基于多信息融合方法的连续铸坯表面缺陷在线检测 施强（Qiang Shi） 曹向宇（Xiangyu Cao） 关勤（Guan Qin） 李红军（Hongjie Li） 徐珂（Ke Xu） 周东东（Dongdong Zhou）

《Metals》：Online Detection of Surface Defects in Continuous Cast Billets Based on Multi-Information Fusion Method Qiang Shi, Xiangyu Cao, Guan Qin, Hongjie Li, Ke Xu and Dongdong Zhou

　　摘要 高温连续铸造坯料中的表面缺陷是影响钢材产品质量的关键因素。由于高温辐射、严重的粉尘污染、坯料规格的多样性以及氧化物鳞片和水渍等背景干扰，现有的高温连续铸造坯料在线表面缺陷检测技术仍存在局限性，包括高误报率、伪缺陷识别效率低下，以及无法同时检测三维（3D）深度信息和二维（2D）特征。为了解决这些问题，本文提出了一种基于多信息融合的高温连续铸造坯料表面缺陷多维度在线检测技术。开发了一种四通道多光谱图像传感器和相应的三光源成像系统。此外，设计了一种缺陷样本增强方法、一种基于深度学习的2D识别方法以及一种基于光度立体测量的3D重建方法，以减轻不同类型缺陷样本不平衡导致的检测精度低和鲁棒性差的问题。最后，在大截面连续铸造坯料、梁坯以及研磨过程中的坯料上进行了工业应用。根据不同连续铸造坯料的表面缺陷检测要求，分别采用了多光谱多信息融合和传统的2D缺陷成像方法。实验结果表明，该技术能够实现连续铸造坯料表面缺陷的高精度在线检测，并具有良好的实际应用效果。

1. 引言 钢材以其低成本、高强度、优异的延展性和卓越的加工性能而闻名[1]，其衍生产品广泛用于建筑、汽车、家用电器和交通基础设施等日常生活的各个领域。作为现代工业（包括建筑、基础设施工程、制造业、工具和设备生产、能源和运输以及日常商品制造）的基石，钢材的质量，特别是在生产和制造过程中的质量控制，直接关系到人们的居住体验和安全性，因此受到了广泛关注。据不完全统计，由于钢材表面质量问题造成的年度经济损失高达数百亿美元[2]。这就需要密切关注高温冶金生产过程中表面缺陷的起源和演变。连续铸造工艺[3]作为冶炼和轧制之间的中间环节，是所有后续半成品和成品轧制钢材的主要原料来源[4]。连续铸造阶段在线检测和反馈控制的水平直接决定了钢材产品的最终表面质量[5,6,7,8,9]。因此，许多学者对高温条件下连续铸造坯料的表面缺陷成像和识别方法进行了广泛研究。Ghorai等人研究了热轧扁平钢材的缺陷检测方法[10]，Saleh等人使用二维连续小波变换研究了混凝土结构中的次表面缺陷检测[11]。Fu提出了一种基于红外故障检测和二维（2D）成像的连续铸造坯料质量检测方法[12]，Qiu结合脉冲涡流技术和光谱分析及小波分解开发了一种连续铸造板坯的缺陷分类方法[13]。Obeso[14]、Alvarez[15]、Zhao[16]、Zhang[17]和Ma[18]也进行了基于传统2D深度学习的连续铸造板坯表面缺陷分类方法的研究。然而，由于恶劣的高温工作环境以及氧化物鳞片等复杂背景的干扰，上述研究未能有效提高高温连续铸造坯料表面缺陷的识别精度。随着深度学习技术的快速发展，一些研究人员通过模型轻量化、重点关注缺陷特征、局部采用多层卷积结构以及集成注意力机制等策略，提高了在钢材背景下表面缺陷的识别精度[19,20,21,22,23]。同时，高温连续铸造坯料表面缺陷的三维（3D）深度信息对于准确评估缺陷严重程度和为后续研磨过程提供精确指导至关重要。传统的2D缺陷检测方法无法满足高端钢材表面缺陷的3D深度检测需求。为此，一些研究人员探索了基于光度立体测量的3D重建方法[24,25,26]。然而，由于光度立体测量方法依赖于多个光源和成像系统的协同工作，其检测速度无法满足高温连续铸造坯料在线检测的实时要求[27]。鉴于上述挑战，本文提出了一种基于多信息融合的高温连续铸造坯料表面缺陷多维度在线检测技术。开发了一种四通道多光谱图像传感器和相应的三光源成像系统，并设计了缺陷样本增强方法、基于深度学习的2D缺陷识别方法以及基于光度立体测量的3D缺陷重建方法，以解决不同类型缺陷样本不平衡导致的检测精度低和鲁棒性差的问题。最后，在大截面连续铸造坯料、梁坯以及研磨过程中的坯料上进行了工业应用测试。根据不同检测对象的具体表面缺陷检测要求，分别采用了多光谱多信息融合和传统的2D缺陷成像方法。实验结果证实，该技术能够实现连续铸造坯料表面缺陷的高精度在线检测，并具有优异的实际应用效果。

