糊语言形式给出的多属性决策问题。然后针对实际生产中不同质检人员对表面质量评价结果存在某种偏离或趋势这一现象,合理综合多位质检人员的意见,定义了评价尺度区间,构造合成互补判断矩阵,求出该矩阵排序向量,对钢卷表面质量进行排序。最后给出实例,计算结果表明该方法可行、有效、易于计算且具有一定的推广性。     

钛带在带钢连续退火炉内张应力横向分布仿真

为了探讨利用现有带钢连续退火线生产冷轧钛带产品,基于ABAQUS仿真平台,针对国内某带钢连续退火炉设备条件,建立钛带在退火炉内弹塑性变形的有限元仿真模型,并开展数值模拟研究。结果表明,炉辊辊形、钛带初始板形缺陷及钛带工艺张力大小是钛带张应力横向分布的主要影响因素;钛带的张应力横向分布不均度在凸度辊、单锥度辊和双锥度辊上依次趋于严重;钛带的初始板形缺陷使其张应力横向分布更不均匀,初始有边浪和中浪的钛带都会出现张应力分布不均匀现象;工艺张力对于钛带张应力横向分布均匀性影响不大。针对钛带张应力横向分布的影响因素及其影响规律的研究结果,对于设计炉辊辊形和确定对来料钛带实际板形的要求都具有参考价值。     

基于深度强化学习的炼钢车间天车调度方法

针对炼钢车间天车任务产生的动态不确定性,提出了基于深度强化学习算法的炼钢车间天车调度方法.首先,基于强化学习将天车调度问题转化为对天车操作动作序列的求解,采用DQN(Deep Q-network)算法构建动作价值网络模型进行求解;然后,以某钢厂出钢跨天车调度为研究对象,以任务完成总时间最短为目标,介绍了基于深度强化学习...     

LCAK钢酸洗后表面“山水画”缺陷产生的原因及机理

针对热轧低碳铝镇静（LCAK）钢酸洗后表面的“山水画”缺陷,通过模拟酸洗分析、微观结构分析、生产关联性因素分析等手段,研究了其产生机理及消除措施。研究结果表明,延长酸洗时间对该缺陷无明显改善;该缺陷本质为酸洗后黏附于带钢表面的疏松、多孔、凹凸不平的残留氧化铁皮膜状物质;该膜状物质的形成与R2可逆轧机除鳞不彻底密切相关。在机理研究的基础上,制定了热轧工艺控制及除鳞系统优化方案,有效避免了LCAK钢酸洗后表面出现的严重“山水画”缺陷。     

基于BiLSTM-Attention的钢板表面手写板号识别算法

国内钢铁企业生产厂的信息化物料跟踪大都依赖于钢板号。由于生产流程复杂,急需高准确率的板号在线识别技术。自然场景下机器喷号的识别技术较成熟,但复杂场景下的手写板号难以实现自动识别。针对复杂工作场景下钢板表面手写板号特点,提出一种以BiLSTM-Attention为主体结构的深度学习算法。首先结合复杂场景,对图像数据进行预处理,保证模型输入图片质量;然后利用残差神经网络(ResNet)提取图片特征、利用双向长短期记忆网络(BiLSTM)提取基于图像的序列特征;最后基于注意力机制捕获序列内的信息流,对每个字符的特征进行整合,形成文本特征向量以预测输出序列。经现场测试,实现钢板表面手写板号识别任务准确率达86.15%,结果表明算法可行有效,满足实际生产需求。     

硅钢退火网络型专家系统

介绍一种用于硅钢退火工艺的网络型专家系统。该系统将人工神经网络、分类模式识别技术和有关冶金物理化学知识相结合 ,建立了优化数学模型 ,以C语言和多媒体技术实现程序设计。现场生产运行表明该系统取得了预期效果。