摘要：本研究聚焦于钢铁热轧智能集控领域，深入探讨机器视觉测量技术的应用。鉴于钢铁行业智能化集控趋势下传统监测手段的局限，文章详细阐述机器视觉在工艺集控中的多种应用实践，包括对钢材镰刀弯、翘扣头、飞剪切断、机架间跑偏、钢卷端面、开卷缺陷检测，以及钢卷号识别信息传递等方面的精准监测与控制。同时分析了在复杂环境适应性、高精度测量与复核、系统集成与兼容性等方面的挑战，并提出相应策略。尽管存在挑战，但随着技术融合发展，其应用前景广阔，有望推动钢铁行业智能化升级。

　　关键词：机器视觉；测量；钢铁热轧；集控；智能化

　　随着钢铁行业的生产智能化及集控化，钢铁企业逐步发展为铁前大集控，钢轧一线一室的新格局。传统的人工监测与控制手段已愈发难以满足要求，一方面，集控室远离产线，无法直接人工试听感知。另一方面，钢铁工艺集控涉及多个环节、多个设备，以及众多工艺参数之间的协同配合，这使得整个生产过程的监控难度显著增加。仅仅依靠有限的人工观测和单维度的测量方式，无法全面及时地掌握生产状态变化，容易遗漏关键信息，响应不及时，影响产品质量甚至产生故障。

　　机器视觉测量技术凭借其非接触式、高精度、实时性强，以及能够同时捕捉多维度图像信息等显著优势，契合了钢铁热轧智能集控在这方面的需求，它能够对轧制钢材的表面状态、尺寸精度、在轧制线上的位置和姿态等多个维度进行可视化监测与精确测量［1］，为后续的数据分析、工艺优化，以及智能决策提供详实可靠的依据。因此，机器视觉测量技术逐渐在钢铁热轧智能集控领域崭露头角，为钢铁热轧的智能化升级带来了新的契机。

　　1热轧工艺集控应用实践

　　钢材在热轧产线的准确位置和姿态对顺利轧制至关重要。通过机器视觉系统的图像采集单元（如工业相机、镜头、光源）采集清晰准确的钢材热轧图像［2］。视觉测量系统可以实时跟踪钢材在输送辊道上、各轧制机架间的位置，通过识别钢材的轮廓特征，以及与周边设备的相对位置关系，判断其是否处于正确的轧制路径和姿态。若出现跑偏、倾斜等异常情况，能及时控制纠偏装置进行调整，防止钢材刮擦设备、造成轧制事故，保障生产的连续性和安全性［3］。

　　1.1镰刀弯检测

　　镰刀弯检测算法通过设定匹配现场带钢生产速度和长度的曝光策略，保证运动目标的高清成像，然后将得到的多张连续时序图像。首先，预处理对图像去噪，并增强图像特征，然后，通过基于深度学习的轻量级板带主体分割模型获取板带轮廓，再提取带钢的边部轮廓线，结合后处理算法保证轮廓线的准确与连续，再通过基于中间坯特征的图像拼接算法，将时序图像合成为一张完整的带钢图像，并拟合出板带中心线。最后，将相机标定后的系统与标线结果进行合并，还原成真实测量值，进行弯曲度计算，最后实现镰刀弯分析，输出镰刀弯的偏离值和曲率。

　　1.2翘扣头应用

　　翘扣头检测系统基于激光三角测量原理，通过激光线在热带钢表面成像。算法基于视频数据进行解帧，获取到单帧图像后，通过基于深度学习的语义分割方法进行激光线的准确提取，对曲线进行分段采样，并通过质心算法获取分段采样片段的质心，如图1所示的离散点，从而计算得出相机系统视角的翘曲曲线，图1两条平行直线的距离即为翘度高度。

       1.3飞剪切断检测

　　飞剪切断检测，通过设置在飞剪后的精轧机入口，以及飞剪板头坑的两个相机，联合检测判断飞剪切断状态。精轧机入口处架设相机，获取带钢主体的高质量图像。通过基于深度学习的目标检测模型进行识别分类，通过带钢头尾和主体出现的时间顺序，实现带钢进入离开状态和头尾切断情况的判别。在飞剪板头坑处架设相机，通过基于深度学习的目标检测模型识别板头坑处判断是否出现切断的头尾目标，结合精轧机入口给出的带钢进入离开和头尾切断状态，对切断后是否掉入板头坑进行二次判断，提升飞剪切断检测模型的有效识别率。

　　1.4机架间跑偏检测

　　跑偏检测系统通过相机采集精轧机架辊道间带钢图像，设定高速曝光策略保证带钢快速轧制过程中的可见和成像质量，对生产视频解帧获取到单帧图像后，首先对其进行过滤去噪等预处理，再通过基于灵活轻量级解码器和注意力融合模块构建的实时边缘语义分割模型获取板带主体轮廓，再通过边缘检测算法获取带钢的边缘轮廓线，计算得到带钢中心线，结合精轧机组辊道的辊道边缘线和辊道中心线计算出平均跑偏值，并对成像系统进行标定，将曲线进行坐标还原得到真实世界坐标，从而计算得到偏移量对应的真实测量值，最终实现精轧机架间跑偏分析，如图2所示。

　　1.5钢卷端面检测

　　在钢卷端面对侧架设高清相机和线结构光，基于深度学习中的语义分割模型对钢卷端面的缺陷信息，如图3所示的毛刺、边裂等缺陷。毛刺、边裂最小检测尺寸1mm×1mm，折叠最小检测尺寸1.5mm×2mm。