2. 关键挑战 2.1. 检测要求 根据生产过程中遇到的表面检测要求和截面形态，产品可以分为四类：大截面坯料、来自单台铸造机的多股坯料、梁坯以及研磨过程中的连续铸造坯料。这些坯料的截面形状如图1所示。图1. 不同坯料的截面形状。大截面坯料由于合金成分和碳含量的变化而面临主要的检测挑战。随着温度的降低，表面会形成厚厚的氧化物鳞片，严重遮挡了底层缺陷，阻碍了有效识别。由单台铸造机生产的多股坯料具有复杂的形状和可变的尺寸，而且股之间的间距较窄，需要在有限的空间内进行全面四面检测，同时面临高温、灰尘和水蒸气等恶劣的环境条件。梁坯具有复杂的表面轮廓，特征是较薄的腹板和相对较厚的翼板。裂纹等典型表面缺陷经常发生在弯曲过渡区域附近。为了减少表面缺陷，通常采用高温火焰清洗工艺去除干扰性的氧化物鳞片。这一步骤对于要求极高表面质量的高附加值产品尤为重要。因此，经过研磨的坯料表面通常显示出明显的粗糙度和不均匀性，使得在高度反射的研磨表面上在线检测表面缺陷（特别是微小缺陷）变得极为重要。 2.2. 检测挑战 长期以来，连续铸造坯料的表面缺陷检测主要依赖于人工检查，可分为两类。首选方法是在线检测，工人直接观察切割后的红热坯料表面。由于温度过高，工人无法靠近坯料，导致检测范围非常有限，无法实现全覆盖。此外，一些微小缺陷（尤其是细小裂纹）容易被忽略。恶劣的工作环境和高强度劳动也使得保持稳定和连续的检测变得困难。传统方法是离线检测，需要将坯料从生产线上移除并冷却后再进行人工检查。尽管这种方法提高了可见性，但不支持热装料和直接轧制，也无法实现表面缺陷的实时识别或快速响应机制。这可能导致缺陷的持续发生和生产停滞，从而造成巨大的经济损失。高温连续铸造坯料在线表面检测的主要挑战如下：首先，连续铸造坯料具有多种规格和类型。此外，梁坯和经过研磨的连续铸造坯料通常表面不均匀且复杂。因此，在高动态条件和多样化的规格下实现高清成像是为实时在线缺陷检测带来的主要挑战之一。其次，由于高温坯料强烈的表面辐射，传统白光源和相机拍摄的图像中缺陷与背景之间的对比度往往较低。因此，提高成像质量成为影响检测精度的第二个主要挑战。第三，高温坯料的表面受到氧化物鳞片和水渍等复杂背景干扰的影响。特别是氧化物鳞片的边缘可能与裂纹边缘相似，使用传统图像特征难以区分。在氧化物鳞片和水渍的强烈干扰下准确识别缺陷构成了第三个关键挑战。第四，高温坯料的缺陷样本收集和验证较为困难。图像中观察到的缺陷无法与热坯料上的缺陷进行实时比较。一旦坯料冷却，缺陷特征可能会发生变化或被氧化物鳞片覆盖。因此，快速准确地获取缺陷样本是可靠表面缺陷检测的另一个关键挑战。鉴于连续铸造坯料检测的独特特性，必须全面考虑成像系统设计、算法开发和缺陷样本收集方法。 2.3. 解决策略 本研究关注高温连续铸造坯料检测中遇到的多个难题，包括高清成像困难、产品和规格复杂多变、表面氧化物鳞片的强烈干扰、四面检测要求、高成像背景噪声、缺陷样本量有限以及缺陷检测和分类精度低等问题。本文提出了三个方面来解决这些问题：高对比度成像设计、多信息融合检测和缺陷识别算法建模。(1) 开发适用于高温连续铸造坯料的短波照明技术。高温环境促进了坯料表面氧化物鳞片等污染物的形成，严重干扰了成像。通过开发基于450纳米蓝半导体激光源的新型照明系统，显著提高了成像的对比度和清晰度，有效抑制了高温和氧化物鳞片造成的干扰。(2) 开发适用于高温连续铸造坯料的多光谱大景深动态成像技术。高温连续铸造坯料表面经常出现微小尺寸的缺陷，如孔洞和裂纹，其准确检测对于高质量生产至关重要。然而，这些微小缺陷常被高温和氧化物鳞片等复杂干扰所掩盖，给表面成像带来了很大困难。为了解决这些问题，本文提出了一种集成成像策略，同时获取和同步2D灰度信息、3D深度数据和表面温度分布。使用具有多角度和大景深能力的高清变截面成像方法，从多个角度和深度范围对坯料表面进行成像，以获得全面的信息。(3) 开发适用于高温连续铸造坯料的多信息融合多维度缺陷检测模型。传统深度学习算法在坯料缺陷检测方面存在局限性，包括提取判别特征的困难和训练样本不足导致的性能不佳。为了解决这些问题，本文开发了一种基于多信息融合的高温连续铸造坯料多维度缺陷检测模型。该模型结合温度测量和2D图像缺陷检测算法，建立了实时伪缺陷识别方法，有效消除了来自氧化物鳞片、水渍等来源的背景干扰。还引入了一种基于神经风格迁移学习的数据增强技术，将原始图像转换成具有特定风格的新样本，以扩大数据集并减少数据不足引起的过拟合问题。此外，还开发了一种基于多光谱光度立体测量的坯料表面缺陷3D深度识别方法。该方法能够快速准确地识别各种表面缺陷，包括孔洞、夹杂物和裂纹。

