Здравствуй, коллега. Я начальник цеха с 23-летним стажем, и я «выел» свой металл насквозь. Мне надоело читать маркетинговые брошюры про «цифровую трансформацию» и «индустрию 4.0». Все это пыль. Сегодня я расскажу, как мы реально впендюрили систему машинного зрения на линию дефектоскопии слябов, не сбавляя скорости рольганга (наши слябы идут на скорости 1.8 м/с, это не шутки). Готовься к грязи, геморрою и конкретным решениям.
Первое, что ты должен усвоить: камеры бессильны, если у тебя грязно. Мы потратили три месяца, «обучая» нейросеть, а она выдавала 40% брака из-за брызг окалины и остатков воды. Миф о «вездесущем зрении» разбился о реальность цеха. Пришлось ставить систему обдува с соплами Лаваля (давление 6 атмосфер) и мощные светодиодные прожекторы с частотой стробирования. Наш лайфхак: забыли про стробоскопы с завода — купили обычные китайские матрицы на 850 нм, синхронизировали с тахогенератором рольганга. Работают как часы, если их не заливает эмульсией.
Второй миф: «искусственный интеллект найдет все трещины». Ага, конечно. Наши слябы — это не идеальная отполированная пластина. Это шершавая корка с глубиной дефектов от 0.1 мм до 3 мм. Первая нейросеть (ResNet на базе какого-то открытого датасета) срабатывала на каждую царапину от скребка — ложных срабатываний было 70%. Мы переписали алгоритм на YOLOv8, но с обязательной калибровкой под наш конкретный профиль: температура поверхности (800-950°C) и фактура «чешуи». Результат: количество ложных срабатываний упало до 12%, но только после того, как я лично прошел с мелом по стану и разметил 5000 реальных дефектов. Без этой ручной работы — никакой AI не взлетит.
Лайфхак №1: Освещение — это 80% успеха. Забудь про струны и лазеры. Используй массивные когерентные источники с микро-эффектом Шлирена. Мы вырезали рассеиватели из молочного оргстекла — это дало равномерный свет без бликов на каплях воды. И главное: ставь камеры под углом 15 градусов к нормали. Прямое освещение убивает контраст трещин.
Проблема номера три: скорость. Ты не можешь остановить рольганг. Каждый сляб весит 20 тонн. Наш контроллер Siemens S7-1500 выдает импульсы с кодировщика каждые 5 миллисекунд. Камера должна сфоткать, обработать и выдать вердикт за 0.1 секунды. Мы подняли частоту кадров до 200 fps, но это породило лавину данных: 200 мегабайт в секунду. Пришлось ставить локальный сервер прямо в цеховой шкафу (IP65, с охлаждением от станции масла). Там же — GPU NVIDIA Tesla T4, которая считает на лету. Иначе все данные просто не успевают долететь до «облака».
А теперь о коде, который ты не найдешь в учебниках. Мы заменили стандартный метод сегментации — threshold-based — на адаптивный порог с учетом шума. Обычная гистограмма не работала из-за градиента температуры: край сляба горячее центра. Решение: берем дифференциальный снимок между текущим кадром и предыдущим. Трещины «прирастают» на 2-3 пикселя за кадр из-за движения — это дает чистый сигнал. Но здесь есть подвох: если сляб вибрирует на рольганге (а он вибрирует, поверь мне), то картинка плывет. Пришлось впендюрить референсную точку — лазерный крестик на границе матрицы. Железное решение.
Лайфхак №2: Вибрация рольганга убивает точность. Не покупай дорогие системы стабилизации. Просто привари к корпусу камеры стальную пластину 10 мм и закрепи через виброопоры от компрессора (резина 50А). И обязательно сделай отдельный фундамент под кронштейн — не крепи к раме рольганга. Иначе получишь «гребенку» на снимках с амплитудой 0.3 мм. Это мы выяснили, когда слябы с царапинами отправлялись в брак.
Четвертое: классификация дефектов. У нас на стане 5 типов дефектов: поперечные трещины, продольные риски, расслоения, рваная кромка и точка «неметаллические включения». Первая версия софта объединяла риски с трещинами — это приводило к тому, что нормальный сляб с поверхностной усадочной сеткой резали на заготовки, а они потом ломались. Решение: мы ввели «буферный слой» между камерой и резаком. Система не режет сляб сразу, а ставит метку «требует ручного контроля». Оператор на пульте три секунды смотрит на экран (скорость 1.8 м/с — один снимок за 0.4 метра) и принимает решение. За год мы научили нейросеть отличать усадочную сетку от трещины. Тренировали на 15000 образцах, из которых половину выбраковал я лично с магнитной дефектоскопией.
Главная боль: интеграция с системой управления станом. Ты не можешь просто так повесить камеру и сказать «работай». Наш главный программист с PLS-контроллерами, старый «котел», плевался, когда я потребовал вывод информации на экран оператора. Пришлось писать OPC-server, который стыкуется через Profinet. И еще: система должна уметь отличать «сляб кончился» от «сляб треснул». Иначе резак будет рубить пустой рольганг. Делайте отдельную контрольную зону: два лазерных датчика засекают передний и задний торец, а камера работает только между ними. Элементарно, но о таких вещах интеграторы молчат.
Лайфхак №3: Алгоритм подсветки. Наши слябы двигаются как поезд: тень от кромки наезжает на дефект. Ставь две камеры с разным углом. Одна «смотрит» против движения, вторая по ходу. Тогда трещина будет видна с обеих сторон, а тень — только с одной. Мы обрабатываем оба кадра и берем «ИЛИ» по сигналу. Это подняло вероятность обнаружения поперечных трещин с 65% до 92% за месяц. А еще: используй поляризационный фильтр. Он гасит блики от мелкой ряби на поверхности сляба. Купил за 2000 рублей — сэкономил миллион на переделках.
