《Progress in Natural Science: Materials International》：Research progress in continuous casting slab recognition and detection based on image recognition: A review
编辑推荐：
连续铸坯（CCS）智能识别与测量技术综述，探讨机器视觉与深度学习在铸坯缺陷检测、尺寸测量及环境干扰抑制中的应用，提出多模态信息融合、边缘计算及轻量化网络等关键技术方向，为钢铁智能制造提供理论支撑与实践指导。
丁毅|丁家坤|张鹏峰|王新坤|程普红|张立强|王英雪
安徽工业大学冶金工程学院，中国安徽省马鞍山，243032
摘要
准确识别连铸板（CCS）对于智能钢铁生产至关重要。本文综述了基于图像识别的CCS识别研究，重点探讨了机器视觉、深度学习和结构光3D测量在尺寸检测、缺陷识别和跟踪方面的应用。文章分析了高温辐射和蒸汽等工业干扰因素，并总结了相应的抗干扰方法，如多光谱成像和注意力机制。同时，也讨论了小目标检测、实时测量和多规格适应等当前面临的挑战。研究表明，多模态信息融合、边缘计算和轻量级网络是提高识别准确性和适应性的关键方向。未来的研究应将这些算法与生产过程相结合，从“被动检测”转向“主动预警”，为钢铁行业的智能制造提供技术支持。
引言
CCS是指通过连铸工艺凝固形成的半成品钢坯，它是钢铁生产中连接炼钢和轧钢的核心中间产品，其尺寸精度和表面质量直接决定了后续轧制过程的产品合格率和生产效率。在线识别和准确测量CCS是实现钢铁生产流程智能化和自动化的重要环节（见表1、表2、表3、表4、图3、图4、图5、图6、图7、图8、图9、图10、图11、图12、图13、图14、图15、图16）。
在实际生产中，对CCS边缘轮廓、长度、角度和表面缺陷的测量可以及时反馈连铸过程中的偏差，指导火焰清理（削边）和切割等后续工艺的参数调整。精确的CCS边缘测量可以将火焰倒角的精度提高到±2毫米以内，并将长度测量误差控制在5毫米以下，从而减少因尺寸偏差造成的钢材浪费。每吨合格的CCS可以减少约3%的后续加工损失，显著提高钢铁生产的资源利用效率和经济效益。[15]《关于钢铁行业高质量发展的指导意见》明确提出，到2035年，钢铁行业需要全面实现智能制造，关键工序的数控率需达到95%以上。作为智能制造的基础环节，CCS的智能识别和测量已成为推动钢铁行业绿色高效转型的重要工具。
基于机器视觉的智能技术在CCS识别和测量方面具有无可比拟的优势。与传统接触式测量方法（如手动手持激光测距仪）和离线抽检方法相比，机器视觉技术利用工业相机和深度学习算法（如YOLO、DeepLab、多线结构光提取算法）实现非接触式、实时和全流程的CCS识别和测量。这克服了传统方法存在的效率低、易受高温环境干扰和测量数据不连续等问题。该技术的实时能力体现在能够动态检测速度高达2米/秒的CCS，帧率稳定在30帧/秒以上，满足生产线的实时监控需求。在精度方面，通过多线结构光中心条纹提取和CIoU损失函数优化等技术，即使在高温粉尘和表面钢渣散落的复杂环境中，也能实现CCS边缘的亚像素级定位，将3D测量的标准偏差控制在2毫米以内。
此外，机器视觉技术具有良好的兼容性和可扩展性。通过多相机协同校准和增量学习，它可以适应不同规格CCS（如钢坯和板坯）的测量需求，并集成表面缺陷检测和尺寸偏差预警等功能，形成一个完整的CCS质量控制体系。例如，孙传福等人提出的多线结构光中心条纹快速提取方法有效解决了CCS表面反射特性不均匀导致的提取精度低的问题，为CCS 3D测量提供了高效的技术解决方案。[16]胡家成等人基于卷积神经网络（CNN）检测算法，将CCS裂纹缺陷的检测精度提高到93%，远优于传统的支持向量机方法。[17]中国金属学会的研究团队针对高温环境中的干扰问题，开发了多光谱动态成像技术，通过使用蓝光主动照明和多信息融合，有效消除了氧化铁皮和水渍等伪缺陷的干扰，提高了微小缺陷的检测率。
这些研究表明，机器视觉和图像识别技术在CCS识别和测量中的应用不仅突破了传统测量技术环境和效率的瓶颈，还为钢铁生产的智能化升级提供了核心技术支持。在当前钢铁行业转型的背景下，这项技术已成为连铸过程质量控制的行业标准。未来，随着多模态融合和边缘计算技术的结合，将进一步实现CCS测量与生产过程的深度结合，推动钢铁行业向全流程智能控制的目标迈进。
本文旨在探讨机器视觉技术在CCS识别和测量方面的研究进展，重点关注基于深度学习和图像识别的方法应用，特别是卷积神经网络、高效数据采集技术和注意力机制的作用。这项研究旨在为智能钢铁生产领域的研究人员提供全面的技术视角，帮助理解机器视觉技术在CCS识别和测量中的应用逻辑，推动CCS检测技术向更高精度、更智能和更适应工业现场的方向发展。
部分摘录
传统的双目视觉特征检测方法
在现代钢铁冶金行业中，CCS在火焰切割过程中，熔融钢会在切割表面形成不规则且坚硬的毛刺，这些毛刺会严重影响钢材的表面质量和运输辊道。为了解决这个问题，徐思翔等人[19]设计了一种用于去除这些毛刺的等离子设备，但该设备本身缺乏自动定位毛刺区域的能力，因此需要借助定位系统的辅助。
CCS长度测量原理
由于相机在生产现场固定安装，其采集范围形成固定的视野，捕获的板坯图像在长度维度上呈现线性分布特征——无论板坯在相同流道内的位置如何，板坯与相机之间的距离保持不变。这一特性使得图像中的每个像素与板坯的实际空间位置一一对应。
深度学习模型优化方法和技术
尽管传统的双目视觉检测算法在精度和效率上有了显著提升，但仍存在一些问题，如依赖手工制作的特征、对复杂场景的适应性较差、由于计算复杂度高而实时性能不足、参数调整繁琐以及泛化能力较弱。基于深度学习的模型训练（例如结合迁移学习、注意力机制等）可以自动学习深度特征。
总结与展望
- 1)
本文综述了基于图像识别的CCS识别和测量研究进展，特别是机器视觉技术和深度学习方法的应用。我们首先回顾了传统的双目视觉特征检测技术，如SIFT、SURF和ORB算法在板坯定位、边缘提取和尺寸测量中的应用，并分析了这些方法在处理高温等工业环境干扰时的局限性。
CRediT作者贡献声明
丁毅：撰写——初稿撰写、可视化处理、数据整理。丁家坤：数据整理、正式分析。张鹏峰：数据整理、验证。王新坤：方法论设计、研究工作。程普红：资源协调、研究工作、验证。张立强：撰写——审稿与编辑、验证、项目监督、方法论设计。王英雪：数据整理、正式分析、可视化处理。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
