基于数字化图像处理技术的连铸坯低倍质量自动评级系统研发

连铸生产过程中不可避免的连铸坯偏析、缩孔和裂纹等缺陷,很大程度上影响着连铸坯质量,严重制约着连铸的高效化生产,已成为钢铁生产领域亟待解决的难题。基于此,本研究采用深度学习构建了连铸坯低倍组织缺陷检测模型,实现了对连铸坯低倍组织及缺陷的精准识别与分割;基于图像处理技术,对国内外评级标准图进行数字化表征,构建了连铸坯低倍质量数字化评级体系,明确了标准图像中偏析、疏松、缩孔和裂纹缺陷的位置、尺寸、形状等定量化特征,并开发了基于Unet深度学习的连铸坯低倍缺陷检测模型,实现了连铸坯低倍质量评级的标准化、数字化和科学化;然后,基于Python语言,开发了连铸坯低倍质量自动评级系统。以连铸坯低倍组织与中心偏析评级为例,结果表明,针对低倍组织的分割,模型交并比达 93%,对中心偏析的评级,成功率达 91.2%。