3. 技术方法 3.1. 短波多光谱成像 实现表面缺陷高精度识别的最关键因素之一是捕获图像中缺陷、氧化物鳞片和正常表面背景之间的高对比度。换句话说，缺陷区域和无缺陷区域之间的视觉差异必须足够明显，才能为后续算法识别提供可靠的成像基础。通常，在检测站的高温连续铸造坯料表面温度范围大约在750°C至1200°C之间。如此高的温度会对高清成像造成严重干扰，而现场湿气和灰尘等复杂因素还会进一步加剧这一问题。因此，设计一种能够支持高清晰度成像的高性能照明系统已成为在线表面缺陷检测的关键技术之一，尤其适用于高温连续铸造坯料。第一代用于高温坯料成像的照明系统采用了白光源。该系统对于表面相对干净的坯料来说表现尚可，但对于受到强烈干扰（如水渍和氧化皮）的高温坯料，其对比度不足。第二代系统采用了绿光源，这种光源通常适用于表面平坦、曲率变化微小的坯料（例如大截面坯料）。然而，在检查具有凸凹表面特征的不规则坯料时，其性能会显著下降。我们的研究团队开发了一种基于半导体激光器的蓝光成像系统。与绿光源相比，该系统在非规则表面上提供了更清晰的成像效果，并对微小缺陷的检测更加敏感。图2展示了在短波成像方案下的成像性能比较。此外，通过将半导体激光器与光学探头物理分离，该设计减少了高温成像模块内的热量积聚，延长了检测系统的使用寿命。

