热轧带钢是钢铁工业的主要原料之一，具有耐腐蚀、韧性好、易加工等优点，在航天航空、陆上建筑、汽车制造等领域受到青睐。2000年以来，我国工业发展迅速，对热轧带钢的需求日益旺盛，轧钢生产技术得到很大发展，生产线已扩展到上百条。
在热轧带钢的生产技术要求中，尺寸精度、花纹、表面质量、使用性能是衡量带钢产品质量的四大关键因素。带钢也是单位体积内表面面积最大的钢铁产品，多用于外围构件，因此表面质量至关重要。
带钢在实际生产过程中，由于生产工艺或生产环境的限制，带钢表面容易出现裂纹、斑块等缺陷，不仅有损产品的外观，而且使产品更容易生锈、开裂。
因此，在热轧带钢生产线上设立了质量检测环节，以此将缺陷产品送回炉重新生产，及时止损。在互联网、大数据不断推动信息化、智能化快速发展的时代，国务院于2015年发布《中国制造2025》，将人工智能作为提升国家竞争力、维护国家利益和安全的重大战略。
因此传统钢铁企业必须尽快完成产业升级，提高产品质量，控制生产成本，才能在激烈的国际竞争环境中更好、更快地发展。
带钢早期表面缺陷检测方法
根据缺陷形态的不同，常见的热轧带钢表面缺陷大致可分为六种类型。
早期带钢表面缺陷检测方法主要有手工检测、涡流检测、红外检测、漏磁检测、激光扫描检测等。
人工检查方法是20世纪50~60年代国际上检测钢带表面缺陷的常用方法。通常生产线上的工人用肉眼判断是否存在缺陷，有时也采用频闪光源的方法提高人眼观察的效率。然而由于生产线速度的不断提高和人眼视觉的敏感性，人工检查方法无法可靠地捕捉缺陷信息，导致大量的漏检。另外，工人长期处于嘈杂、高温、强光、震动、多尘的工业生产环境中，不仅影响身体健康，而且容易造成脑部、视觉疲劳等身体负担，导致判断标准不一致，发生误判。因此，人工检查方法存在劳动强度大、效率和准确性低等问题，容易造成很多不必要的损失。
涡流检测方法是利用交流线圈靠近钢板缺陷处，在钢板内部产生交流电，通过接收线圈返回的信号来判断是否存在缺陷。涡流检测对表面状况要求较高，大面积缺陷对其检测速度影响较大，因此不适合在高速轧制钢板生产线上使用。
红外检测法是根据带钢表面不同深度引起的温度变化来判断表面是否存在缺陷。通常在钢坯输送辊上放置高频感应线圈，获取钢坯表面产生的感应电流。在缺陷区域，感应电流行进增大，功耗增大，进而引起钢坯表面温度局部升高。红外探测器捕捉温度变化，完成表面缺陷的检测。但仅通过获取的温度很难准确划分缺陷区域。
漏磁检测法是利用磁轭对钢坯进行磁化。如果钢坯内部均匀，无缺陷，钢坯表面几乎不存在磁场；如果钢坯内部存在缺陷，磁通就会发生畸变，形成漏磁场。但缺陷面积较小时很难形成漏磁场，漏磁检测法不能满足实际应用的需要。
激光扫描检测是20世纪70、80年代钢铁表面缺陷检测最常用的方法，其工作原理是将激光通过多面体棱镜投射到钢板表面，钢板表面发射和散射的光被光电倍增管接收并转换成电信号，送入计算机进行处理分析。但实际生产线中的灰尘、物质会严重影响光的反射，限制了激光扫描检测的应用。
机器视觉带材表面缺陷检测方法
随着硬件设备和机器视觉技术的发展，低成本、高效率、易于维护的基于机器视觉的带钢表面缺陷检测系统已成为主流，其可靠性、高效性和实用性远远优于早期的带钢表面缺陷检测方法。
目前基于机器视觉的表面缺陷检测方法主要分为传统方法和深度学习方法两类。
传统机器视觉带材表面缺陷检测方法
传统的机器学习缺陷检测方法通常包括特征提取和分类器调试两部分。
图像特征提取可以理解为从高维图像空间到低维特征空间的映射，其基本思想是使得目标在所得到的子空间中具有较小的类内收敛性和较大的类间收敛性，其有效性对后续缺陷目标识别的准确率、计算复杂度、鲁棒性等有很大影响。
基于深度学习的带钢表面缺陷检测方法
在实际工业生产中，由于检测对象的形状、尺寸、纹理、颜色、背景、布局和成像光照等差异较大，复杂环境下的缺陷检测与分类已成为一项艰巨的任务。在深度学习背景下，卷积神经网络凭借强大的端到端自动特征提取能力，在表面缺陷检测中得到广泛应用。根据不同的检测任务，可分为分类网络、对象检测和实例分割。
一般来说，基于CNN的网络通常会利用现有的网络结构，或者针对实际应用问题构建轻量级的网络结构，基本思想是输入一张图像，通过反向传播进行网络自主学习，最终输出图像的类别以及该类别的置信度。
表面缺陷检测系统的基本结构如图所示。其组成部分为：①照相机和光源（LED、荧光灯等）、②图像处理计算机、③数据存储/确认控制用PC。表面缺陷检测系统将照相机拍摄的被检物体的连续图像传输到图像处理计算机，实时处理图像，并确定和检查缺陷。检查结果传输到PC进行数据存储/确认控制。PC显示带材展开图和缺陷图像，并保存在PC中。当检测到缺陷时，警报器发出警告。
机器视觉带材表面缺陷检测方法比较
