2026年连铸坯质量缺陷在线检测技术

汇报人:12342026/04/102026年连铸坯质量缺陷在线检测技术CONTENTS目录01

连铸坯质量检测技术概述02

连铸坯表面缺陷类型与成因03

主流在线检测技术分类04

2026年关键技术创新CONTENTS目录05

典型应用案例分析06

质量闭环控制与优化07

技术挑战与解决方案08

未来发展趋势展望连铸坯质量检测技术概述01连铸坯质量检测的重要性

保障最终产品质量的基础连铸坯作为钢铁生产的关键中间产品，其表面与内部缺陷（如裂纹、夹渣、气孔等）会直接遗传至后续轧制工序，影响最终钢材性能。例如，表面微小裂纹可能在轧制后扩大为长达数米的缺陷，导致高端产品如汽车板、家电用板报废。

提升生产效率与降低成本在线检测技术可实时发现缺陷并反馈至生产系统，减少批量质量事故。如山东钢铁应用AI检测系统后，轧材修磨量降低83.7%，热装热送率提升，年减少加热能耗与铁损，显著降低生产成本。

推动工艺优化与智能化转型通过检测数据与工艺参数的关联分析，可实现质量“检测-预报-优化-控制”闭环。北京科技大学研发的闭环系统使质量预报准确率从69.5%提升至93.56%，铸坯表面缺陷率从8.2%降至2.7%，助力钢铁行业向精细化、智能化生产升级。

改善劳动条件与保障生产安全传统人工检测需在高温、粉尘环境下近距离观察铸坯，劳动强度大且存在安全隐患。自动化检测系统（如机器视觉、激光检测）可替代人工，使检测人员在控制室完成操作，大幅改善工作环境，降低职业健康风险。人工检测阶段（传统模式）早期连铸坯表面质量检测依赖人工目视，工人凭借经验判断缺陷，存在效率低、精度差、劳动强度大、漏检率高等问题，难以适应现代化生产需求。仪器检测起步阶段（单一技术应用）随着工业技术发展，逐步出现基于单一原理的仪器检测，如早期的光学检测、超声波检测等，开始替代部分人工检测，但受技术限制，检测范围和精度有限。智能化检测发展阶段（多技术融合）近年来，基于机器视觉、深度学习等人工智能技术与传统检测技术融合，如多光谱成像、多信息融合检测模型的应用，推动在线检测向高精度、高速度、智能化方向发展，如2024年研发的多信息融合高温连铸坯表面缺陷多维检测模型。闭环优化阶段（检测与生产联动）当前发展阶段不仅实现缺陷的精准检测，更形成“检测-预报-优化-控制”的闭环系统，如基于检测结果反馈的连铸坯表面缺陷预测与闭环优化技术，通过即时学习算法和根因诊断模型，实现工艺参数动态调整，提升整体生产质量。在线检测技术发展历程配图中2026年技术发展现状成像技术：多光谱与动态景深融合2026年，多光谱成像技术成为主流，如新型半导体蓝色激光光源（450纳米）有效提升高温辐射和氧化铁皮干扰下的成像质量，图像分辨率可达0.2毫米，实现微小裂纹（如浅表裂纹）的清晰识别。检测算法：深度学习与多信息融合基于深度学习的混合检测模型广泛应用，如结合YOLOv5与注意力机制，常见缺陷检出率达98.35%（包晶钢等难检钢种达95.68%），识别准确率超91.79%；多信息融合（二维灰度、三维深度、温度）有效消除伪缺陷干扰。闭环控制：从检测到工艺优化的一体化即时学习算法与贝叶斯因果网络结合，构建“检测-预报-优化-控制”闭环系统，质量预报准确率从69.5%提升至93.56%，铸坯表面缺陷率可降至2.7%，实现工艺参数的动态调整与根因诊断。设备与场景适配：异形坯与极端环境突破针对异形坯复杂断面，开发多角度大景深成像与快速拼接技术（如SURF算子匹配），实现0.2毫米级缺陷检测；设备防护等级提升至IP54，冷却系统确保在高温、粉尘环境下稳定运行，检测速度满足连铸生产节奏。配图中配图中配图中配图中连铸坯表面缺陷类型与成因02表面缺陷主要类型裂纹类缺陷连铸坯表面最常见缺陷之一，可分为纵向裂纹、横向裂纹和斜向裂纹，主要由铸坯内部应力过大或外部应力作用引起，会严重降低铸坯质量和使用价值。表面疤痕与结疤疤痕表现为铸坯表面粗糙、凹凸不平的区域，结疤为硬质粗糙凸起，多由结晶器与铸坯粘结、异物粘附或钢水氧化等因素造成。表面夹杂与气孔夹杂指表面出现的氧化物或非金属夹杂物，气孔为圆形或椭圆形孔洞，主要因钢水氧化、浇注系统不清洁、钢水中气体含量过高或结晶器内壁不光滑导致。划伤与凹陷划伤是坯表面细长平直的沟槽，由异物划伤、结晶器振动或冷却水流不畅引起；凹陷表现为表面局部下凹，可能与结晶器设计、冷却不均等因素相关。几何缺陷特征分析