3.2. 多光谱图像传感系统

基于前述对高温连续铸造坯料表面缺陷识别挑战的分析，在复杂干扰条件下（包括高温辐射、表面氧化皮和水渍）实现高对比度、高清晰度的缺陷成像仍然是一个关键的技术难题。特别是，氧化皮的边缘与纵向裂纹的边缘非常相似，仅依靠传统的图像特征很难区分。此外，氧化皮广泛分布在坯料表面，经常导致误报率较高，严重影响检测准确性。先前的研究表明，氧化皮的表面温度大约比正常表面和真实缺陷低100°C至150°C[28]。因此，如果在成像过程中能够同时获取表面温度分布，就可以根据温度差异的有效区分氧化皮和真实缺陷。另一方面，对于需要高精度表面缺陷检测以及深度信息以指导后续磨削和处理的坯料来说，获取表面缺陷的3D深度信息对于实现三维在线检测至关重要。综上所述，高温坯料表面成像必须同时捕捉2D信息、3D深度信息和表面温度分布。因此，本研究设计了一种由多光谱图像传感器、三色光源和成像控制单元组成的多光谱融合成像系统。多光谱图像传感器集成了四个功能模块：三个可见光通道和一个远红外通道，如图3所示。这三个可见光成像模块配备了对应R、G和B波长的窄带滤波器，以实现波段分辨成像。这些模块主要负责目标的高清晰度图像采集，确保包括视野、焦距和相对孔径在内的关键性能指标，同时满足图像质量的变形和斑点尺寸要求。远红外热成像模块用于测量连续铸造坯料的表面温度，测量范围覆盖超过1200°C的温度，从而可以识别精细的温度分布。

4. 多信息缺陷识别模型

4.1. 基于对抗学习的表面缺陷样本增强方法

随着深度学习方法的最新进展，越来越多的基于深度学习的图像增强技术被应用于工业检测中。然而，深度学习算法需要大量的真实样本来获得满意的模型识别能力和泛化性能。由于高温条件下连续铸造坯料上的表面缺陷（如裂纹）数量有限，现有数据不足以满足模型的训练需求。通常采用样本增强方法来增加特定类型缺陷的样本数量，使用生成对抗网络直接合成领域特定的图像或进行跨不同领域的神经风格迁移，以及基于元学习的数据增强。在这些方法中，基于神经风格迁移的数据增强在包括医学和材料科学在内的各种图像处理领域显示出有效性。研究表明，在材料图像分割任务中，风格迁移网络可以基于材料仿真图像生成与真实训练样本相似的合成图像。通过使用这类合成图像，只需35%的原始训练数据即可达到使用100%原始训练数据时的性能。因此，我们的团队采用了一种基于对抗学习的神经风格迁移算法，充分利用相似数据类型之间的共享特征，从而将有限的表面缺陷样本数量增加到足够的水平。这种方法有效地扩展了连续铸造坯料缺陷的数据集。

在本研究中，使用DCGAN（深度卷积生成对抗网络）作为生成器和判别器的基本架构。DCGAN是一种基于卷积神经网络的生成对抗网络变体，作为标准生成对抗网络的改进版本，主要用于图像生成。与传统生成对抗网络相比，DCGAN优化了网络结构，能够生成更真实的图像。与传统的生成对抗网络类似，DCGAN也由两个组件组成：生成器和判别器，两者都基于卷积神经网络。生成器使用反卷积层进行上采样，将低分辨率输入转换为高分辨率输出图像；而判别器使用卷积层进行特征提取，并输出一个标量值来表示输入图像的真实性。生成器损失和判别器损失都采用了交叉熵损失。生成器损失衡量生成图像与真实图像之间的差异，而判别器损失评估其区分生成图像和真实图像的能力。

