汽车大梁用热轧黑皮表面钢板355L的研制

通过对热轧钢板的氧化层形成机制及影响因素的分析研究,确定了汽车大梁用热轧黑皮表面钢板355L的成分及热轧工艺制度。采用金相组织观察、SEM分析、X-射线衍射仪分析、力学性能测试等方法,分析了钢板的组织、性能、氧化层形貌和结构组成。结果表明:所试制的热轧黑皮表面钢板氧化层结合良好,氧化层中的Fe_3O_4含量大于85%,氧化层厚度不大于10μm,用于无酸洗工序直接冲压汽车大梁件,氧化层脱落较少,效果良好。

提高钢板表面缺陷检出率的分割新方法

文中针对传统图像分割方法难以准确分割钢板表面小目标缺陷的问题,提出了一种基于二维灰度直方图反向投影的缺陷分割新方法。该方法无需手工标注大量缺陷样本,利用图像的二维灰度直方图反向投影,提取小目标缺陷轮廓。当图像不具备明显双峰效应时,排除背景像素的干扰,将缺陷轮廓图像进行形态学处理和二值化,实现目标缺陷与背景像素的准确分割。实验结果表明,所提方法在钢板表面缺陷数据集上分割精确度综合评价指标达到92.45%,优于其他先进检测方法。同时搭建实验平台,结果显示在模拟工程实验中所提方法能够准确分割多种缺陷。

基于KAS-YOLO的钢板表面缺陷检测

针对当前基于视觉的钢板表面缺陷检测方法对小缺陷目标识别困难造成检测精度低的问题,提出一种基于YOLOv5s的钢板表面缺陷检测模型KAS-YOLO。首先,通过使用空洞空间金字塔池化模块来获取更大的感受野以提取更多表面缺陷的特征信息,并融入坐标注意力机制来提高特征提取能力;其次,用K-means算法聚类得到更匹配的锚框,不仅增加了正样本的数量,而且加速了模型的收敛;最后,采用SIoU损失函数来进一步提升模型对表面缺陷目标的定位和检测能力。实验结果表明,提出的KAS-YOLO模型对钢板表面缺陷的检测精度和速度优于Faster R-CNN、SSD、RetinaNet和YOLOv5s等主流检测方法。

面向钢板表面处理的盐酸除锈效率与浓度关联性研究

钢板表面处理是许多工业领域中的关键工艺,盐酸除锈是经常用的方法之一。文章旨在研究盐酸浓度与它在钢板表面处理中的除锈效率之间的关联性,通过实验设计和数据分析,发现盐酸浓度对除锈效率有着显著的影响,也确定了最佳的浓度范围。文章的研究结果对优化钢板表面处理工艺和提高生产效率具有重要意义。

基于图像处理的钢板表面缺陷支持向量机识别

论述了钢板表面缺陷的机器视觉检测方法,提取了6种表面缺陷图像的特征值并将其维数合理地从32维降为20维。介绍了支持向量机的原理和算法,给出了钢板表面缺陷类型识别的支持向量机方法,进行了有关重要参数的对比寻优。利用支持向量机模型对钢板表面缺陷进行了类型识别,并与BP神经网络算法进行了对比,结果验证了支持向量机算法的有效性、快速性和稳健性。

基于支持向量机的钢板表面缺陷检测

针对钢板缺陷的传统检测方法存在速度慢、工作量大的问题。采用机器视觉的方法,通过采集钢板表面图像信息,由计算机算法处理得到缺陷的特征样本,使用支持向量机提升分类的速度和准确度。试验结果表明,径向基核函数支持向量机方法对钢板表面各种缺陷的准确识别率达到90%及以上,为钢板表面缺陷检测技术提供了很好的支持。

钢板表面缺陷在线视觉检测系统

基于视觉测量技术,开发一套钢板生产线表面缺陷在线检测系统。利用线阵CMOS相机和红色LED线光源形成传感器系统,结合自主开发的应用软件,实现钢板表面缺陷的自动检测。提出一种调节相机曝光时间的方法,根据拍摄到的图像的灰度值实时调节线阵CMOS相机的曝光时间。研究适用的图像处理算法,获得缺陷的外轮廓数据。实验结果表明:该系统具有较高的检测速度与准确度,从而提高钢板质量。

