导读
在彩涂钢板的卷对卷生产过程中应用友思特Neuro-T深度学习视觉系统，检测诸如凹痕和划痕等关键表面缺陷。这一举措克服了传统基于规则的系统的局限性，显著提高了检测效率和准确性。
1. 现场情况
彩涂钢板是在基础钢板（如冷轧钢或镀锌钢）上涂覆彩色涂层制成的产品。它们主要用于对表面质量要求极高的领域，如建筑内外装饰材料和电器外壳。表面质量，包括颜色、光泽和纹理，是决定最终产品外观效果的关键因素。客户尤其要求板材满足特定的粗糙度标准和视觉均匀度。因此，对整个表面状况进行精确检测至关重要。
彩涂钢板是通过对长达数百米的钢带进行连续涂覆和固化生产出来的。经过这些工序后，钢板会被重新卷成钢卷。这种生产方式被称为卷对卷工艺，而完成涂覆和固化并将产品卷绕起来的最后阶段则被称为卷取工艺。由于这一阶段是产品发货前的最后环节，且产品表面完全暴露在外，因此确保质量检测的准确性和可靠性至关重要。
A公司共有八条彩涂钢板生产线（彩涂线），均采用卷对卷生产线配置，可实现连续生产。
鉴于彩涂钢板的表面积大且长度长（可达数百米），A公司安装了监控摄像头，其位置设置为能够捕捉钢板的整个表面。这些摄像头安装在生产车间的天花板高处。录制的视频会传输到检测室，操作人员根据视频进行目视检测。
2. 存在的问题
基于规则的系统的局限性及对人工检测的依赖
基于规则的检测系统广泛应用于一般钢板检测。然而，对于彩涂钢板而言，其表面图案和颜色丰富多样且复杂，导致出现的缺陷不规则，难以用固定规则进行检测。
因此，A公司依靠人工目视检测，操作人员在检测室查看闭路电视视频以识别任何缺陷。
然而，这种方法既耗时又费力，而且漏检和误检情况频繁发生。此外，诸如凹痕、划痕和黑点等关键缺陷通常非常小，从监控摄像头图像中几乎只能检测到较大的缺陷。
3. 解决方案
为克服传统基于规则和人工检测方法的局限性，A公司选择友思特Neuro-T深度学习平台，实施了基于深度学习的视觉检测系统，旨在建立一个更精确、自动化的检测体系。
检测点选择：卷取前阶段
检测在涂覆和固化步骤完成后、卷取工艺即将开始前进行。在这个阶段，彩涂钢板的表面质量已最终确定，是进行高精度检测的最佳时机。
硬件设置：安装两台线扫相机
为覆盖彩涂钢板的整个宽度，在生产线宽度方向上安装了两台线扫描相机。钢板被划分为三个区域 — 左侧、中间和右侧，使系统能够准确追踪所检测到的任何缺陷的横向位置。
软件设置：两阶段深度学习模型
- 结合异常检测的图像预处理：
一卷彩涂钢板可能长达数百米，会产生大量的图像数据。为有效处理这些数据，采用了一个异常检测模型作为预处理过滤器，仅筛选出包含潜在缺陷的片段，大大减少了需要人工检查的图像数量。
- 使用分类模型进行缺陷检测：
对于异常检测模型标记出的图像，人工操作员会核实是否真的存在缺陷，并按类型（如凹痕、划痕、黑点等）对其进行标注。利用这个标注好的数据集，再对检测模型进行训练，使其能够自动识别特定的缺陷类型。
这个工作流程 ：先用异常检测模型进行初步筛选 → 人工核实并标注实际缺陷 → 训练分类模型 — 实现了高效的数据标注，并开发出了高精度的检测模型。
4. 成果与效益
在实施基于友思特Neuro-T深度学习平台的视觉检测系统后，A公司在检测精度和效率方面都取得了显著提升。
漏检率（如在人工目视检测中经常被漏检的小凹痕或黑点）降低了一半以上。异常检测模型能够自动从整个数据集中过滤掉超过90%的正常图像，使操作员只需关注一小部分有缺陷的图像。这不仅提高了检测速度，还提升了操作员的专注度。
因此，仅需极少的人力就能实现全天候的全面检测，同时系统还能自动记录每个缺陷的位置和类型。这加强了质量记录管理，并便于进行生产后的分析。总体而言，与之前基于闭路电视的人工检测相比，A公司的检测效率提高了约三倍，检测准确率达到了98%以上。
5. 项目主要图片
使用深度学习模型对彩涂钢板进行缺陷测的图像
Neuro-T：零代码自动深度学习训练平台
友思特 Neuro-T是一个用于深度学习视觉检测项目的一体化平台，可用于 项目规划→图像预处理→图像标注→模型训练→模型评估 一系列任务。Neuro-T提供了便捷的工具和友好的图形化界面，只需四个步骤即可创建一个深度学习模型。
审核编辑 黄宇
