连铸坯低倍组织检验是钢铁生产质量控制中的重要环节.通过酸蚀后的低倍图像，可观察中心偏析、中心疏松、中心缩孔及裂纹等典型缺陷， 其结果直接用于铸坯质量判定、 进一步指导连铸工艺优化、热轧工艺优化及最终产品质量预测.

长期以来， 低倍组织缺陷评级主要依靠人工对照标准图谱完成.该方法应用广泛，但存在主观性强、效率低、结果一致性不佳和数据追溯困难等问题.同时，工业低倍图像常受酸蚀纹理、光照不均、缺陷边界模糊和背景干扰的影响，这也进一步增加了人工判定难度.此外，传统检测结果多以纸质记录或简单表格留存，难以与钢种、工艺参数及历史质量数据开展联动分析，限制了低倍检测结果对工艺优化的支撑作用.

随着机器视觉、深度学习和工业软件平台技术的发展[1-3]，低倍组织检测正由“人工经验判定”向“图像智能识别＋标准数字化评级”转变[4].面向实际工业场景，罗森团队研发了基于机器视觉的连铸坯低倍数智化检测平台(以下简称“平台”)，该平台集成图像采集、缺陷分割、量化评级和数据管理等功能，旨在实现低倍检测流程自动化、评级标准客观化和检测数据可追溯化的目的.

1 平台核心技术与软硬件设计

1.1 智能检测平台设计

平台面向连铸坯低倍检测现场应用需求，围绕“图像采集—智能识别—量化评级—数据管理—工艺反馈”的流程进行设计，整体包括硬件采集、算法识别、标准量化和软件管理4 个部分.硬件端负责低倍图像稳定采集，算法端负责缺陷像素级分割与特征提取，标准端负责将传统图谱评级转化为数字化规则，软件端负责检测结果管理、查询和报告输出.通过上述模块协同，平台实现了低倍组织检测的自动化、可视化和可追溯管理.

1.2 缺陷智能分割与量化评级方法

1.2.1 低倍缺陷图像分割模型

在低倍图像中，中心偏析通常分布于连铸坯中心区域，表现为暗色或灰黑色缺陷带，形态呈连续条带状、半连续状或离散点状.受酸蚀纹理、光照不均、背景灰度波动和缺陷边界模糊等因素影响，传统图像处理方法难以稳定识别缺陷区域.

为提高缺陷识别精度，平台采用改进U-Net网络进行像素级分割[1](见图1).该模型在U-Net编码—解码结构基础上，引入残差模块、注意力机制[2]等，以增强局部纹理提取能力、扩大特征感受野[3]，并抑制非缺陷背景干扰.同时，结合Dice损失与交叉熵损失，可有效提高模型对小面积缺陷和类别不均衡问题的适应能力.

图1 改进型U-Net 网络结构简图
Fig. 1 Schematic diagram of the improved U-Net network architecture

使用该模型推理时，低倍图像经预处理和尺寸统一后输入网络，输出缺陷概率图，并根据设定阈值生成二值缺陷掩膜.随后，通过连通域分析去除孤立噪声区域，并将掩膜恢复至原始图像尺寸，为后续物理尺寸换算和量化评级提供基础.缺陷分割结果可直接影响面积、长度、宽度和等效直径等指标的准确性，因此，低倍缺陷图像分割模型是平台智能评级的核心算法模块.

1.2.2 低倍评级标准数字化转化

传统低倍评级主要依靠对照标准图谱，检测人员根据缺陷的面积、长度、连续性和严重程度进行目视判断，结果容易受个人经验影响.为提高评级的客观性，平台建立了“缺陷分割结果－量化指标－评级等级”的对应关系，将图谱式经验转化为可计算的数字化评级规则.

平台依据国内冶金行业标准及曼内斯曼国际标准，构建数字化评价体系，对«连铸钢板坯低倍组织缺陷评级图»(YB/T 4003—2016) [5]中的A、B、C 三类偏析缺陷进行量化(见图2).针对中心偏析缺陷，系统基于预测掩膜提取缺陷总面积、面积占比、最大连通域面积、最大长度、平均宽度、等效直径、分布位置及长宽比等特征参数.结合不同评级标准的判定逻辑，平台选取面积占比、缺陷长度、宽度、连续性与聚集程度等指标，构建差异化评价规则：对连续条带型偏析，重点考量长度、宽度及最大连通域占比；对半连续或离散点状偏析，则综合缺陷面积、数量与空间分布进行判定.

图2 偏析A、B、C 类0.5~3.0 级别缺陷占比和缺陷总面积分布图
Fig. 2 Distribution of defect area fraction and total defect area for A-，B-，and C-type segregation defects at grades 0.5~3.0

该模式使低倍评级从传统“人工目视比对”转变为“指标驱动判定”，不仅可嵌入软件系统实现自动评级，还能为每次评级结果提供明确数据依据，便于后续追溯、复核与统计分析.

