基于机器视觉的冷轧带材跑偏量智能检测方法

针对冷轧生产过程中缺少实测跑偏量引起的板形控制精度低、断带等问题,提出一种基于机器视觉的冷轧带材跑偏量智能检测方法。以经典UNet网络为基础搭建一种轻量化的网络结构,用于冷轧带材智能分割。采用MobileNetV2替换UNet原始收缩路径并在连接结构中嵌入通道注意力ECA_Module,在有效降低网络参数量的同时突出对目标特征的感知能力。采用此网络训练得到带材区域分割模型(SRS_M),其精度指标交并比平均值(mIoU)和像素精度平均值(mPA)分别达到了98.83%和99.36%,单张图像推理时间为40.57 ms。以SRS_M模型为基础,结合边缘位置提取算法,建立带材跑偏量检测模型。通过现场安装的边缘检测装置采集1503个跑偏量样本数据,对方法进行验证。其中,92.82%样本的绝对误差在±2 mm,全部样本绝对误差均在±3.5 mm,证明了方法的有效性。

数据驱动的热轧带钢边部线状缺陷智能预报模型

边部线状缺陷是热轧带钢易发缺陷,不仅严重影响成材率,还可能对热轧下游工序生产过程造成影响。边部线状缺陷的影响因素复杂多变,建立精确的机理预报模型十分困难。为此,首先分析边部线状缺陷的主要影响因素;然后以智能方法为基础,分别建立了基于逻辑回归与神经网络的边部线状缺陷智能预报模型,并分析了2个模型的精度与泛化能力;最后,以神经网络智能预报模型为基础,对加热工艺参数进行优化,使缺陷发生率与封闭率均大幅降低。研究结果对提高热轧带钢表面质量具有实践意义,可推广应用于同类轧线。