热轧带钢表面缺陷检测系统的现场应用

王宏军，杨 伟，史红林，李耀辉，张云錦，王鸿翔，刘树伟，江罩林

(马钢股份第一钢轧总厂热轧分厂 安徽马鞍山 240031)

1 综述

随着社会经济的快速发展，对作为重要基础材料的钢材产品质量的要求日益提高，带钢的表面质量是影响钢材终端产品质量的重要因素之一。传统的带钢表面质量检测主要依靠人工在卷曲处开卷或后续对钢卷平整来进行缺陷验证；人工开卷只能开出热轧钢卷尾部十几米内的缺陷，检测范围极其有限；且人工查看强度很大，并且平整所需的周期较长，实时性不能满足现场的需求，尤其对一些批量性的缺陷要做到实时检测非常困难。因此通过人工无法有效的对热轧钢卷表面缺陷进行定位跟踪，更无法形成对整个钢卷表面质量的评估。大量学者研究了基于机器视觉的带钢表面缺陷检测技术。

北京科技大学高效轧制国家工程研究中心检测团队于98年开始基于机器视觉的钢板表面缺陷在线检测检测技术的研究，已开发了具有自主知识产品的表面缺陷在线检测系统，并在铸坯、宽厚板、热轧、冷轧、棒材等领域均有成功的生产线应用；系统对获取到的图像数据进行处理，得到缺陷类别及位置信息并形成报表提供给质检部门，质检人员可以根据缺陷统计情况进行钢卷的质量评估。

综上可知，热轧现场环境比较复杂，对检测设备的稳定性要求较高；现场存在大量的水汽及氧化铁皮的干扰，相比一些轻工业的现场缺陷检测识别的难度较大。虽然目前有很多国内外团队都在进行这方面的研究，但能在现场起到实际作用且满足现场使用条件的检测设备极少。本文中，针对上述问题，分别从软硬件两个方面展开了研究。针对热轧带钢在激光光源下成像偏黑、带钢抖动干扰大的问题，提出采用LED光源和线阵相机的搭配方式解决成像质量差的问题；针对热轧带钢表面水和油的干扰大的问题，将深度学习算法应用到热轧带钢的缺陷检测上。

2 检测系统软件结构与流程

2.1 软件构成

本系统采用并行服务器进行相机的采集与存储，各相机图像保存于各自独立的存储服务器上，通过同步仪控制各相机同步进行图像采集，同时利用自动曝光功能保证图像灰度的一致。系统可配置多个终端显示画面进行缺陷分布图及报警图片的显示，终端显示画面与后台服务器结构上分离，功能上统一，在操作上更加人性化。

系统采用多算法工作站协调搭配的模式，进行钢卷图像的分析，将缺陷检出与分类识别模型分开在不同机器同步进行，可合理利用各机器的性能资源。

2.2 检测流程

现场缺陷检测的整体思路如下图所示，缺陷检测主要经过图像的预处理、缺陷分割、缺陷识别等步骤。通过缺陷检出分割将图像上灰度明显区域、边界明显区域、纹理明显区域进行提取定义为可疑待选的缺陷区域，快速减少处理的图像数据大小，然后将备选的ROI送入分类器模型进行最终的类别判定，类别判定采用置信概率值的方式，可提供置信度Top3的类别显示。

针对热轧现场中易出现的批量性的缺陷进行特殊的处理，如精轧辊印、纵向划伤等；精轧辊印缺陷主要是由轧辊磨损造成的缺陷，一般呈现周期规律，同时也存在由深入浅的过程，此类缺陷的判定首先从形貌特征上进行一次判定，然后再通过缺陷横向位置的一致性，以及纵向上呈现出的周期性进行二次判别，最终符合两次判别的缺陷定义为精轧辊印；连续的纵向划伤缺陷也是热轧现场中比较关注的一类批量性缺陷，一般由传送辊道造成，此类缺陷一般存在连续性且长度长的特点，本系统对划伤长度进行设限，可针对连续划伤缺陷进行及时报警提示(如图1)。