燃油箱用无铅表面处理钢板材料的发展

镀铅锡合金钢板是传统的汽车燃油箱钢板材料,但由于人们环保意识的增强,燃油箱无铅化已是大势所趋。发达国家的许多钢铁厂开发了各种无铅且耐蚀性更好的汽车燃油箱用表面处理钢板材料,包括无铅镀层钢板和预涂层钢板两大类。热浸镀A l钢板、热浸镀Zn-Sn钢板、电镀Zn-N i钢板、热镀Zn闪镀N i双层镀钢板等无铅镀层钢板和预涂层GA钢板、预涂层电镀Zn-N i钢板等预涂层钢板都已在汽车上应用。具有优良耐蚀性、成形性和焊接性的无Pb、无Cr(VI)预涂层钢板已成为汽车燃油箱钢板发展的方向。

热镀锌工艺对汽车用镀锌钢板表面缺陷的影响

用扫描电镜和能谱分析研究了热镀锌板(%:0.001 5C、0.004P、0.005S、0.02A1、0.04Ti)表面平行的条状凸起缺陷,得出镀锌层表面有黑斑、微裂纹、贝壳状花纹、划伤痕迹及氧化皮等缺陷。分析表明,锌液中Sb含量偏高,增加锌层脆性;锌液中Al含量偏高,锌液温度低,以及镀锌前钢板划伤和氧化铁清洗不完全导致产生表面缺陷。

基于交变电磁场的钢板表面裂纹检测方法

针对钢板表面裂纹检测的问题,提出了交变电磁场的检测方法。研究了交变电磁场检测原理,建立了交变电磁场仿真模型,通过改变钢板表面裂纹深度等条件,分析计算了裂纹处磁场强度分布。对不同深度钢板裂纹的实验数据进行分析,实验结果表明,在相同实验条件下,随检测深度的增加,检测信号峰值增长正比于裂纹深度,检测最大深度为5 mm。

PNN与BP神经网络在钢板表面缺陷分类中的应用研究

针对钢板表面缺陷图像信噪比低、特征复杂多变而导致现有的钢板表面缺陷模式识别与分类方法存在的实时性差、精度低、适应性差等问题,研究了基于人工神经网络的分类器,以实现对钢板表面缺陷进行实时有效的分类识别。根据钢板表面划痕、麻点、夹杂、锈蚀、辊印5类缺陷的特点,从缺陷图像信号中提取了几何特征、灰度特征和Hu矩特征,选取了能够比较全面表征缺陷特征信息的13维特征向量作为神经网络的输入数据,为缺陷识别和分类提供了依据。分别构造了概率神经网络PNN和BP神经网络分类器,对钢板的表面缺陷进行了分类测试,并对测试结果进行了对比分析。实验结果表明,PNN和BP神经网络的识别率分别为87%和81%。PNN在识别准确率、训练速度、追加样本的能力等几方面的综合性能优于BP神经网络。

日本开发无铬表面处理钢板的进展

随着环保要求的日益严格,传统的含铬表面处理钢板的应用将受到限制,国内外钢铁公司纷纷开展无铬表面处理钢板的开发。为此翔实地介绍日本钢铁业在开发无铬表面处理钢板领域的进展。

蚁群和粒子群混合优化SVM的钢板表面缺陷分类研究

热轧带钢表面的温度高、生产速度快,辐射光强,并且存在着水、氧化铁皮、光照不均等现象,难以通过人工进行表面质量在线检测。针对当前国内某钢厂热轧钢板表面缺陷检测仍由人工离线完成、缺陷识别准确率低的生产问题,充分利用大量图像信息,提出一种图像处理与蚁群和粒子群混合优化支持向量机结合的缺陷分类方法。首先,融合局部二值模式和局部相位量化两种特征提取方式的优点,进行钢板缺陷图片的特征提取,采用蚁群和粒子群优化出支持向量机的惩罚参数和核函数参数进行钢板表面的缺陷分类。最后采用Matlab仿真平台,将蚁群和粒子群混合优化的支持向量机分类模型与传统的支持向量机分类模型进行仿真对比分析。试验结果表明,采用蚁群和粒子群混合优化的支持向量机分类模型的分类精度高于传统的支持向量机模型。

