利用視覺技術檢測熱軋鋼材的表面，即便鋼材的溫度超過1000℃，也好像它們是冷的一樣。

為了生產無縫鋼管，需要先將鋼坯輸送到爐中加熱。接著，將坯料穿孔以形成厚壁的中空殼體，之后將芯棒插入殼體中。然后在芯棒式無縫管軋機中進行伸長軋制。在伸長工藝之后，坯料輸送到推進臺，在那里它被推動穿過一系列軋輥機座。最終形成具有連續更小壁厚的中空長鋼管。

盡管與熱軋工藝一樣有效，在軋機臺架中的軋輥機座偶爾可以在鋼表面上產生標記和缺陷，這些缺陷在熱條件下非常難以檢測。因此，在質量改進項目中，許多制造商希望盡可能早地識別這些缺陷，以避免以相當大的代價生產出大量有缺陷的材料。

視覺系統

為了解決這些問題，西班牙Tecnalia公司的工程師開發出了一套稱為Surfin'的機器視覺系統，其能使鋼鐵制造商在鋼板從推進臺推出時，就檢測到這類缺陷（見圖1）。檢測這種缺陷為制造商提供了生產過程中任何問題的指示，使制造商能在早期階段對推進臺進行預防性維護，防止將任何有缺陷的鋼管交付給客戶。

圖1：西班牙Tecnalia公司的工程師開發出了一套稱為Surfin'的機器視覺系統，其能使超過1000℃的鋼板從推進臺推出時，就可檢測到鋼材上的缺陷。

由軋輥機座產生的這種鋼管表面上的典型缺陷，通常遵循重復模式持續出現，直到軋機支架改變。這些缺陷包括表面上的裂縫、軋機支架阻擋標記、裂紋以及分離的鋼材，其隨后會粘貼到鋼管表面的另一部分上。

開發人員面臨嚴峻的挑戰。這種生產環境中的條件可謂極端惡劣：不僅以6~7m/s的相對高速生產鋼管（Surfin'可以工作在高達10m/s下），而且鋼材從軋輥機座推出時的溫度約為1000℃，再加上環境臟、存在水和油蒸汽，從而使缺陷檢測更為棘手。

由于鋼材的熱表面輻射的光與IR、紅光、橙光和黃光波段的熱發射直接相關，因此捕獲鋼材表面反射的所有光的圖像，將使相機中的傳感器飽和，因為相機對鋼管輻射的所有光都敏感。為了解決這一問題，Surfin'系統（專利號ES2378602和EP2341330）使用的光，其波長遠離熾熱鋼材所發射光譜的波長。

然后，系統中相機捕獲的圖像，通過美國Edmund Optics公司的窄帶光學帶通濾光片（中心波長為470nm、帶寬為10nm）和一個紅外（IR）輻射濾光片。這兩個濾光片使CCD相機只接收所需波段中的輻射，而加入IR濾光片來保護電子系統免受熱輻射。受控照明技術允許系統捕獲鋼管整個表面的圖像，就好像鋼管是冷的一樣。

為了使系統能捕獲鋼管表面的360°圖像，該系統使用了加拿大Teledyne DALSA公司的三套14000 lines/s的Spyder 3線掃描相機，以120°的角度間隔垂直于軋制鋼管軸平面、安裝在保護性罩殼中，圍繞在推進臺的輸出端。在該系統的前一個版本中，在每臺相機的兩側使用加拿大Laserglow Technologies公司的兩個200mW 473nm藍光激光光源，對鋼管表面進行暗場照明。由于系統的幾何形狀，其可以實時地連續捕獲鋼管的完整圖像（見圖2a和b）。

圖2：a）：為了使系統能夠精確地捕獲鋼管表面（3）的360°圖像，系統使用三組激光器（1）和14000 lines/s線掃描相機（2）。B）：激光器和相機組以120°角度間隔安裝在垂直于滾動軸平面的同一平面內，相機位于推進臺輸出端周圍的保護罩殼中。

由于環境的溫度很高，保持相機連續冷卻至關重要。為此，將壓縮冷卻空氣注入到保護罩殼中，保護相機和激光設備免受熱和惡劣環境的影響。空氣不僅冷卻系統，而且之后過量的空氣通過窗口排出，激光器通過該窗口輸出光束，相機通過該窗口捕獲圖像，防止鱗狀物、氧化物、灰塵和液體沉積。

圖像處理

一旦捕獲了鋼材表面的圖像，接下來便通過光纖千兆以太網鏈路將圖像傳送100m到達控制室中基于PC的服務器上。在這里，首先對圖像進行預處理，以利用諸如直方圖均衡等定制圖像增強算法，來增強圖像的對比度。由于原始圖像中的可用數據由近對比度值表示，所以該技術增加了圖像的全局對比度。

圖像增強之后，使用定制軟件處理，在系統的先前版本中，該軟件采用基于支持向量機（SVM）的輔助學習系統。一旦系統被教育通過紋理、對比度和尺寸，識別來自不同樣品的缺陷，則算法可以自動檢測和分類生產環境中最重要的生產缺陷（見圖3）。

圖3：鋼材中出現的典型缺陷包括（a）材料粘貼（b）材料被去除和（c）輥痕。

基于PC的服務器用于存儲來自相機的圖像、被發現的缺陷數據，以及缺陷在鋼管上位置，還將在Oracle數據庫中存儲壓力、溫度、速度信號、通信和其他鋼管生產數據的報警，用于質量控制和可追溯性。還可以通過在連接到公司局域網（LAN）的計算機上安裝客戶端應用，對服務器上的數據進行遠程檢查。