1 缺陷检测流程图

3 现场应用情况

目前本系统已投放于国内某热轧生产线，主要用于替换之前国外某厂家的表面检测系统，针对之前检测系统对于微小缺陷无法识别的情况，本文的表检系统在设计上采用上下表面各2个4K相机的搭配进行钢卷图像的采集，相机采集图像的分辨率为4096*1024，采集速率会自动根据现场辊道速度进行自动调整，可以有效的保证不同的速度下横纵向分辨率一致，现场针对钢卷缺陷的最小尺寸设计的分辨率为0.2 mm，可以保证现场所有的缺陷都可被检测到。

系统标准配置下可保存两个月左右的原始图像数据以及两年左右的缺陷图像数据，并可根据需要进行存储的扩充。软件上同时提供图像分析和缺陷分析两部分功能，两种功能可以相互补充，对于缺陷的检出效果可以得到进一步保证。

相机采集图像数据并将图像存储在数据服务器中，同时图像数据会被实时传输到分布式的算法服务器上，进行图像的分批处理，图像数据分流的方式可以将图像数据根据需要分配到不同的服务器上进行处理，可以在保证现场缺陷识别的实时性的同时留给复杂的缺陷识别算法更多的检测时间；本文算法将图像分割识别进行分离，充分利用不同机器的性能优势，采用强CPU的机器进行缺陷的检出，采用强GPU的机器进行缺陷的分类，进一步提升的算法的检测速度，以满足现场缺陷检测实时性的要求。

现场使用深度学习模型进行缺陷的分类，离线样本测试分类准确度可达到98%，对现场关注的主要缺陷如辊印、裂纹、划伤、夹杂、结疤等缺陷的实际检出率可达到95%以上，识别率在90%以上。同时为现场提供最新的模型训练工具，现场可以根据需要将最新的样本数据采集下来进行自主训练，使算法模型的准确度可以一直维持在90%以上(如图2)。

此系统提供实时钢板的缺陷报警及历史缺陷查询的功能，实时缺陷报警有实时语音报警和声光报警两种方式，可以设置关注等级较高的缺陷类别进行报警，及时通知使用人员做出判断，杜绝缺陷的批量产生；系统提供缺陷报表导出的功能(可导出单卷钢的缺陷数据统计表、缺陷分布图及选择时间段内的各缺陷的统计信息)，对于后续缺陷的统计及分析提供了数据参考(如图3)。

图2 现场缺陷检测效果图

图3 钢卷缺陷报表统计

此外，本系统还可根据厂里的判级规定进行缺陷的判级，通过设置缺陷的长度、宽度、面积及出现的频率等信息可以对钢卷进行分级，直接指导现场封锁等级不合格的钢卷，避免存在质量缺陷的钢卷外流。

4 结论

采用4K线阵相机进行图像的采集，进一步减少相机数量，降低了维护成本并增加了缺陷的识别分辨率，对热轧现场较细微的缺陷(比如纵向暗划伤)检测效果更佳。采用LED光源成像上更加均匀，尤其是解决了钢卷运动前期未经卷曲咬合时所产生抖动问题。

利用图像分析和缺陷分析相结合的方式可更好地检出缺陷，将图像数据进行分布式处理，同时将缺陷检出和分类进行分离，可有效低利用各服务器的计算资源，进一步提高了缺陷检测速度。

采用最新的深度学习技术搭建分类器模型，对于复杂背景下缺陷的分类准确率有更大的提高，可以很好的解决钢板表面缺陷分类难度大的问题，对现场的缺陷识别率可以达到90%以上；同时可以实现周期性缺陷的判别，并提供出拟合的周期值以指导现场换辊。

本系统已在国内某轧钢厂生产现场正式投用，以替换原有国外表面检测系统设备。并解决了原有系统细小缺陷无法检出、分辨率不足、系统维护难度大等诸多问题；本系统的缺陷检出率和识别率上相对于旧系统有较大提升。此系统设计简洁，维护方便，操作界面人性化，提供的功能齐全且可定制，能更好的满足了现场使用要求。