摘要：在钢铁制造业，机械钢卷表面质量关乎产品性能与价值，缺陷在线检测分类极为关键。本文围绕机器视觉检测算法，阐述研究背景意义，剖析图像采集等关键技术，对比传统与深度学习算法，设计混合检测分类模型。实验证明该模型检测精度高、实时性强，能满足工业在线检测需求，助力钢铁企业质量控制。

关键词：机器视觉；机械钢卷；表面缺陷；在线检测；分类算法

一、引言

钢铁产业作为国民经济支柱，其产品质量直接影响下游行业发展。机械钢卷应用于汽车、家电、建筑等领域，生产中易产生划痕、凹坑等缺陷，降低产品性能并带来安全隐患。传统人工目视检测效率低、主观性强，难以满足现代化生产需求。基于机器视觉的检测技术凭借非接触、高精度等优势，实现缺陷自动化检测分类，对提升生产效率、保障产品质量、推动钢铁行业智能化意义重大。

二、机器视觉检测系统关键技术

（一）图像采集

图像采集是机器视觉检测系统的基础，其质量直接影响后续缺陷检测与分类的效果。在钢卷表面检测中，需根据钢卷的材质、表面状态、运动速度等参数，选择合适的光源、相机和镜头。光源方面，通常采用高亮度的 LED光源，通过合理的光源布局（如环形光、条形光）减少钢卷表面反光对图像质量的影响；相机一般选用工业 CCD 或 CMOS 相机，需满足高分辨率和高帧率的要求，以清晰捕捉高速运动的钢卷表面图像；镜头则应根据检测范围和精度要求进行选择，确保图像的清晰度和畸变率在允许范围内。

（二）图像预处理

由于钢卷表面存在噪声、光照不均等问题，采集到的原始图像质量较低，为了给后续缺陷检测奠定良好基础，通常会采用一系列预处理方法。在图像去噪方面，高斯滤波、中值滤波等是常用手段，其中中值滤波对椒盐噪声有出色的去除效果；对比度增强环节，通过直方图均衡化、自适应对比度增强等方法，能够显著提升图像中缺陷区域与背景的对比度；图像分割则借助阈值分割、边缘检测等技术，将钢卷表面区域从背景中精准分离，有效降低无关区域对检测结果的干扰。

（三）缺陷检测算法

缺陷检测的目的是从预处理后的图像中准确识别出缺陷区域。传统的缺陷检测算法主要基于缺陷的几何特征、灰度特征等，如阈值法、边缘检测法、区域生长法等。阈值法通过设定合适的阈值将图像分为缺陷区域和背景区域，操作简单但对光照变化较为敏感；边缘检测法利用边缘检测算子（如 Sobel算子、Canny 算子）提取缺陷的边缘信息，进而确定缺陷区域，适用于边缘清晰的缺陷检测。

随着深度学习技术的发展，基于卷积神经网络（CNN）的缺陷检测算法逐渐成为研究热点。CNN 能够自动学习图像的深层特征，具有较强的鲁棒性和泛化能力，在复杂背景下的缺陷检测中表现出优异的性能。常用的基于CNN 的缺陷检测算法包括 Faster R-CNN、YOLO、SSD 等，这些算法能够实现缺陷的定位与初步分类，检测精度较高，但计算量较大，对硬件设备的要求较高。

（四）缺陷分类算法

缺陷分类是在检测出缺陷区域后，对缺陷的类型进行识别。传统的分类算法主要基于提取的缺陷特征（如面积、周长、形状因子等），采用支持向量机（SVM）、决策树、人工神经网络等分类器进行分类。SVM 具有较强的泛化能力，在小样本情况下分类效果较好；决策树则具有直观易懂、计算量小的特点。

深度学习算法在缺陷分类中也得到了广泛应用，通过将缺陷区域图像输入到训练好的 CNN 模型（如 AlexNet、VGG、ResNet 等）中，实现缺陷类型的自动分类。与传统分类算法相比，深度学习算法能够自动提取更具判别性的特征，分类精度更高，但需要大量的标注样本进行模型训练。