4.2. 基于深度学习的2D缺陷识别模型

目前，随着各种表面缺陷样本数量的增加，以YOLO系列为代表的深度学习模型在缺陷识别方面取得了令人满意的识别和分类性能。因此，本研究针对高温连续铸造坯料的表面缺陷识别进行了适应性研究，重点关注两个方面：对YOLO系列的算法级改进和实际应用中的部署后优化。一方面，在基于YOLO的识别算法中集成了一种注意力机制。卷积块注意力模块或坐标注意力被嵌入到主干网络或颈部网络中，使模型能够关注高温坯料表面具有纹理变化的区域，同时抑制来自均匀高温背景的干扰。对于连续铸造坯料，缺陷通常表现为局部纹理异常，注意力机制有助于捕捉这些细节。为了处理小缺陷（如辊印）和长而窄的纵向裂纹之间的大尺度差异，增强了多尺度特征的表达能力。通过增加浅层特征的利用并引入自适应空间特征融合，改进了特征金字塔结构，以动态学习不同尺度特征的权重。对于细长的裂纹缺陷，采用了变形卷积网络来适应裂纹的形状，从而提高对不规则缺陷的敏感性。考虑到连续铸造坯料上裂纹和划痕等缺陷的方向特性，在边界框回归损失中加入了角度惩罚项，或者使用旋转边界框检测来增强对缺陷的形状感知损失。对于难以识别的缺陷（如裂纹），设计了轻量级的预处理网络，基于多信息融合的温度感知结果对输入图像进行温度场归一化或热辐射校正，减少温度变化对表面纹理表示的影响。同时，对于在高温干扰下难以区分的假缺陷和真实缺陷，采用了焦点损失或GHM损失来减少均匀高温区域中简单负样本的权重，使模型能够专注于难处理的样本。为了满足实时检测要求，应用了模型剪枝和量化等轻量级技术，以平衡模型紧凑性和2D缺陷识别模型的实时性能。另一方面，在部署在线模型后，利用帧间信息处理连续移动的高温坯料。引入了帧间稳定性约束，以提高相邻帧间缺陷的位置连续性，有效减少误报。在模型部署后，建立了在线自适应学习机制。当操作员确认或纠正检测结果时，新样本会自动添加到缓冲池中。定期进行增量学习或在线微调，以适应生产线上的变化。

4.3. 基于光度立体视觉的3D缺陷识别模型

光度立体视觉是经典3D重建方法“从阴影中获取形状”（Shape-From-Shading）的一个分支。它通过改变光源的位置或光谱来捕捉具有不同光度信息的图像，同时保持相机和物体的相对位置不变。然后根据成像光度模型恢复物体的表面法线。由于光度立体视觉在像素级别进行计算，因此特别适用于高频信号，并且在保持细节方面表现出色。传统上，基于光度立体视觉的3D重建理论上需要至少三个非共线光源来准确确定表面法线并重建3D表面。然而，增加光源的数量也会使系统结构变得复杂。因此，本研究开发了一种仅使用两个光源的光度立体视觉3D测量方法，如图5所示。图5展示了双光源光度立体视觉3D检测成像的示意图。LED1和LED2是两个交替点亮的LED线光源，相机是一个垂直于测量平面的线扫描相机。LED1和LED2对称地布置在相机光学平面的两侧，高度相同。它们的入射光在测量平面上收敛，并与相机光学平面保持共线。相机采集图像的过程与LED1和LED2的点亮完全同步。当LED1和LED2交替点亮时，相机进行交替的线扫描成像。当高温连续铸造坯料通过测量区域时，系统首先向LED1和相机发出触发信号。LED1点亮时，相机曝光，捕捉在LED1照明下的物体图像；然后系统触发LED2和相机，LED2点亮时，相机曝光，捕捉在LED2照明下的图像。一旦相机捕获了预设数量的线条，就可以分别提取奇数行和偶数行的图像。奇数场对应于LED1照明下的物体图像，偶数场对应于LED2照明下的图像。由于线扫描相机的高采集频率，触发奇数线和偶数线之间的时间间隔极短，因此可以忽略它们之间的偏移。因此，奇数场和偶数场可以被认为是对应于被测物体上的相同位置，满足了光度立体3D重建的要求。双光源光度立体方法的3D重建和检测工作流程如下：首先，对双光源硬件设置进行系统校准。使用标准漫反射白板来准确测量或校准两个光源相对于相机的方向向量。然后进行图像采集，确保在两次曝光过程中物体和相机基本保持静止。接下来进行图像预处理，包括去噪和非均匀照明校正（平场校正），然后选择平坦的参考背景区域。接下来，进行伪法向量场计算、参考区域归一化、梯度场计算和表面积分。最后，获得表面纹理的高度图，以便直观地可视化缺陷深度。总之，使用双光源光度立体方法对高温连续铸造坯料表面进行3D重建，即使只有两个光源，也可以通过光度立体技术得出y方向梯度值。这对于获取高温连续铸造坯料表面的深度信息提供了关键支持。