坯体截面形状缺陷主要表现为截面形状不规则，如方坯出现菱形、板坯出现楔形等，影响后续轧制的均匀性。其成因与结晶器变形、拉矫辊对中不良等设备因素相关。

尺寸误差缺陷指连铸坯的实际尺寸超出规定公差范围，包括厚度、宽度、长度等偏差。例如板坯厚度公差超标可能导致轧制过程中厚度不均，需通过在线测径仪实时监控。

弯曲度超差缺陷表现为铸坯沿长度方向的弯曲变形，严重时会影响输送和后续加工。多由二冷区冷却不均、拉矫机压力失衡等原因造成，可通过扇形段在线检测技术进行调整。表面裂纹形成机理表面裂纹主要因铸坯凝固过程中热应力与组织应力超过材料高温强度所致，如纵向裂纹常与结晶器弯月面区传热不均、保护渣性能不佳相关，横向裂纹则多源于二冷区冷却不均或矫直应力过大。内部缺陷形成机理内部缺陷如中心偏析、缩松等源于凝固过程中溶质元素再分配与补缩不足，中心裂纹则与铸坯鼓肚变形、轻压下参数不当有关，连铸坯液芯末端位置控制不当会加剧此类缺陷。工艺参数影响因素浇注温度过高易导致表面氧化与裂纹，如过热度每升高10℃，表面纵裂风险增加15%；冷却速率不均会引发热应力集中，二冷水量波动超过±5%时，角部裂纹发生率显著上升。设备与环境影响因素结晶器磨损或对弧偏差超过±0.3mm会导致坯壳生长不均，扇形段辊缝偏差大于±0.5mm易引发中间裂纹；高温环境下氧化铁皮、水渍等干扰会影响缺陷检测准确性，需通过多光谱成像技术消除。缺陷形成机理与影响因素配图中主流在线检测技术分类03视觉检测技术原理与应用

视觉检测技术基本原理视觉检测技术利用工业相机或图像采集装置捕获连铸坯表面图像，通过计算机对图像进行预处理（如灰度化、增强、降噪），运用深度学习或机器学习算法提取缺陷特征并判断缺陷类型，实现对裂纹、气泡、夹杂物、划痕等表面缺陷的非接触式检测。

多光谱动态成像技术突破2024年北京科技大学研发的基于多光谱的高温连铸坯大景深动态成像技术，采用新型半导体450纳米蓝色激光光源主动照明，结合二维灰度、三维深度、表面温度同步采集，有效提升高温辐射和氧化铁皮干扰下微小缺陷成像质量，图像分辨率达0.2毫米。

缺陷识别算法与模型优化开发基于神经风格迁移的数据增强技术扩增缺陷样本，结合温度信息的伪缺陷识别及光度立体三维深度识别方法，解决小样本学习难题。如基于YOLOv5融入注意力机制的模型，对常见裂纹缺陷mAP0.5指标达95.8%，其他缺陷mAP0.5均超80%，系统综合检出率98.35%，识别准确率91.79%。

典型应用案例与成效2025年山钢异形连铸坯生产线应用该技术，实现常见缺陷综合检出率97.1%，铸坯精整量降低5%，轧材修磨量降低83.7%；山东钢铁集团永锋临港公司专利技术通过喷气机构与旋转保护壳配合，避免废屑遮挡导致误检，提升检测可靠性。激光检测技术特点与优势01高分辨率成像能力采用新型半导体蓝色激光光源（如450纳米波长），结合窄带滤波技术，可有效穿透高温辐射与氧化铁皮干扰，实现0.2毫米级图像分辨率，清晰捕捉微小裂纹、浅表缺陷。02非接触式实时检测激光束扫描连铸坯表面，通过分析反射信号实现非接触检测，检测速度快，可适应连铸生产的高速节奏，避免对高温铸坯造成损伤或干扰。03多维度信息融合可同步采集二维灰度、三维深度及表面温度信息，结合深度学习算法（如YOLOv5+注意力机制），实现缺陷的精准定位与分类，常见缺陷检出率达97%以上，识别准确率超91%。04恶劣环境适应性强激光检测系统采用IP54防护等级设计，配备风冷、水冷或空调恒温控制，可在高温、高粉尘的连铸环境下稳定工作，设备运行环境温度控制在35°C以下。超声与涡流检测技术应用

超声波检测技术原理与优势超声波检测技术利用超声波在连铸坯中的传播特性，通过分析反射信号检测表面及内部缺陷，如裂纹、气泡、夹杂物等。其具有穿透性强、检测精度高、自动化程度高等优点，可实现对铸坯内部质量的有效把控。