1.3 硬件采集模块与工业适配设计

低倍图像质量直接影响缺陷分割和自动评级结果，故硬件采集模块需要保证成像稳定性和现场适应性.平台硬件系统由工业相机、镜头、稳定光源、运动控制单元、机械滑轨、采集服务器和防护结构组成，用于实现高分辨率成像、稳定照明、固定路径采集、图像存储传输和现场设备防护.通过均匀照明、耐腐蚀防护和标准化采集流程，该系统提高了不同批次、不同人员和不同工况下图像输入的一致性，为深度学习模型提供稳定、可重复、可量化的数据基础.

1.4 软件平台搭建与功能实现

软件平台采用Web 端模块化架构，主要包括推荐方案、信息录入、检测分析、冶金标准、数据查询等模块(见图3).其中，推荐方案用于推荐合适的酸洗方案，信息录入模块用于绑定连铸批号、钢种、断面规格、生产日期和工艺参数；检测分析模块完成图像上传、模型推理、缺陷掩膜显示和量化指标输出； 冶金标准模块用于维护不同缺陷类型的评级规则和阈值参数；数据查询与报告模块支持结果检索、统计分析和报表生成.平台采用前后端分离模式，前端负责图像展示和交互，后端负责模型推理、评级计算和数据库管理.随着现场样本积累，平台可形成低倍组织质量数据库，为质量追溯和工艺优化提供数据支撑.

图3 连铸坯低倍智能检测系统
Fig. 3 Intelligent macrostructure inspection system for continuously cast strand

2 应用效果与成果价值

平台已在山钢集团莱芜钢铁公司现场落地实施(见图4)，并稳定运行一周年.

图4 山钢连铸坯低倍图像采集装置
Fig. 4 Macrostructure image acquisition device for continuously cast strand at Shandong Iron and Steel Group

现场应用结果表明，平台能够适应酸雾腐蚀、光照波动、样品差异和生产节拍变化等复杂工况，工程可靠性得到充分验证.在检测效率上，将传统人工观察、记录与评级模式升级为自动化检测流程.低倍图像采集完成后，可自动执行预处理、缺陷识别、特征提取及等级判定，显著缩短单样品检测周期，提升现场质量管控效率.在判定一致性上，通过统一图像采集条件、模型推理流程与数字化评级规则，有效降低人工经验差异导致的评级波动.可同步输出缺陷分割掩膜、量化指标及评级结果，推动低倍评级由“经验判断” 转向“数据驱动判定”，增强结果的客观性与可复核性.在数据利用上，实现低倍图像、缺陷量化指标、评级结果与生产信息的一体化存储与追溯，逐步构建现场低倍组织质量数据库.基于该数据库，可分析不同钢种、断面及工艺条件下的缺陷分布规律，为质量追溯、工艺优化与内部质量管控提供数据支撑.一周年稳定运行数据显示，图像数据可用率达99.9%，综合自动评级准确率达98%，能够满足工业现场低倍组织智能检测需求，具备良好的工程推广价值.

3 结论

针对连铸坯低倍组织检测智能化、标准化和数字化需求，研发并建成了基于机器视觉的连铸坯低倍智能检测平台.平台集成稳定图像采集、改进型U-Net 缺陷分割、评级标准数字化、自动等级判定和Web 端数据管理等功能，形成了低倍检测全流程闭环.与传统人工低倍评级相比，不仅提升了图像采集稳定性与缺陷识别自动化水平，实现了中心偏析等典型低倍缺陷的像素级分割，还建立了基于多维量化指标的数字化评级规则；同时可对检测数据、评级结果及生产信息进行统一管理，为连铸工艺优化和质量管控数字化升级提供数据支撑.山钢集团工业现场一周年运行结果表明，平台图像数据可用率达99.9%，综合自动评级准确率达98%，具备良好的工程推广价值.

4 参考文献

[1] Ronneberger O，Fischer P，Brox T. U-Net：convolutional networks for biomedical image segmentation[C]/ /Medical Image Computing and Computer-Assisted Intervention –MICCAI 2015. Cham：Springer，2015：234-241.

[2] Oktay O，Schlemper J，Le Folgoc L，et al. Attention U-Net：learning where to look for the pancreas[EB/OL]. 2018：arXiv：1804.03999. https：/ /arxiv.org/abs/1804.03999.

[3] Chen L C，Zhu Y K，Papandreou G，et al. Encoder-decoder with atrous separable convolution for semantic image segmentation[C]/ /Computer Vision – ECCV 2018. Cham：Springer，2018：833-851.

