導讀

在彩涂鋼板的卷對卷生產過程中應用友思特Neuro-T深度學習視覺系統(tǒng)，檢測諸如凹痕和劃痕等關鍵表面缺陷。這一舉措克服了傳統(tǒng)基于規(guī)則的系統(tǒng)的局限性，顯著提高了檢測效率和準確性。

1. 現場情況

彩涂鋼板是在基礎鋼板（如冷軋鋼或鍍鋅鋼）上涂覆彩色涂層制成的產品。它們主要用于對表面質量要求極高的領域，如建筑內外裝飾材料和電器外殼。表面質量，包括顏色、光澤和紋理，是決定最終產品外觀效果的關鍵因素。客戶尤其要求板材滿足特定的粗糙度標準和視覺均勻度。因此，對整個表面狀況進行精確檢測至關重要。

彩涂鋼板是通過對長達數百米的鋼帶進行連續(xù)涂覆和固化生產出來的。經過這些工序后，鋼板會被重新卷成鋼卷。這種生產方式被稱為卷對卷工藝，而完成涂覆和固化并將產品卷繞起來的最后階段則被稱為卷取工藝。由于這一階段是產品發(fā)貨前的最后環(huán)節(jié)，且產品表面完全暴露在外，因此確保質量檢測的準確性和可靠性至關重要。

A公司共有八條彩涂鋼板生產線（彩涂線），均采用卷對卷生產線配置，可實現連續(xù)生產。

鑒于彩涂鋼板的表面積大且長度長（可達數百米），A公司安裝了監(jiān)控攝像頭，其位置設置為能夠捕捉鋼板的整個表面。這些攝像頭安裝在生產車間的天花板高處。錄制的視頻會傳輸到檢測室，操作人員根據視頻進行目視檢測。

2. 存在的問題

基于規(guī)則的系統(tǒng)的局限性及對人工檢測的依賴

基于規(guī)則的檢測系統(tǒng)廣泛應用于一般鋼板檢測。然而，對于彩涂鋼板而言，其表面圖案和顏色豐富多樣且復雜，導致出現的缺陷不規(guī)則，難以用固定規(guī)則進行檢測。

因此，A公司依靠人工目視檢測，操作人員在檢測室查看閉路電視視頻以識別任何缺陷。

然而，這種方法既耗時又費力，而且漏檢和誤檢情況頻繁發(fā)生。此外，諸如凹痕、劃痕和黑點等關鍵缺陷通常非常小，從監(jiān)控攝像頭圖像中幾乎只能檢測到較大的缺陷。

3. 解決方案

為克服傳統(tǒng)基于規(guī)則和人工檢測方法的局限性，A公司選擇友思特Neuro-T深度學習平臺，實施了基于深度學習的視覺檢測系統(tǒng)，旨在建立一個更精確、自動化的檢測體系。

檢測點選擇：卷取前階段

檢測在涂覆和固化步驟完成后、卷取工藝即將開始前進行。在這個階段，彩涂鋼板的表面質量已最終確定，是進行高精度檢測的最佳時機。

硬件設置：安裝兩臺線掃相機

為覆蓋彩涂鋼板的整個寬度，在生產線寬度方向上安裝了兩臺線掃描相機。鋼板被劃分為三個區(qū)域 — 左側、中間和右側，使系統(tǒng)能夠準確追蹤所檢測到的任何缺陷的橫向位置。

軟件設置：兩階段深度學習模型

- 結合異常檢測的圖像預處理：

一卷彩涂鋼板可能長達數百米，會產生大量的圖像數據。為有效處理這些數據，采用了一個異常檢測模型作為預處理過濾器，僅篩選出包含潛在缺陷的片段，大大減少了需要人工檢查的圖像數量。

- 使用分類模型進行缺陷檢測：

對于異常檢測模型標記出的圖像，人工操作員會核實是否真的存在缺陷，并按類型（如凹痕、劃痕、黑點等）對其進行標注。利用這個標注好的數據集，再對檢測模型進行訓練，使其能夠自動識別特定的缺陷類型。

這個工作流程 ：先用異常檢測模型進行初步篩選 → 人工核實并標注實際缺陷 → 訓練分類模型 — 實現了高效的數據標注，并開發(fā)出了高精度的檢測模型。

4. 成果與效益

在實施基于友思特Neuro-T深度學習平臺的視覺檢測系統(tǒng)后，A公司在檢測精度和效率方面都取得了顯著提升。

漏檢率（如在人工目視檢測中經常被漏檢的小凹痕或黑點）降低了一半以上。異常檢測模型能夠自動從整個數據集中過濾掉超過90%的正常圖像，使操作員只需關注一小部分有缺陷的圖像。這不僅提高了檢測速度，還提升了操作員的專注度。

因此，僅需極少的人力就能實現全天候的全面檢測，同時系統(tǒng)還能自動記錄每個缺陷的位置和類型。這加強了質量記錄管理，并便于進行生產后的分析。總體而言，與之前基于閉路電視的人工檢測相比，A公司的檢測效率提高了約三倍，檢測準確率達到了98%以上。

5. 項目主要圖片

使用深度學習模型對彩涂鋼板進行缺陷測的圖像

Neuro-T：零代碼自動深度學習訓練平臺

友思特 Neuro-T是一個用于深度學習視覺檢測項目的一體化平臺，可用于 項目規(guī)劃→圖像預處理→圖像標注→模型訓練→模型評估 一系列任務。Neuro-T提供了便捷的工具和友好的圖形化界面，只需四個步驟即可創(chuàng)建一個深度學習模型。

審核編輯 黃宇