基于机器视觉钢板表面缺陷检测技术研究

钢板表面缺陷严重降低钢板的耐磨性、耐高温性、耐腐蚀性、抗疲劳强度等性能,因此,钢板表面缺陷的检测就显得尤为重要。本文基于机器视觉采用Matlab图像处理技术对钢板表面缺陷进行检测识别。在不同光照条件下采集钢板表面图像,分别进行图像处理,讨论分析不同光照条件和去噪方法对检测结果的影响。首先对缺陷图像进行预处理,然后将预处理后的图像二值化及形态学图像处理,使图像背景与对象图形分离,提取出表面缺陷特征,计算缺陷的面积和周长。通过对图像细化和骨架提取线性缺陷,计算出缺陷长度,并且通过对像素的标定,将像素单位转化为长度或面积单位。实验结果表明该方法具有很好的可靠性和重复性。

济钢中板厂高表面质量钢板轧制技术应用

为满足顾客对钢板表面光洁度的特殊要求,济钢中板厂针对钢板表面氧化铁皮、麻点等质量缺陷进行了系统分析,并通过优化坯料装炉及加热、轧制控制工艺,改造高压水除鳞系统、机架辊等设备,提高了钢板的表面质量,实现了高表面质量钢板的生产。

鞍钢冷轧厂2号生产线钢板表面质量的优化

为了提高鞍钢新轧钢公司冷轧厂2号生产线的产品质量,结合生产实践,对影响产品表面质量的因素进行了分析研究,采取了一系列措施,对各因素进行了优化,使产品表面质量得到了大幅度改善,冷轧卷清洗后的反射率达到了92%。

基于加权结构SVM的钢板表面缺陷分类

研究表明,对于不同的实际问题,不同的样本具有不同的数据结构。充分利用样本的结构信息,能够有效的提高模型的泛化性能。此外,因为在实际生产中,存在着很多的外部干扰。因此,数据在采集过程中,必然存在着噪声。综上所述,针对钢板表面缺陷分类问题,提出了一种加权结构支持向量机(W-SSVMs)模型。W-SSVM-k模型在结构支持向量机(SSVM)的基础上,结合权重生成算法来解决钢板表面缺陷分类问题。WSRSVM-k采用聚类的技术挖掘数据集的结构信息,然后将获得的结构信息嵌入到SVM模型中。此外,W-SSVM-k又对不同的样本赋予了不同的权值,减小了标签噪声对分类性能的影响。最后,在钢表面缺陷数据集上进行的数值实验表明,提出的W-SSVMs具有很好的分类性能,尤其针对噪声数据集。

钢板表面裂纹成因分析

介绍了钢板表面网状裂纹的形貌特征及微观组织。以E级船板马蜂窝裂纹为例,通过分析钢板裂纹处氧化物圆点及脱碳层程度,判断钢板表面网状裂纹来源,并简述控制方法及实践结果。制定了严格的结晶器使用管理规定,同时着眼点进一步扩大至保护渣及钢水质量、热装制度等,最终彻底消除了钢板表面网状裂纹缺陷。

基于全局-局部SVM的钢板表面缺陷分类

为了提高钢板表面缺陷分类识别,提出一种新的全局和局部支持向量机分类模型。首先,通过样本提取算法将整个训练样本划分为非边界样本和边界样本。非边界样本用于训练全局支持向量机,并获得两条全局决策边界。边界样本用于寻找测试样本的K-近邻样本,通过训练K-近邻样本获得相应的局部支持向量机。若测试样本位于全局决策边界线两侧,直接给出分类结果,否则,由局部支持向量机进行分类决策。最终,新的模型结合二叉树算法实现了4种钢板表面缺陷的分类问题。实验结果显示,全局和局部支持向量机模型有令人满意的综合性能。

融合多层级特征的弱监督钢板表面缺陷检测算法

由于缺少实例级标签,使得深度神经网络在工业表面检测领域的应用受到了限制.为解决这一问题,本文面向实际的热轧钢板表面缺陷检测任务,提出基于弱监督学习的缺陷检测网络,该网络引入类激活映射模型,使用容易获取的图像级标签进行模型训练,进行钢板表面的缺陷检测.为了进一步提升检测精度和克服类激活映射模型原有的缺点,本文采用性能更优的残差网络作为主干网络进行特征提取,并提出了多层级特征融合网络进行类激活图的生成,来获取更多的细节信息和更准确的目标激活区域.通过在公开缺陷数据集NEU-CLS上进行实验,结果表明本文提出的方法能够在标签不完备的情况下进行缺陷检测任务,并取得0.68%分类错误率和17.75%定位错误率,胜过其他同类的方法.