视觉检测不仅可以检测常温下的钢材表面缺陷，还可以检测1000°C的热轧钢管。
无缝钢管制作过程中，钢坯被输送到炉子中进行加热，然后设备插入钢坯以形成厚壁空心壳，然后将芯棒插入壳中。整个壳体在心轴磨机中进行伸长轧制。成型后钢坯被输送到推台上，经过一系列的滚子压制，使其壁厚变薄变均匀。推台上的滚子在压制的过程中，高温条件下极难发现管壁的缺陷。尽管钢管生产质量在持续提高，但常有缺陷产品导致生产效率低下。
视觉系统为了解决这个问题，Tecnalia（西班牙比兹凯亚德里奥）的工程师开发了一套机器视觉系统用于钢管制造商在抬台环节检测钢管缺陷，并将其取名为Surfin。该系统使制造商能够在早期阶段对推台进行预防性维护，并降低缺陷产品交付的概率。通常检测出的缺陷如表面撕裂、裂口、滚动支架擦刮痕迹、裂缝、断裂、断离、粘沾重叠等。这些缺陷往往循环出现，通过视觉系统检测到缺陷，制造商可预见性地提前对推台进行维护或更换。Tecnalia开发人员面临的挑战不小，毕竟钢管生产环境极端危险。钢管不仅以6-7米/秒的速度旋转，而且出炉后的钢管在推台上温度也1000ºC左右，且检测环境很脏，还有水和油的蒸气。由于钢表面的热辐射产生的光包含了红外光、红光、橙光、黄色波段的光，因为相机CMOS对这些光都敏感，因此捕获所有的反射光会导致相机传感器过度饱和。为解决这个问题，Surfin系统不使用炽热钢材散发光的那些波段，仅使用远离这些波段的光。通过美国Edmund Optics公司的窄带滤光片进行滤光，使相机传感器只接收所需波段的光。该滤光片以470nm（蓝光）为中心，波段宽度为10nm，并配有红外辐射滤光片，可保护相机元件免受热辐射的影响。通过滤光，相机工作的时候就像在拍常温下的冷钢管。为了能够同时捕获钢管表面360°的图像，系统采用三组速率达14.000行/秒的DALSA Spyder3 线扫相机，这些相机安装在推台输出处的保护外壳中，以120°角间隔垂直于轧钢轴平面。在Surfin的早期版本中，每个相机的两侧都采用了473nm波段的蓝色激光光源，以暗场照明的方式照亮钢管表面。
图左：图像采集设备包括两个蓝光激光光源(1)，一个DALSA Spyder3线扫相机(2)，为捕捉 360°度的钢管表面缺陷(3)，需要三套图像采集设备。图右：安装方式，每套图像采集设备以间隔120°的方式安装在垂直于转轴的同一平面的保护壳内。由于环境温度极高，持续冷却相机十分重要，为此，将压缩冷空气注入保护外壳，以保护相机和光源设备免受损伤。注入的冷气不仅起降温作用，多余的空气通过扫描激光的通孔排出，可以起到防止水垢、氧化物、灰尘和液体沉积堵塞激光窗口，影响相机捕获图像。相机捕获图像之后，图像数据通过100m的千兆光纤传输到控制室的PLC中。在这里，经过图像预处理、图像增强算法（如直方图均衡算法）等增强图像的对比度。图像增强之后，使用定制的专业软件对其进行处理，在Surfin的早期版本中，图像处理软件采用了基于支持向量机（SVM)的辅助学习系统。一旦系统学会按纹理、对比度和大小从不同的模板中学习特定缺陷，该算法就可自动检测和分类生产环境中那些常见的表面缺陷了。
典型的钢管表面缺陷：a材料沾粘 b 裂口 c轧压刮痕
基于PC的服务器用于存储来自相机捕获的图像、系统发现的缺陷数据及其在钢管上的位置，还将压力、温度、速度信号、通信和其他钢管生产中的警报数据都存储在了Oracle数据库中，以实现质量控制和可追溯性。系统通过连接公司网络以及安装在客户端的应用程序来远程访问、管理PLC和数据库中的信息数据。自最初开发该系统以来，经过几代更迭，保留了原系统的基本概念，但系统结构已经重新设计，降低了相机和照明对齐、调整难度。该系统的较新版本已经采用液体冷却技术不再用空冷技术，缩短了照片、相机与钢管的距离，并能对更热或更大的钢截面进行成像检测。新的LED光源也取代了早期的激光器，光源寿命从2000小时增加至50000小时，并消除了斑点似的伪影，提高了成像质量。软件的用户界面的可视化使工厂操作员能够在钢管上出现缺陷时立马能判断其位置和缺陷种类。存储设备的更新可储存数月的生产数据，使工厂经理能查看缺陷产生的周期性，并预见性地定期维护生产设备。该系统还支持多用户使用，不管是本地，还是远程。缺陷分类器的更迭
Surfin系统近期最大改变就是使用公司内部开发的“候选窗口检测阶段”和“卷积神经网络(CNN)缺陷分类器”。CNN可以通过学习，从训练图中提取各种缺陷的特征并执行分类，而基于支持向量机（SVM)的辅助学习系统只能将输入的数据映射到更高维的空间进行缺陷类型的检测识别。通过假设所有感兴趣的对象（如缺陷）有区别于背景的共同的视觉特征，候选窗口检测阶段会输出一组可能包含这些缺陷的图像区域，然后卷积神经网(CNN)提取已知特征并对图像数据进行缺陷分类。通过客户收集的热钢管缺陷图集对CNN分类器进行验证，其结果为基于深度学习的分类器优于早期SVM分类器，误诊和漏诊图像明显减少了。对2类分类器（如有缺陷和无缺陷）性能评估时最相关的指标是AUC-ROC曲线下面积（该曲线X轴用以描绘误判，Y轴描绘真缺陷，然后计算函数曲线下的面积）。
图左：AUC-ROC曲线 图右：Dalsa Spyder相机理想情况下，对于X轴中的每个值，AUC越接近1，分类模型越精准。虽然使用SVM分类器时AUC值为0.88已经比较可靠，但采用CNN的Surfin分类器AUC值能达到0.997趋近于1。即便如此，Tecnalia的工程师仍在努力改进该系统，以使钢铁生产商能够生产零缺陷的钢材。在此过程，需要收集更多的缺陷样本以训练分类器。
Dalsa Z-Trak LP2C 让在线3D测量更便捷
Teledyne Dalsa 增强版图像处理软件
一文看懂卷积神经网络
基于机器视觉的螺纹钢表面缺陷检测
川公网安备 51010402000667号