一、基本信息 |
标题 | 基于深度学习的热轧带钢表面在线检测与质量评级系统 | 单位 | 北京科技大学 |
电话 | 行业类别 | 信息技术 |
二、内容信息 | |||
成果简介: 现有表面缺陷检测系统检出率低、周期性缺陷及表面质量在线分级难,本团队开发 了基于深度学习的热轧带钢表面在线检测与质量评级系统。替代了原有的国外检测系统, 缺陷检出率和识别率分别提高了 3%和 7%,实现了热轧表面质量从人工经验到量化模型 的自动评级。已成功推广到海内外多家钢企应用,推动了热轧带钢表面质量和生产效率 的提高,经济和社会效益显著。被行业权威专家评价为总体达到国际先进水平、检测算法处于国际领先水平。 成熟程度及推广应用情况: 目前处于何种研发阶段:☒研发 ☐小试 ☐中试 ☐小批量生产 ☒产业化;样机:☒ 有 ☐无 其他:□如选择“其他” ,请说明:。 已投入成本:1200 万元。 推广应用情况:发的基于深度学习的热轧带钢表面在线检测与质量评级系统,已于 2017 年先后在太钢 2250、马钢 CSP、酒钢炉卷轧机等热轧生产线在线应用,替代了生产线上原有德国百视泰(ISRA-Parsytec)、美国康耐视(Cognex)等国外进口系统。 期望技术转移成交价格(大概金额):300 万/套。 技术优势: 1. 首次将深度学习方法应用于热轧带钢表面缺陷在线检测与识别,缺陷检出率比国 外系统提高了 3% ,缺陷识别率比国外系统提高了 7%。 2. 研制了高均匀性、高亮度的 LED 线光源和多光路照明方法,实现高温、高速热 轧带钢表面缺陷的清晰成像,检测分辨率比国外系统提高了 1 倍。 3. 开发了基于对抗生成网络半监督样本学习方法,能够有效利用大量无标签的钢板 表面缺陷样本,大幅提升了深度学习网络的训练效率。 4. 开发了基于长短时记忆网络的周期性缺陷识别算法,实现了热轧带钢辊印、划伤 等缺陷的追踪及预警,可有效避免上述缺陷导致的批量质量事故。 5. 利用表面检测系统提供的缺陷信息,采用层次分析法对热轧带钢表面质量进行综 合评级,实现了从人工经验到量化模型的自动评级。 性能指标: 板带表面缺陷检出率可达 95%以上,缺陷分类准确率可达 90%以上,系统利用率 99.98%。 市场分析: 表面缺陷是影响金属板带材质量的重要因素,热轧带钢产品质量异议 60%以上都由 表面缺陷引起。表面检测系统可以及时反馈缺陷信息,对于控制表面质量、减少废品率 和质量异议具有重要作用,可带来巨大经济效益。截止到 2012 年,国内 70%以上的宽 带钢热轧生产线上都安装使用了表面在线检测系统,并且大部分都从国外引进,主要存在缺陷的误报严重、难以检测轻微的辊印和划伤等缺陷、缺陷的严重等级无法量化等问题。 经济效益分析:为热轧带钢生产线高效生产、节能降本、质量监控和跟踪提供了生 产及质控依据,对带钢批量缺陷的产生、控制及追溯起到了重要作用,具有十分广阔的应用前景。 成果亮点: 1. 具有自主知识产权,研究成果已授权发明专利 5 项,申请 2 项。 2. 成果来源:自然基金面上项目、国家重点研发计划材料基因组项目、宝钢、鞍钢、马钢、中信特钢、新兴铸管、邯钢企业横向项目等。 3. 技术先进性:国际领先。 4. 获奖情况:该成果已获得 2008 年度冶金工业科学技术一等奖、2013 年度教育部科学技术奖二等奖,2020 年度冶金工业科学技术一等奖。
联系人:姚老师 电 话:010-62333881 ,13718384597 |
|||
三、附件下载 | |||