5. 在线表面缺陷检测设备及其应用案例
上述描述的用于高温连续铸造坯料的在线表面缺陷检测系统集成了基于二维视觉特征、三维深度信息和表面温度数据的多信息融合技术。这项技术为高价值连续铸造坯料的质量检测提供了关键指导。然而，它仍然面临诸如实施成本相对较高以及不同检测场景下应用要求各异等挑战。本节详细阐述了高温连续铸造坯料在线表面缺陷检测技术在三种典型应用场景下的特点和性能：大截面坯料、梁坯料以及研磨过程中的连续铸造坯料。在这些配置中，大截面坯料采用了多信息融合方案，而梁坯料和研磨过程中的坯料仅进行顶部表面检测，这足以满足各自的质量要求。

5.1 大截面坯料
大截面连续铸造坯料的表面缺陷检测系统主要由以下组件组成：多光谱图像传感器、照明源、集成保护外壳、采集控制器、环境控制系统、服务器、网络交换机和用户终端。高温坯料顶部、底部、左侧和右侧表面的检测单元包括照明源和多光谱图像传感器。每个多光谱传感器都配备了三个光源（R、G和B），呈三角形排列在传感器周围。成像系统捕获移动坯料的表面图像信息，并将数据传输到并行计算机处理系统进行分析。该系统包括多台客户端计算机，每台计算机连接一个单独的相机以接收和处理相应的图像数据。这种配置确保每个多光谱相机的图像都由专用的计算机处理，从而实现了多主机之间的并行计算，显著提高了整体数据处理能力。当在坯料表面检测到异常时，系统将图像存储在缓冲区中以供进一步分析。利用图像处理和模式识别技术，系统自动识别顶部、底部、左侧和右侧表面的缺陷。根据内置的分类方案将缺陷分类，并根据缺陷的严重程度触发不同的报警策略。所有图像处理和模式识别任务都在客户端计算机上执行。图6展示了大截面高温连续铸造坯料的表面缺陷检测系统示意图。经过并行计算系统的处理和分析后，缺陷结果被传输到服务器。由于大缺陷可能跨不同相机捕获的图像延伸，服务器将这些部分结果合并以生成整个坯料的完整缺陷分布图，从而支持全面的质量评估。同时，服务器将坯料缺陷分布信息存档在数据库中以便存储和追溯。服务器连接到多个控制台终端，用于显示和记录缺陷图像和数据。表面检测系统与坯料生产线自动化系统和过程控制计算机接口，以获取关键生产数据，包括坯料ID、生产状态、钢级、铸造速度、宽度和长度。通过将这些信息与表面检测结果结合，可以为每个坯料建立完整的品质记录。图7显示了由多光谱成像系统获取的高温连续铸造坯料的四通道表面图像。图8展示了使用双光源光度立体方法估计坯料表面深度分布的情况。温度测量用于分析表面温度差异，以帮助识别氧化皮的覆盖区域。最后，温度信息、深度数据和基于2D深度学习的缺陷识别结果被融合，以区分伪缺陷和真实缺陷。图8展示了大截面坯料表面的3D重建结果和缺陷识别性能。图8b中颜色的含义在每张图的右侧标注：颜色越红，表示深度越大；颜色越蓝，表示深度越小。典型表面缺陷（包括裂纹、坑洞和划痕）的检测率分别达到95.5%、97%和96.4%，相应的分类准确率分别为91%、95.5%和90.8%。

