【技术前沿】中冶南方冷轧在线检测技术与产品的研究

冷轧典型工序包括酸洗、冷轧、连退和镀锌等，随着客户对冷轧带钢产品的质量要求越来越高。大型钢铁企业逐步引入质量管理系统，实现全流程工艺与质量管理，依据规范将众多工序工艺参数控制在合适的范围内，同时通过检测反馈调整工艺参数。其中，质量在线检测系统在其中发挥了重要作用。

机器视觉技术通过工业相机将被摄取目标转换成图像信号，传送给图像处理系统，图像处理系统对这些信号进行各种运算来抽取目标的特征，进而实现分类、识别判定和指导控制现场的设备动作。

将机器视觉技术引入到冷轧工序中，有多个典型应用场景，譬如冷轧带钢表面质量在线检测、冷轧带钢清洁度在线检测、冷轧带钢板型在线检测、圆盘剪剪切质量在线检测和钢卷对中在线检测等。中冶南方工程技术有限公司基于机器视觉，开发出冷轧带钢表面质量在线检测系统。

本文重点介绍中冶南方工程技术有限公司冷轧带钢表面质量在线检测系统组成、关键技术与优势和应用效益。

传统冷轧带钢表面质量在线检测系统将图像处理计算由CPU执行或开发特定的FGPA板卡辅助计算，纯CPU计算难以适应图像处理数据密集型运算，开发特定的FGPA板卡成本较高。

目前，常见的计算处理在CPU与GPU中进行，其中CPU处理单元缓存多核、逻辑处理强、运算速度中等、应用广；GPU处理单元众核、逻辑处理弱、运算速度高、应用数据密集型场景。在冷轧带钢表面质量在线检测系统中，既存在逻辑处理运算，也存在图像处理等数据密集型计算，将CPU和GPU融合地并行计算能综合二者的优势，使系统处理速度满足高速运动带钢场景的实时在线检测需求。

以图像预处理中常见的高斯滤波为例，采用纯CPU处理10张图片的时间为106408微秒，融合CPU+GPU处理10张图片的时间为13183微秒，处理速度提升为纯CPU处理的8.07倍，提速效果显著，依据机组带钢速度，配置合适的GPU，融合CPU与GPU的混合计算系统，能满足机组实时在线检测需求。

传统冷轧带钢表面质量在线检测系统图像处理流程分为四步：图像采集、缺陷检测、特征提取和缺陷分类，见图3。其中特征提取阶段需要提取大量的灰度、形状、纹理和投影等特征，缺陷分类效果严重依赖区分度高的特征，发现和选择区分度高的特征严重依赖专家个人经验，冷轧现场质检人员很难具备发现和识别区分度高的特征值能力，从而导致系统分类识别准确率降低。

2012年，Hinton利用深度神经网络，在图像识别领域取得了显著效果，在ImageNet评测上将错误率从26%降低到15%，显著提升了图像分类准确率。此外，深度神经网络的输入为图像本身而不是特征值，深度神经网络同时实现了缺陷图像特征提取和分类，将处理流程简化为三步：图像采集、缺陷检测和深度神经网络缺陷识别，见图4。现场质检人员只需做好缺陷图像分类标记工作即可，显著降低冷轧现场质检人员要求和劳动强度，通过标记更多缺陷样本和调整深度神经网络模型结构和参数，可以实现更高的识别准确率，见图5。

传统冷轧带钢表面质量在线检测系统重点关注缺陷检出与分类识别，缺陷检出与识别后，如何改进工艺，减少缺陷产生，传统冷轧带钢表面质量在线检测系统关注较少。通过将典型缺陷与造成缺陷可能的原因及相应的处理措施关联起来，可以指导现场操作人员改进工艺，减少缺陷产生，从而提升产品质量。中冶南方冷轧带钢表面质量在线检测系统通过提供典型缺陷图片、缺陷产生原因和处理措施知识库，可以为现场操作人员提供工艺改进方向参考，以欠酸洗缺陷为例，以故障树方式逐级呈现欠酸洗相关原因，见图6，可以指导现场操作人员进行缺陷原因定位并进行处理，从而提升冷轧带钢产品质量。

通过在冷轧酸洗、冷轧、连退和镀锌机组上配置冷轧带钢表面质量在线检测系统，实现冷轧缺陷在线检测与识别，检出率超99%，缺陷分类准确率超90%，可以在线检出与识别冷轧带钢上下表面缺陷，通过检测与工艺改进相结合，提升冷轧带钢表面质量，减少降级带钢占比，减少严重缺陷导致的故障停机，提升机组运行效率，效益非常显著。以年产量80万吨机组为例，预计降级带钢占比减少0.2%，故障停机时间减少144小时/年，预期增加效益240万元/年，冷轧带钢表面质量在线检测系统效益显著。 （夏志  蔡炜  吴锐夫）