自從該系統最初開發以來，已經經歷了幾次增強，系統的結構現在已經過重新設計，能夠更容易地對準和調整相機和調節照明。

較新版本的系統還采用了液體而非空氣制冷技術，使照明和傳感器能夠更靠近鋼管放置，從而實現更熱或更大面積的鋼管成像。美國Metaphase Technologies公司的LED光源也已經替代了早期的激光器，使光源的壽命從2000小時增加到了50000小時，并且消除了諸如散斑之類可能破壞相機捕獲的圖像的因素。

軟件用戶界面也得到了改進，現在工廠操作員能在鋼材上出現缺陷時，看到它們的位置和特定屬性（見圖4）。現在還可以在數據庫上存儲幾個月的生產數據，這樣工廠經理就能查看可能發生的任何錯誤的周期性，并安排定期預防性維護操作。該系統還可以支持多用戶，這些用戶不僅可以本地訪問系統，還可以通過互聯網訪問系統。

圖4：定制的軟件用戶界面，使工廠操作員能夠實時看到鋼材上缺陷的位置和特定屬性。

分類變更

Surfin'系統最重要的一項最新發展，是用內部開發的候選窗口探測平臺和用于缺陷分類的卷積神經網絡（CNN），來替代之前基于SVM的分類器。CNN可以學習從訓練圖像中提取表征每種類型缺陷的相關特征并執行分類，而SVM僅將其輸入映射到可以揭示缺陷類別之間差異的一些高維空間。

通過假定所有感興趣的對象（例如缺陷）共享將它們與背景區分開的共同視覺屬性，候選窗口探測平臺輸出可能包含缺陷的一組區域。隨后，CNN提取學習特征，并且對圖像數據執行實際的缺陷分類。

CNN分類器通過具有缺陷的熱鋼管圖像的定制圖像數據庫進行驗證，并且發現基于深度學習的方法，能夠減少檢測到的假陽性和假陰性的數量，其明顯優于之前的SVM分類器。

執行兩類分類（如缺陷與無缺陷）時，最相關的性能指標是AUC，或ROC（接收器工作特征）曲線下的面積，通過在x軸上繪制假陽性率和在y軸上繪制真陽性率，然后計算此函數下的面積（見圖5）。

圖5：在執行兩類分類（如有缺陷與無缺陷）時，最相關的性能指標是AUC或ROC（接收器工作特征）曲線下的面積。模型越好，AUC越接近1。采用這種方式，當比較幾種模型時，可以通過選擇最高的AUC來選出最佳模型。雖然SVM分類器的AUC值為0.88，但是對于兩類分類情況，CNN-Surfin'分類器的AUC值為0.997。

理想情況下，該函數的值對于x軸上的每個值都為1.00，因此模型越好，其AUC越接近1。以這種方式，當比較幾種模型時，可以通過取最高AUC值來選擇最佳模型。雖然SVM分類器的AUC值為0.88，但是對于兩類分類情況，CNN-Surfin'分類器的AUC值為0.997。

此外，對于給定的模型，可以選擇閾值以使系統能夠決定樣品是否有缺陷。由于模型的輸出通常是0和1之間的概率值，如果概率值大于閾值，則樣本將被標記為NOK，否則標記為OK。

通過將閾值移向1.0，能以“增加假陰性的數量”為代價來減少假陽性的數量，反之亦然。然后可以通過在x軸上繪制閾值，以及在y軸上繪制特異性或真陰性率（= 1-假陽性率）和靈敏度或真陽性率（= 1-假陰性率），來可視化檢查系統工作在何處。

對應于閾值的垂直線切割兩條曲線的點，產生假陽性率和假陰性率。閾值的常見選擇是產生近似相等的假陽性率和假陰性率。對于CNN-Surfin'，得到1.58%的假陽性率和1.49%的假陰性率（見圖6）。與之相比，SVM版本的Surfin'的假陽性率為17.98%，假陰性率為18.00%，由Surfin'做出的分類錯誤數量減少了12倍。

圖6：對應于閾值的垂直線切割兩條曲線的點，產生假陽性率和假陰性率。閾值的常見選擇是產生近似相等的假陽性和假陰性率。對于CNN-Surfin'，假陽性率為1.58%，假陰性率為1.49%。

現在，新的分類器準備在生產環境中運行。此外，Tecnalia公司的工程師們正在努力繼續改進系統，目的是使鋼鐵生產商能夠生產零缺陷鋼材。例如，已經使用CNN-Surfin'評估了4類問題（OK以及3種類型的缺陷），通過AUC（平均延伸）進行歸類，得到AUC = 0.9956。但目前正在收集更多的樣本，以使結果更具統計學意義。

Surfin'系統自推出以來，已經交付到諸如西班牙Tubos Reunidos和Aceros Inoxidables Olarra等公司，其能夠在熱工藝生產的早期階段檢測到生產問題。Tecnalia公司正與其他鋼鐵生產公司合作部署該系統，以檢測形狀更復雜的鋼材，例如用于建筑和土木工程的U型或H型截面鋼梁。

Tecnalia公司已經與西班牙Sarralle集團建立了關系，在全球范圍內分銷Surfin'系統。