5.2 梁坯料
梁坯料的横截面相对复杂，具有明显的曲率过渡区，这些过渡区经常出现裂纹。因此，梁坯料的在线表面缺陷检测系统采用传统的顶部表面检测架构。该系统包括一个蓝色激光线光源和两个线扫描CCD相机用于图像采集，其中左侧相机覆盖坯料的右侧，右侧相机覆盖坯料的左侧。线扫描CCD相机安装在被检测的梁坯料上方。光源的光线以固定角度投射到坯料表面，反射光由相机收集。相机横向扫描表面，将反射光强度转换为灰度信号。随着梁坯料的连续移动，实现纵向扫描，并重建出完整的二维图像。如果梁坯料表面存在缺陷，它可能会吸收或散射入射光，导致相机接收到的光强度发生变化。线扫描相机广泛用于检测连续且均匀移动的产品，因为它们提供均匀的成像和良好的时间连续性。然而，由于线扫描相机一次只捕获一行像素，因此对照明均匀性和稳定性有较高的要求。考虑到高温梁坯料的特性和成像难度，使用波长为450纳米的高亮度激光线源进行照明。与绿色激光（通常为532-556纳米）相比，较短波长的蓝光更有利于检测微小缺陷。此外，在每个相机前安装有波长为450纳米的窄带滤光片。该滤光片仅允许来自坯料表面的反射激光光通过，有效抑制背景辐射并提高图像对比度。相机通过循环水冷却，并配备精密螺旋调节机构，确保稳定的工作温度和精确的光学对准。图9展示了检测系统的布局，其视野覆盖了现场生产的梁坯料的最大宽度。图10展示了梁坯料不同类型表面缺陷的识别结果。最小可检测缺陷尺寸为0.2毫米。常见表面缺陷的检测率超过97.01%，分类准确率达到91.79%以上。

5.3 研磨过程中的连续铸造坯料
对于具有严格表面质量要求的高价值钢材产品（如汽车外板和精密模具钢），连续铸造坯料的表面质量至关重要。坯料上未解决的表面缺陷可能在后续的热轧过程中被拉长并嵌入材料中，残留在最终产品表面，导致降级甚至被拒绝。因此，在连续铸造后和热轧前，通常会对坯料表面进行处理以机械去除表面缺陷。研磨过程后的光滑清洁坯料表面可以为后续的热轧提供高质量原料。高质量的研磨甚至可以减少或消除热轧过程中经常在头部和尾部形成的表面缺陷，显著提高产品产量。然而，在坯料研磨过程中，需要提前检测缺陷位置，以准确引导研磨机并最小化金属损失，同时确保完全去除缺陷。因此，本研究开发的连续铸造坯料表面缺陷检测系统用于研磨前的在线缺陷识别。将包括缺陷位置、大小和类型的信息传输到研磨控制系统，以支持精确的研磨操作。图11展示了研磨前坯料表面的缺陷识别结果。可以看出，典型的表面缺陷（如纵向裂纹、横向裂纹和划痕）能够被可靠地识别。

6. 结论
本文提出了一种基于多信息融合的多维在线检测技术，用于检测高温连续铸造坯料的表面缺陷。开发了四通道多光谱图像传感器和相应的双光源光度立体方法。为了解决由于不同缺陷类型的数据集不平衡导致的低检测准确性和较差的鲁棒性，提出了缺陷样本增强方法、基于深度学习的二维识别方法和基于光度立体 的三维重建方法，并经过了验证。最后，在大截面连续铸造坯料、梁坯料以及研磨过程中的坯料上实现了工业应用。根据不同应用场景的表面缺陷检测要求，分别采用了多光谱多信息融合和传统的二维缺陷成像方法。实验结果表明，包括裂纹、坑洞和划痕在内的典型表面缺陷的检测率均超过95%，相应的分类准确率超过90%。成功实现了连续铸造坯料表面缺陷的高精度在线检测，所提出的系统在工业应用中表现出良好的可靠性。本文的研究有助于提高高温连续铸造板坯表面缺陷的识别率。为了应对氧化皮等复杂背景的干扰，设计了一种多信息融合成像方法和检测方法，以实现高温连续铸造板坯表面缺陷的高精度识别。这为提高连续铸造板坯的表面质量奠定了坚实的基础，从而增强了钢材产品的稳定性和一致性。