[4] 宋翰凌，孟晓亮，罗森，等. 基于深度学习的连铸坯低倍质量评级[J]. 冶金自动化，2023，47(2)：73-81.(Song Hanling，Meng Xiaoliang，Luo Sen，et al. Evaluation on macro quality of strand based on deep learning method[J].Metallurgical Industry Automation，2023，47(2)：73-81.)

[5] 中华人民共和国工业和信息化部. 连铸钢板坯低倍组织缺陷评级图：YB/T 4003—2016[S]. 北京：冶金工业出版社，2016.(Ministry of Industry and Information of the People’ s Republic of China. Low-magnification structural defect rating chart of continuous cast steel slabs：YB/T 4003—2016[S].Beijing：Metallurgical Industry Press，2016.)

为加速学术创新成果传播、推动产学研深度融合，助力材料科学与冶金工程领域高质量发展，«材料与冶金学报»正式开设“短文/简报”栏目.

栏目定位：聚焦材料与冶金领域学术创新、产学研融合重大成果，以“短、精、快” 为特色，快速刊发具有原始创新、技术突破、应用前景明确的阶段性/标志性成果，搭建科研－产业高效对接平台，服务国家新材料、绿色冶金、高端制造等战略需求.

Digital platform for macrostructure inspection in continuously cast slabs based on machine vision and artificial intelligence

Du Guoqing1， Luo Sen1， Wang Weiling1， Zhu Miaoyong1， Zhang Xuemin2， Zhao Lifeng2， Liu Wenping2
(1. School of Metallurgy， Northeastern University， Shenyang 110819， China；2. Shandong Iron and Steel Group Co.， Ltd.， Jinan 271104， China)

Abstract：Macrostructure inspection of continuously cast slabs is an important procedure for evaluating the internal quality of slabs and guiding the optimization of continuous casting processes. To address the problems of strong subjectivity， low efficiency， and difficulty in data traceability associated with traditional manual visual rating， this study developed a machine-vision-based intelligent inspection platform for slab macrostructures. The platform integrates macrostructure image acquisition， intelligent defect segmentation， automatic rating， and data management. With an improved U-Net model as the core， the platform enables pixel-level recognition of macrostructure defects such as centerline segregation. Based on quantitative indicators including defect area， length， width， equivalent diameter， and the area ratio of the largest connected component， traditional atlas-based rating experience is transformed into computable and traceable digital rating rules. The system establishes a closed-loop workflow covering image acquisition，defect recognition， automatic rating， data traceability， and process feedback. At present， the platform has been implemented at the industrial site of Laiwu Steel Corporation， Shandong Iron and Steel Group， and has achieved stable operation for one year. Field application results show that the usability rate of image data reaches 99.9%，and the overall automatic rating accuracy reaches 98%， demonstrating good engineering application value and promising potential for further promotion.

Key words：continuously cast slabs； macrostructure； machine vision； digital rating； intelligent inspection platform

中图分类号：TF 777； TF 31

文献标志码：A

文章编号：1671-6620(2026)03-0212-04

doi：10.14186/j.cnki.1671－6620.2026.03.003

收稿日期：2026-05-14.

基金项目：国家自然科学基金项目(U24A20100).

作者简介：杜国庆(1998—)， 男， 博士研究生， E-mail：duduu1212＠163.com； 朱苗勇(1965—)， 男， 教授， E-mail：myzhu＠mail.neu.edu.cn.

通讯作者：罗森(1982—)， 男， 教授， E-mail：luos＠smm.neu.edu.cn.

引文格式：杜国庆， 罗森， 王卫领， 等. 基于机器视觉＋AI 的连铸坯低倍数智化检测平台[J]. 材料与冶金学报， 2026， 25 (3)：212-215. (Du Guoqing， Luo Sen， Wang Weiling， et al. Digital platform for macrostructure inspection in continuously cast slabs based on machine vision and artificial intelligence [J]. Journal of Materials and Metallurgy， 2026， 25 (3)：212-215.)

本期“短文/简报”栏目主编

罗森，教授，博士生导师，沈阳市领军人才.

主要从事连铸宏微观跨尺度高性能计算，高品质均质化连铸坯凝固理论及工艺控制，高精度可视化数字连铸机研发等高效连铸理论及数智化方面工作.主持/参与国家重点研发计划项目子课题、国家自然科学基金面上与青年项目，以及教育部博士点新教师基金项目、校企联合攻关项目等30 余项.获批担任首批国家级精品资源共享课«冶金学»建设教师，参编国家级规划教材«现代冶金工艺学——钢铁冶金卷»、学术专著«连铸坯的偏析及其控制»和«数字钢铁白皮书»，发表学术论文100 余篇，授权发明专利20 余项，软件著作权3 项，获辽宁省科技进步一等奖、中国钢铁工业协会冶金科学技术一等奖等省部级科技奖励5 项和美国TMS 学会Nagy El-Kaddah 最佳论文奖.