       1.6钢卷开卷缺陷检测

　　在冷轧入口开卷处，上下表面增设高清相机，基于深度学习中目标检测方法，实现表面缺陷，如折叠、划伤、孔洞等缺陷。实现在线连续、自动、准确检测，及时报警连锁，减少因断带停机导致的利润损失，通过缺陷检测可进行达到优化剪切性能，整体成材率提高0.02%。

       1.7钢卷号识别信息传递

　　轧线主体与后续精整工序一般信息不串通，通过钢卷号OCR识别，打通上下游工序，并协同MES、ERP的生产信息，减少人工巡查填录。通过高清摄像机对产线关键点位进行监测，通过目标到位检测模型，将传统图像处理技术和基于深度学习的检测模型相结合，实时检测运动中钢卷位置，获取钢卷到位信号。钢卷号检测模型由基于深度学习的卷积神经网络和基于传统图像处理算法构建，用于检测图像中钢卷号的弧形位置，并将弧形钢卷号通过图像采样方法拉直，基于循环神经及注意力机制构成，用于识别拉直后的钢卷号图像中所包含的钢卷号。即使图像文字成像较模糊，仍可精准识别，如图4所示。

　　2挑战与应对策略

       2.1复杂环境适应性挑战

　　钢铁热轧现场环境恶劣，高温、粉尘、水汽以及电磁干扰等因素都会影响机器视觉系统的性能和寿命。常规环境下带钢跑偏检测已达到一定成效。然而，现阶段对复杂轧制环境下基于机器视觉的带钢跑偏检测的研究仍然不足，使之成为了提高带钢跑偏检测系统鲁棒性与系统可用性的阻碍［4］，应对策略包括选用具备高防护等级、耐高温、抗干扰的硬件设备，同时结合智能的环境感知与补偿算法，对采集的图像进行实时校正和优化，降低环境因素的不利影响。

　　如镰刀弯、翘扣头、机架间跑偏场景，因检修、设备碰撞或其他因素，存在摄像机偏移风险，直接会影响检测的结果，因此系统需要应对此类风险。为此设计标定功能。

　　制作9格×12格的棋盘格标定板，每个棋盘格单位为50mm×50mm，在辊道上水平放置，并覆盖两侧端部和中部位置。根据标定板的标准尺寸与相机成像的像素转换并匹配。

　　因翘扣头通过对在中间坯上的激光线测量实现，因中间板坯处于轧制过程，无法停机获取真实测量值，因此可以通过板模拟中间板坯，如图5所示。先通过量尺手动测量木板最高点A和最低点B的高度差，为真实测量值H。将装置放置在辊道上，打开激光器，通过对激光的测量，获取系统输出的识别测量值，将真实值和识别值进行对比标定修正，修正真实值与识别值之间的像素转换。

       2.2高精度测量与复核的问题

　　热轧生产线的高速运转特性决定了机器视觉测量必须在极短的时间内完成数据采集、处理与分析，一方面，为满足高精度测量，需要运用复杂的算法对图像进行多轮次的处理，如滤波、增强、特征匹配等操作，另一方面，若为了追求快速处理而简化算法或者降低图像采集质量以减少数据量，又会导致测量精度的下降，这种高精度与快速处理之间的矛盾，需要在算法优化、硬件加速以及合理的系统架构设计等多方面寻找平衡。

　　同时为了确保机器视觉测量结果的准确性和可靠性，建立有效的标定复核机制至关重要。例如，机架间跑偏测量场景，需要借助跑偏结果辅助进行工艺分析，处理的速度需要在50ms内，同时测量精度要求在3mm内。为保证结果准确性，如图6，构建坐标系，建立复核系统，通过人工核对板坯的边界线，判断中心线跑偏值是否准确。

       2.3系统集成与兼容性问题

　　机器视觉测量系统需要与钢铁热轧现有的自动化控制系统、MES（制造执行系统）等进行深度集成，实现数据共享和协同控制，确保视觉系统能够顺利融入整个智能集控体系。

　　热轧生产过程的高速连续性要求机器视觉系统与控制系统之间的数据传输和交互必须具备极高的实时性。另外，控制系统依据机器视觉提供的信息进行调整时，需要确保控制的准确性，由于机器视觉算法精度存在不确定性，可能会引发过度纠正或者纠正不足的问题。

　　目前的解决方案是通过前一道次的结果控制下一道次的辊缝，不过渡依赖于实时性。同时相关的数据接入工业互联网，融合到数字钢卷中，确定最优的工艺控制范围。

　　3结论与展望

　　机器视觉测量技术在钢铁热轧智能集控领域的应用已经取得了显著的成效，能够有效提升生产效率以及保障生产安全。未来，随着人工智能、大数据等前沿技术与机器视觉的深度融合，有望实现更加智能化、精准化的生产控制，推动钢铁行业向着高质量、高效能的方向持续发展。

参考文献

　　［1］黄华贵，刘迎港，黄海林，等.热轧板坯头部翘曲机器视觉检测与BP神经网络预测控制［J］.中国冶金，2022，32（9）：85-89+96.

　　［2］何永辉，苗润涛，陈云，等.基于LED光源的热轧带钢表面质量在线检测系统的开发与应用［J］.宝钢技术，2011（3）：1-5.

　　［3］刘洋，徐冬，王晓晨，等.热连轧运行非对称测控系统研究与应用［J］.冶金自动化，2020，44（1）：48-54.

　　［4］闫书宗.基于机器视觉的复杂环境下精轧带钢跑偏检测研究［D］.北京：北京科技大学，2024.