三、混合检测分类模型设计

（一）模型设计思路

传统算法在计算速度和对简单缺陷的检测分类上具有优势，而深度学习算法在复杂缺陷和抗干扰能力方面表现更优。为了兼顾检测精度和实时性，本文设计了一种融合传统特征与深度学习特征的混合检测分类模型。该模型首先利用传统算法对图像进行初步处理，快速定位可能的缺陷区域，然后将这些区域输入到深度学习模型中进行精细特征提取和分类，以提高检测分类的准确性。

（二）模型结构

混合检测分类模型主要由传统特征提取模块、深度学习特征提取模块、特征融合模块和分类模块组成：传统特征提取模块采用阈值分割和边缘检测等方法提取缺陷的几何特征和灰度特征，如缺陷的面积、周长、灰度均值等；深度学习特征提取模块选用轻量化的 CNN 模型（如 MobileNet）作为基础网络，对缺陷区域图像进行深层特征提取；特征融合模块将传统特征与深度学习特征进行融合，形成更全面的特征向量；分类模块采用 SVM 分类器对融合后的特征向量进行分类，输出缺陷的类型。

四、实验结果与分析

（一）实验数据集

实验数据采集自某钢铁企业实际生产场景，构建机械钢卷表面缺陷图像数据集。该数据集涵盖划痕、凹坑、氧化皮等 6 类典型表面缺陷，共包含3000 幅图像样本。其中，2000 幅图像作为训练数据集用于模型训练，1000幅图像作为测试数据集用于模型性能评估。所有图像均经过专业人员严格的人工标注处理，精确标注了缺陷的空间位置坐标及类别属性信息。

（二）实验参数设置

实验环境及参数配置如下：计算平台采用配备 Intel Core i7 处理器、16GB 随机存取存储器，以及 NVIDIA GeForce GTX 1080Ti 图形处理单元的高性能工作站。图像采集系统选用工业级相机设备，其分辨率达 2048×1080 像素，视频采集帧率为 30 帧 / 秒。在混合算法模型构建中，传统图像处理模块运用自适应阈值分割算法与 Canny 边缘检测算子实现特征提取；深度学习部分采用 MobileNet 轻量化网络架构。模型训练过程中，学习率参数设定为 0.001，训练迭代次数设置为 100 次。

（三）实验结果分析

实验结果显示，混合检测分类模型在检测精度和实时性上优势显著：其对 6 种缺陷的平均检测准确率达 96.5% ，其中划痕、凹坑、氧化皮检测准确率分别为 98.2% 、 97.8% 、 94.3% ，均高于传统算法（平均准确率 89.2% ）和单一深度学习算法（平均准确率 95.1% ）；在实时性方面，混合模型平均检测时间为 25ms / 幅，可满足钢卷生产线在线检测速度要求（生产线速度通常不超过 100m/min ），相比之下，单一深度学习算法平均检测时间为 50ms/ 幅，传统算法为 15ms / 幅 。该混合模型能有效应用于机械钢卷表面缺陷的在线检测与分类。

五、结语

本研究通过算法创新与模型构建，为机械钢卷表面缺陷在线检测提供了可行方案。后续研究将聚焦模型轻量化部署、数据样本多样性扩充、多算法融合优化及系统工程化落地等关键技术方向，持续开展深入研究，以期推动机器视觉技术在工业质量检测领域的创新发展与广泛应用，助力工业质检智能化升级。

参考文献：

[1]马顺杰.横切机组堆垛机堆垛效果不佳的解决对策[J].冶金管理，2022，（24）：76-79.

[2]俞鸿毅，王劲，王学敏.基于冷轧工艺数据的热镀锌带钢机械性能统计建模与预测[J].宝钢技术，2022，（02）：41-45.

[3]段建高，汤洪博，黄望芽.钢卷端部检测机器人在连续退火涂层机组中的应用[J].电工钢，2022，4（01）：49-53.