导读
在卷对卷生产过程中应用友思特基于深度学习的视觉检测系统，对细微的表面纹理变化进行分类。这提高了质量的一致性，能够精确确定粗糙度缺陷的位置，大幅减少了质量投诉。
01 现场情况
彩涂钢板表面粗糙度检测的必要性
彩涂钢板是一种高价值的钢材产品，它通过在冷轧或镀锌钢板上涂覆油漆和涂层制成，赋予钢板各种颜色和纹理。它们主要用于家用电器、建筑材料、家具等领域，在这些应用中，外观质量和耐用性是关键因素。
根据产品的不同应用场景，需要不同的图案和纹理，彩涂钢板的表面粗糙度也被划分为多个等级。由于客户对粗糙度的标准各不相同，因此在每个生产阶段都必须交付符合特定标准的产品。
具体现场情况：
某彩涂钢板生产商（C公司）
C公司在彩涂钢板涂装工艺完成后的最终质量检查环节进行表面粗糙度检测。
此前，检测主要通过两种方式进行：
（1）操作人员实时对卷对卷设备进行目视监测，并手动报告纹理等级的任何变化。
（2）生产完成后，对彩涂钢板卷的特定部分进行抽样，并在显微镜下进行检查。
02 存在的问题
目视粗糙度分级的局限性
传统的检测方法依赖熟练的操作人员通过目视对表面纹理进行分级。虽然像1级和8级这样差异明显的等级可以区分开来，但在差异细微的情况下，比如7级到9级，就很难做出准确的判断。
此外，检测结果在很大程度上取决于操作人员的经验和主观判断，这导致检测结果不一致，质量保证的可靠性有限。
03 解决方案
为了克服这些局限性，C公司基于友思特Neuro-T深度学习平台，采用了一种将高分辨率相机与深度学习分类模型相结合的自动化检测系统。该系统能够精确分析肉眼难以察觉的细微纹理差异，并在生产线上实时准确识别超出指定粗糙度标准的区域。
利用面阵相机采集高分辨率图像
面阵相机在彩涂钢板通过卷对卷系统移动时，持续扫描其整个表面。沿着钢板的水平轴按固定间隔采集高分辨率图像。这些图像会附带时间戳和位置数据进行存储，从而可以精确追踪任何质量问题的确切位置。
基于纹理的图像分类（使用分类模型）
基于深度学习的分类模型经过训练，能够识别纹理等级，它会分析表面变化并自动对每张图像的粗糙度等级进行分类。Neuro-T的自动深度学习模型甚至可以检测到肉眼难以区分的细微纹理差异，从而实现对相似等级的高度准确分类。
该分类模型是基于面阵相机采集的数千张高分辨率图像进行训练的。由于手动标注所有图像不切实际，大约100张图像被手动标注了粗糙度等级。
这些标注图像成为使用自动标注功能进行训练的基础，该功能会自动为其余数据建议标签。这种方法在保持训练数据集的一致性和高质量的同时，大大减少了手动工作量。
跟踪超出粗糙度标准的区域
每张扫描图像都包含唯一的ID和像素级位置数据，这些数据可以转换为实际产品上的物理距离（以米为单位）。
当模型检测到粗糙度等级超出指定标准时，它会根据图像数据反向计算出实际钢板上的缺陷区域的确切位置。这使得钢铁制造商能够向客户提供异常区域的精确位置数据。
这样，客户就可以有针对性地对受影响的区域进行切除或返工，大大提高了质量管理的效率。
04 成果与效益
该系统能够对那些通过目视检查或传统基于规则的算法难以检测到的细微粗糙度变化进行定量和自动分析，从而降低了不符合客户规格的风险，并显著减少了质量索赔的发生。
特别是，通过精确计算粗糙度突然变化的起始点，该系统实现了对发货产品质量的定量控制。与人工检测方法相比，它还具备更出色的检测速度和结果一致性。目前，该系统已在C公司的两条生产线上稳定运行，并且其架构具有可扩展性，未来可推广至其他具有相似纹理或图案的产品线。
05 项目主要图片
使用Neuro-T分类模型对彩涂钢板进行表面纹理分类的图像
Neuro-T：零代码自动深度学习训练平台
友思特 Neuro-T是一个用于深度学习视觉检测项目的一体化平台，可用于 项目规划→图像预处理→图像标注→模型训练→模型评估 一系列任务。Neuro-T提供了便捷的工具和友好的图形化界面，只需四个步骤即可创建一个深度学习模型。