Миф о «безлюдной технологии». Забудь. У нас сейчас один оператор на линии, который смотрит на три монитора. Он не просто сидит — он знает, что если система показала «дефект 0.2 мм» на 12-м кадре, то это может быть блик от светящейся кнопки на пульте. Или капля от системы охлаждения. Мы встроили фильтр «медленного движения»: если дефект не меняет форму на протяжении 10 кадров, это реальный дефект. Если прыгает — пыль или блик. Просто? Да. Но чтобы это понять, мы сожгли три сервера и недели две не спали.
Последнее: денег. Оборудование обошлось в 12 миллионов рублей (камеры Basler, оптика, охлаждение и ПК). Это дешево для стана, но… окупаемость — 8 месяцев. За счет снижения брака на 2.5% от объема (мы выявили 30 тонн скрытых трещин, которые раньше уходили на прокат и там расслаивались). Но главное — я перестал спорить с технологами. Теперь у нас есть «железный» аргумент: цифровой след. На каждом слябе висит метка: «проверен, трещин нет». Или: «брак, порезан на мелкие заготовки». Прозрачность, за которую я дрался 10 лет. Но не думай, что это сказка. Придется мараться: паять, пилить, лудить и ходить по маслу и воде. Но если ты настоящий начальник цеха, а не офисная крыса — это твой инструмент. Включай голову, а не только нейросети.
Основные термины и элементы, связанные с этой темой:
- Автоматизированный контроль качества металла
- Обнаружение поверхностных дефектов проката
- Анализ изображений слябов в режиме реального времени
- Нейросетевая сегментация трещин и плен
- Интеграция машинного зрения в линию МНЛЗ
- Калибровка оптической системы для горячего металла
- Устранение бликов и масштабирование дефектов
- Снижение ручного контроля и ошибок оператора
- Скоростная дефектоскопия на конвейере
- Точность классификации дефектов (продольные/поперечные)
- Программное обеспечение для визуальной инспекции
- Внедрение промышленного зрения в металлургии
Как решить проблему бликов и отражений от раскаленного металла при съемке движущегося сляба?
Для подавления бликов на раскаленной поверхности слябов мы использовали комбинацию поляризационных фильтров и камер с высокой динамической диапазоном (HDR). Фильтры устанавливаются под углом Брюстера, что позволяет эффективно отсекать поляризованные засветки. Параллельно мы настроили систему стробоскопической подсветки с длиной волны в синем спектре (450-470 нм), которая меньше подвержена влиянию инфракрасного излучения самого металла. Это позволило получать стабильные изображения даже на слябах с температурой до 900°C.
Какая скорость обработки изображений требуется для дефектоскопии «на ходу» и как её достичь?
При скорости конвейера до 2,5 м/с и минимальном размере дефекта в 2 мм, нам требовалась обработка не менее 30 кадров в секунду. Мы решили это через использование FPGA-ускорителей на конвейере с предварительным декодированием в формате потокового видео. Модель нейросети (Lightweight YOLO v8n) была оптимизирована под TensorRT с FP16 precision, что дало задержку (latency) менее 12 мс на кадр. Дополнительно внедрили механизм «скользящего окна» для анализа перекрытий соседних зон снимка.
Как бороться с низкой контрастностью дефектов (например, продольных трещин) на фоне неоднородной окалины?
Стандартные алгоритмы сегментации часто ошибались на текстуре окалины. Мы отказались от прямого использования серой шкалы и обучили модель на разностных картах: вычитали из текущего кадра медианное среднее за последние 100 мс движения. Дополнительно синтезировали дефекты в обучении (GAN-аугментация), имитируя трещины с различным размытием и толщиной. Итоговый план — это комбинация из двух беспороговых детекторов: один ищет аномалии по градиенту, второй — по изменению текстуры (LBP-признаки).
Какие метрики качества модели важнее в промышленности: точность, полнота или F1-score?
Ключевым требованием заказчика была минимизация пропуска дефектов (False Negative), поэтому мы оптимизировали модель на полноту (Recall) минимум 0.95, жертвуя некоторой точностью (Precision). Однако высокий уровень ложных срабатываний (False Positive) останавливал бы линию из-за лишних проверок. Для баланса мы внедрили каскад: первая «грубая» модель с высоким Recall отсеивает 80% чистых участков, а вторая модель, более тяжелая и точная, анализирует только подозрительные зоны. В итоге F1-score на тестовой выборке составил 0.91 при скорости обработки, достаточной для непрерывного анализа.
Как выявить микротрещины и дефекты, которые не видны на обычном фото, но требуют ультразвукового контроля?
Для поверхностных дефектов мы перешли на съемку в нескольких спектральных зонах. Оказалось, что в диапазоне 1550-1650 нм (SWIR) микротрещины проявляются как горячие точки из-за разницы коэффициентов теплового излучения и теплоотдачи. Мы установили одну SWIR-камеру на линии. Для подповерхностных дефектов (разрыв неметаллических включений) напрямую машинное зрение бессильно — но мы обучили модель косвенно детектировать их по характерным локальным искажениям факела охлаждающей воды на выходе сляба из зоны кристаллизатора. Это снизило количество ультразвуковых «тяжелых» проверок на 30%.
Оцените статью
Happy
Care
Haha
Suprise