涡流检测技术原理与特点涡流检测技术利用电磁场在连铸坯表面产生的涡流变化来检测缺陷，适用于导电材料表面及近表面缺陷检测，如裂纹、划痕等。具有非接触、快速、灵敏度高等特点，对高温环境下的表面缺陷检测有一定适应性。

脉冲涡流检测技术的创新发展针对连铸坯表面缺陷检测，脉冲涡流检测技术通过优化探头设计（如双层同步绕制线圈、PC40铁氧体磁芯）和信号特征值提取方法（过零时间、峰值差等），有效避开局部温度差异干扰，实现对缺陷体积信息的合理评价，展现出良好的应用潜力。

工业应用案例与成效建龙北满特钢开发的基于超声波探伤及多特征匹配的连铸坯质量分级系统，通过分析声速、衰减等12项参数，将内部缺陷检测精度提升至99%以上，检测效率较传统方式提高3倍，为实现商品连铸坯“零缺陷”出厂奠定技术基础。多光谱融合检测技术进展多光谱成像技术创新

开发基于多光谱的高温连铸坯大景深动态成像技术，采用新型半导体蓝色激光光源主动照明，实现二维灰度、三维深度、表面温度同步采集，有效提升高温辐射和氧化铁皮干扰下微小缺陷的成像质量，图像分辨率可达0.2毫米。多维信息融合检测模型

构建多信息融合的高温连铸坯表面缺陷多维检测模型，综合利用二维图像、红外温度及三维深度信息，结合神经风格迁移的数据增强技术和基于温度信息的伪缺陷识别方法，解决小样本学习及微小缺陷识别难题，常见缺陷综合检出率达98.35%，识别准确率91.79%。检测与闭环优化集成应用

基于多光谱检测结果反馈，开发连铸坯表面缺陷预测与闭环优化技术，通过即时学习算法校准质量预报模型，结合贝叶斯因果网络根因诊断，建立“检测-预报-优化-控制”闭环系统，应用于山钢、太钢等生产线后，铸坯表面缺陷率从8.2%降至2.7%，轧材修磨量降低83.7%。2026年关键技术创新04新型半导体蓝色激光光源技术研制450纳米新型半导体蓝色激光光源作为主动照明，有效提升高温辐射和氧化铁皮干扰下的成像质量，较绿色激光光源在亮度、均匀性、对比度等方面更优，可检测到微小裂纹及浅表裂纹。多维度信息同步采集技术开发二维灰度、三维深度、表面温度同步采集与控制技术，实现高温铸坯表面多维度信息同步采集，为后续缺陷检测算法提供基础数据支持。多角度大景深变断面高清成像技术针对异形坯等复杂断面，采用多角度大景深高温连铸坯变断面高清成像技术，结合多视角大尺寸图像快速拼接技术（如SURF算子匹配、三角融合算法），消除拼接痕迹，提升图像质量，实现复杂表面完整清晰成像。高温连铸坯大景深成像技术AI缺陷识别算法优化

01神经风格迁移数据增强技术采用基于神经风格迁移的数据增强技术，有效扩增不同特征的连铸坯缺陷样本，解决小样本学习问题，提升有限人工标注数据情况下的二维检测模型检测准确率。

02多信息融合缺陷识别模型综合利用连铸坯表面二维图像信息、红外温度信息以及三维深度信息，进行多信息分析、处理和融合，消除氧化铁皮、水渍等伪缺陷干扰，提高缺陷检测的准确率和可靠性。

03注意力机制YOLOv5目标检测算法开发基于YOLOv5的目标检测算法，融入注意力机制，增强模型的鲁棒性。检测模型对于常见的裂纹缺陷的mAP0.5指标达到95.8%，对于其他不常见缺陷的mAP0.5指标均达到80%以上。

04多视角图像快速拼接技术开发多视角大尺寸图像快速拼接技术，利用SURF算子匹配特征，三角融合算法消除图像拼接痕迹，提升异形坯等复杂断面连铸坯的完整图像质量。多信息融合检测模型

多维度信息采集技术开发二维灰度、三维深度、表面温度同步采集与控制技术，实现高温铸坯表面多维度信息同步采集，为后续缺陷检测算法提供基础。

图像拼接与数据增强技术开发多视角大尺寸图像快速拼接技术，利用SURF算子匹配特征，三角融合算法消除图像拼接痕迹；采用基于CutPaste算法和神经风格迁移技术，扩增连铸坯缺陷样本集，提升有限人工标注数据情况下的二维检测模型检测准确率，解决小样本学习问题。