传统方法的主要优点是不需要大量图像样本参与训练,检测速度较快;其主要缺点是需要人工创建特征,易受检测环境影响,漏检和误检率较高,导致该方法具有很大的局限性。
深度学习方法主要优点是端到端自主学习、检测性能高、可扩展性强；缺点是需要大量样本进行训练、速度较慢。
表2为机器视觉带材表面缺陷检测方法应用效果：
从表2可以看出，早年带钢表面缺陷检测多采用传统方法，近年来基于深度学习的检测方法逐渐成为主流。
参考文献[11,14,17,18,45]采用局部异常检测方法检测带钢表面缺陷，检测速度快，平均检测率约为94%；
参考文献[21, 22, 46, 47]采用模板匹配检测各类带钢表面缺陷，检测速度快钢材表面缺陷，检测准确率达到90%以上；
参考文献[26, 27, 48-56]采用基于机器学习的检测方法，如集成模型、BP神经网络、SVM等，将各类缺陷的识别准确率提高到95%左右；
参考文献[35, 57–66]利用CNN模型，如、等，将识别准确率进一步提高到97%左右；
机器视觉带钢表面缺陷检测技术难点及发展趋势
技术难点
目前基于机器视觉的表面缺陷检测方法在理论研究和工业现场的实际应用上都取得了长足的成果，但面临以下技术问题和难点亟待解决：
1）图像采集过程易受到现场生产环境和工艺的影响，如光照强度、噪声干扰等因素，会导致同一类别的缺陷之间差异较大，不同类别的缺陷之间差异较小，从而影响模型的学习能力。
如何建立稳定、可靠、鲁棒的检测系统以适应光照变化、噪声等不良外界环境的干扰是需要考虑的问题。
2）传统的机器视觉检测方法主要依赖于人为创建的特征，特征创建的好坏对检测性能起着决定性的作用，不同的研究者在相同条件下得到的检测性能可能并不相同。
因此，如何降低特征提取的复杂性和不确定性是需要解决的问题之一。
3）工业现场缺陷样本采集难度大，大部分为良性样本，缺陷种类繁多，传统方法虽然不需要大量缺陷样本进行训练，但泛化能力较差。获取足够的缺陷样本是保证模型在实际应用中具有良好的检测性能和鲁棒性的前提。另外，类别不平衡也是基于机器视觉的表面缺陷检测技术在实际应用中的难点之一。
4）大部分机器视觉表面缺陷检测方法都是监督学习和标注方法，尤其对于深度学习方法，数据标注成本高、耗时长。
因此如何解决样本标记问题是一个具有应用前景的研究。
5）深度学习检测方法虽然检测性能好、鲁棒性强，但网络设计和调整过程较长，且深度学习模型计算复杂度大、内存占用大等问题，难以在实际工业生产中部署。
如何在提高检测速度的同时保证检测精度是现阶段需要考虑的问题。
发展趋势
随着计算机技术、传感器技术和计算处理设备的发展，基于机器视觉的带钢表面缺陷检测技术也将得到进一步发展。其发展趋势主要有以下几点：
1）基于机器视觉的表面缺陷检测技术基本离不开数据标注，数据标注成本高、耗时长，因此开发一套自动数据标注的应用软件非常有意义。
2）传统基于机器视觉的方法需要人工进行特征提取、分类器选择、参数调试等，而基于深度学习的方法则需要人工进行网络设计，这种人工参与通常不是最优的。随着计算机技术和硬件设备的升级，自动机器学习和网络架构搜索技术将逐渐取代人工设计。
3）目前基于机器视觉的检测方法主要针对二维图像数据，但二维图像的视场信息较为简单，无法完整表达产品各个方向的视场信息。 因此利用多个工业相机采集目标的三维空间信息，实现缺陷的三维检测是未来主要发展趋势之一。
4）基于深度学习的方法检测精度高，但计算复杂度巨大，难以在资源受限的硬件设备上部署。近期年轻量化网络的引入虽然缓解了这一现象，但却以牺牲检测精度换取检测速度。因此利用模型压缩去除冗余模型参数、降低模型复杂度来提高缺陷检测系统的实时性是未来在线检测系统部署在实际工业生产中的主要趋势。
综上所述
带钢表面缺陷检测的机器视觉方法主要有基于图像处理/机器学习的机器检测方法和目前较为主流的基于深度学习的检测方法。
基于图像处理/机器学习的机器检测方法通常包括图像采集与标注、图像预处理、特征提取与识别等过程；
基于深度学习的检测方法通常包括图像采集、分类/检测/分割数据集的构建与标注、分类/检测/分割网络的设计和构建。
每一个流程都至关重要，直接影响缺陷检测系统的最终性能和效率。
因此，如何构建高质量、信息更丰富的数据集、选择合适的算法、提高系统的稳定性、检测性能、检测速度是机器视觉在实际工业现场部署的关键。
巨石智能机器视觉低代码平台是一款基于云端的机器视觉应用协同开发平台，始终坚持0成本、0代码、0门槛、0硬件的产品理念。
平台以人工智能技术为核心，为开发者提供机器视觉应用开发中的图像采集、图像标注、算法开发、算法封装、应用集成等一站式完整工具链钢材表面缺陷，涵盖字符识别、缺陷检测、目标定位、尺寸测量、三维测量、视频开发等数百种通用功能，致力于成为全球用户数量最多、应用场景最广的机器视觉低代码平台。
更多功能正在开发中，最新消息将第一时间在“久事智能”官方微信公众号公布，敬请持续关注。
