机器视觉 2021-10-20 10642
正如在任何制造过程中都不可避免的那样，一些缺陷会渗入钢带和钢板的形成过程中。这些缺陷主要是在轧制过程中引起的。为了转换成可用的形式，钢板要经过热轧或冷轧：
热轧是一种将金属坯料加热到其再结晶温度以上的成形工艺。过程中的一些常见缺陷是初级鳞片（除垢不良）在热轧的不同阶段形成的氧化铁可以轧制成板。这会导致黑色或灰色 M 形缺陷。磨损的卷筒是主要原因之一。
红色鳞片：由于硅、铜或铬的存在，会出现这些细长的斑块缺陷。它们会导致钢带中出现横向裂纹。
水疱：水泡是圆形散在的气孔，通常成簇出现。条带的不均匀性导致水或气体被困在片材表面内。
压痕：这些似乎是凹痕，通常在条带的末端观察到。条带和舌部的温度变化会导致压痕。此外，卷取时片材的高张力也是造成这种缺陷的原因。
在冷轧中，轧辊之间的金属板被压缩到低于其再结晶温度。与热轧相比，它具有更好的精度和表面光洁度。但是，仍然可能会出现一些缺陷。
扁条：这会导致金属板上出现纵向狭缝。扁平条带通常是由于板材中央而非边缘处的更多减少而引起的。
四分之一和中心屈曲：当纸张中心和边缘之间的纤维异常拉长时，就会发生这种缺陷。辊弯时用力过大也会导致屈曲。此外，如果中心比边缘延伸得更多，则可能会发生中心屈曲。
冷轧带钢磨损：冷轧时或冷轧后可能会出现凹槽、撕裂和划痕等磨损。最常见的原因是意外的表面损坏。即使是条带上的硬污垢也会造成擦伤的印象。
边缘开裂：延展性不足或变形不当会导致钢板边缘开裂。此外，金属中不均匀的物理和化学特性可能会导致这种情况。然后片材在边缘处破裂。
深度学习已被证明在钢铁检测中非常有益。首先，该系统捕获高质量的图像。然后将其传输到计算机进行处理。整个过程包括两个基本步骤。图像采集后，确定缺陷类型。完成此操作后，系统必须确定缺陷的位置。深度学习使用神经网络的一种变体来对缺陷进行分类。这成功地消除了传统的分类算法，让位于更准确的 AI 系统。该系统还易于操作，新的缺陷变体可以快速添加到服务器中。结构视觉检测系统的研究也在进行中，即使是最轻微的表面划痕也能检测到。
机器视觉系统是指使用图像采集和处理来高效运行的所有应用程序和设备。它在钢铁检验中的应用在几个方面使该行业受益。首先，准确率已经大大提高。早些时候，人工检查容易出现一系列错误。此外，现在检查的速度要快得多，从而提高了整体效率。此外，自动化已经消除了工人面临的危险风险。检查区域是一个危险区域，每条带材的温度约为 600-900 摄氏度。这种高温导致体力劳动的危险工作环境。深度学习还确保有效检测快速移动的条带。现在还可以识别范围广泛的缺陷。
深度学习和人工智能一直是我们推动众多行业发展的核心动力。我们再次使用机器视觉生产了突破性产品。自动化钢材检测系统是其传统同类产品的巨大进步。该设置构成了一个 8k 线扫描相机。这有助于获得 2MM 像素精度和 20 微米像素尺寸的高分辨率图像。灼热的钢带会产生辐射，但系统的线光耀斑使它看起来好像在室温下。一台 IPC 每分钟收集 7.5 GB 的数据，并通过 10 GBPS 的网卡将其发送到主服务器。该系统已经在超过 120K 的条带上进行了测试。它可以在速度高达每分钟 16 米的条带上有效工作。小至 2 毫米的缺陷也能被彻底检测到。该系统还被证明是高度精确的，准确率约为 97%。
从家庭到工业，钢铁无疑是最重要和最常见的材料之一。这使得有效检查缺陷成为重中之重。早些时候，手工钢材检查曾经是一项繁琐的工作，伴随着明显的缺陷和不安全的工作环境。先进技术的使用确保了高质量的产品，同时大大减少了时间、精力和金钱投入。但是深度学习的引入消除了这些担忧，并导致了一个更好的自动化系统。凭借高精度和更精确的数据库，视觉系统被证明在制造的所有领域都非常有效。