多信息融合缺陷识别方法综合利用连铸坯表面二维图像信息、红外温度信息以及三维深度信息，进行多信息分析、处理和融合，消除氧化铁皮、水渍等伪缺陷干扰，提高缺陷检测的准确率和可靠性，系统对于普通钢种常见缺陷的检出率为98.35%，其中包晶钢、铌钒钛微合金化钢种检出率95.68%；缺陷的识别准确率达91.79%。伪缺陷智能过滤技术基于温度信息的伪缺陷识别开发基于温度信息的伪缺陷识别方法，利用连铸坯表面温度分布特征，有效区分氧化铁皮、水渍等因温度差异导致的伪缺陷，提高缺陷检测的准确性。基于光度立体的三维深度识别采用基于光度立体的连铸坯表面缺陷三维深度识别方法，通过分析缺陷区域的三维形态特征，消除平面干扰因素，精准识别微小表面真实缺陷。多信息融合的干扰消除策略综合利用连铸坯表面二维图像、红外温度及三维深度多维度信息，通过多信息融合算法分析处理，有效消除氧化铁皮、水渍等伪缺陷干扰，提升检测可靠性。典型应用案例分析05系统技术创新点创新采用450纳米蓝色激光光源，开发多信息融合检测算法模型，攻克异形坯断面复杂、高温氧化铁皮干扰难题，图像分辨率达0.2毫米。核心性能指标常见缺陷综合检出率97.1%，各类缺陷识别准确率91.79%，质量预报准确率90.60%，检测精度指标高于国外厂商同类系统。应用效益与价值异形坯精整量降低5%，后道工序轧材修磨量降低83.7%；改善作业环境，避免人工近距离观察高温铸坯的安全隐患，填补行业空白。山钢异形坯检测系统应用太钢板坯质量优化实践多光谱动态成像技术应用太钢引入基于多光谱的高温连铸坯大景深动态成像技术，采用新型半导体蓝色激光光源主动照明，结合二维灰度、三维深度、表面温度同步采集，有效提升了高温辐射和氧化铁皮干扰下板坯表面微小缺陷的成像质量，为精准检测奠定基础。多维检测模型与算法优化开发多信息融合的表面缺陷多维检测模型，采用神经风格迁移的数据增强技术扩增缺陷样本，结合温度信息伪缺陷识别及光度立体三维深度识别方法，显著提高了板坯表面缺陷检出率与识别准确率，保障了关键缺陷的有效识别。质量闭环控制与工艺优化构建连铸坯质量“检测-预报-优化-控制”闭环系统，利用表面缺陷实时检测结果校准质量在线预报模型，通过根因诊断模型分析工艺参数影响，优化连铸浇注过程钢水过热度等关键参数，降低了精炼工序电耗和转炉物料消耗，提升了板坯质量稳定性。应用成效与效益提升该技术在太钢板坯生产线应用后，板坯表面缺陷率显著下降，热装热送率提高，减少了轧材修磨量和能源消耗，改善了工人劳动环境，同时为太钢高端板材产品的质量控制提供了有力支撑，提升了产品市场竞争力。AI低倍检测系统准确率分析

系统整体准确率表现截至2026年，山钢股份炼钢厂应用的AI连铸坯低倍检测系统累计完成检测396次，缺陷评级准确率达到98.01%，展现了极高的检测可靠性。

典型缺陷检测精度系统对常见裂纹缺陷的mAP0.5指标达到95.8%，对于其他不常见缺陷的mAP0.5指标均达到80%以上，可满足方坯、板坯、异形坯三大坯型的检测需求。

与传统检测方式对比相较于传统人工目视检测，AI系统不仅将劳动强度大幅降低，还解决了人工检测标准不一、易受主观因素影响的问题，检测效率和稳定性显著提升。质量闭环控制与优化06缺陷预测与工艺参数优化基于即时学习的缺陷预报模型采用即时学习算法，根据表面检测结果在线纠正预测模型，引入时间权重因子强化样本相关性，筛选符合当前生产状态的样本集，结合表检结果更新模型，使质量预报准确率由69.5%提高至93.56%。贝叶斯因果网络根因诊断提出贝叶斯因果网络混合学习方法，从缺陷数据样本中学习各工艺参数与目标缺陷的条件概率分布，通过找寻缺陷发生条件概率小的工艺参数生产路径，实现缺陷根因诊断，指导工艺优化。闭环控制系统构建与应用建立连铸坯质量“检测-预报-优化-控制”的闭环控制系统，通过分析铸坯表面缺陷原因，及时调整工艺参数，如降低钢水过热度，减少精炼工序电耗和转炉物料消耗，铸坯表面缺陷率从8.2%下降到2.7%。多源异构数据集成与分析研发多源异构数据采集方法，包括实时流数据处理、复杂事件识别、时空融合处理，实现连铸过程中281个设备工艺参数等数据的自动采集与融合，为缺陷预测和工艺优化提供数据支撑。多源数据