钢铁连铸坯AI表检：把肉眼看不见的裂纹，挡在轧线之前
钢铁连铸坯表面缺陷检测长期依赖人工目测，漏检率高、劳动强度大；AI视觉把高温铸坯的裂纹、结疤、凹陷从"事后抽检"升级为"在线全检"，北科大系统普通钢种缺陷检出率达98.35%。
钢铁连铸坯表面缺陷检测是钢铁质量管控的第一道关口，它通过机器视觉与深度学习在高温铸坯上实时识别裂纹、结疤、凹陷等缺陷，将普通钢种缺陷检出率从人工目测的约80%提升到98.35%。答案很直接：AI表检就是给红热铸坯装上"不眨眼的眼睛"，把质量风险挡在轧线之前。
一、案例速写
连铸是把钢水连续浇铸成坯料的核心工序，铸坯表面质量直接决定后续轧材的成材率与安全性。长期以来，这道关口的检测靠的是"人眼 + 测宽杆"——工人近距离盯着1000℃以上的红热铸坯，凭经验判断有没有裂纹、结疤、凹陷。
这套方式的硬伤是结构性的：高温辐射与氧化铁皮让肉眼极易疲劳，漏检率高；工作环境恶劣，招工难、留人更难。据北京科技大学与山东钢铁、太钢、广西北港新材料等企业的联合项目披露，常规人工检测"缺陷漏检和工人劳动强度大、工作环境恶劣"。（信源：中国金属学会《多信息融合的高温连铸坯表面在线检测装备与质量优化关键技术》，北京科技大学，2024）
真正的拐点出现在机器视觉上生产线。北科大这套多信息融合系统，普通钢种常见缺陷检出率达98.35%，包晶钢、铌钒钛微合金化钢种检出率95.68%，缺陷识别准确率91.79%；质量预报准确率由69.5%提升至93.56%，铸坯表面缺陷率从8.2%下降到2.7%。（信源同上）在山钢异形坯生产线，系统投用后异形坯精整量降低5%，后道工序轧材修磨量降低83.7%。
商业落地也已跑通：首钢京唐部署8套镭目"智眸"铸坯表检平台，全工位覆盖率超90%，缺陷检出率超96%、裂纹等关键缺陷检出率高达99%，单套系统年直接经济效益170万元，总体年增效达1400万元。（信源：新浪财经《镭目智眸铸坯表检平台助力首钢京唐减人增效》，2024-03）
二、转型动因
钢铁企业上AI表检，推力来自三处：
第一，质量红线在抬升。 高端钢材（汽车板、硅钢、管线钢）对表面零缺陷的要求近乎苛刻，一条未被发现的裂纹流到轧线，可能演变成整卷报废甚至下游安全事故。人工目测的漏检率，已经扛不住这个红线。
第二，人留不住。 红热铸坯旁的检测岗，夏天烤、冬天呛，年轻人根本不愿意干。这不是"多招几个人"能解决的，是岗位本身在消失。
第三，热装热送要算账。 铸坯越快进轧线，能耗与铁损越低。人工检测要停、要翻面、要靠水爆清渣，拖慢节奏；AI在线检测替代人工后，首钢京唐铸坯平均热送率提高10%以上、部分线提高20%，这背后是实打实的煤气与电费。（信源同上）
三、技术嵌入
连铸坯表检的技术难点不在"装个相机"，而在"高温 + 干扰"下的成像与判别：
- 成像：铸坯表面1000℃以上，自身辐射强、氧化铁皮与水渍满天飞。北科大用半导体蓝色激光主动照明 + 二维灰度/三维深度/表面温度同步采集，把微小裂纹从背景噪声里"打"出来；重钢早期方案则用绿色激光线 + 窄带滤色镜滤除红外辐射，检测精度达0.35毫米。（信源：中国金属学会；铁诺咨询网《重钢连铸板坯表面缺陷在线检测技术的开发与应用》）
- 判别：传统算法分不清"真缺陷"和"伪缺陷"（氧化铁皮、振痕、水痕长得像缺陷），误报满天飞。北科大用神经风格迁移做数据增强解决小样本问题，再用温度信息 + 光度立体做伪缺陷剔除，把识别准确率拉到91.79%。
- 闭环：最值钱的一步是把"检测"接到"预报 + 优化"。系统用即时学习算法，根据表检结果在线纠正质量预报模型，形成"检测—预报—优化—控制"闭环，这才是质量预报准确率从69.5%跳到93.56%的原因。
3.5 能力单元分析 ★ 必填
这是本文的核心。用能力单元论拆解，AI表检做的不是"替代一个人"，而是把"质检能力单元"从人工身上分离出来、重新封装、再接入产线调度：
- 分离了什么既有单元？ 原来"看坯—判断—记录—反馈"是老师傅身上的一个不可分割的复合能力单元，依附于人、随人走、不可调用。AI把它拆成"成像采集""缺陷识别""质量评级""根因诊断"四个可独立调用的子单元。
- 重组出什么新单元？ "在线全检单元"+"质量预报单元"+"工艺优化单元"组合成"铸坯质量闭环管控单元"，这是一个人工时代根本不存在的新能力单元——它7×24小时在线、不疲劳、可复制、可跨线迁移。
- 调度逻辑变了什么？ 过去质检是"事后、抽样、离线"，缺陷发现滞后到轧线甚至客户端；现在质检变成"在线、全检、实时"，缺陷信号直接进入连铸工艺参数调节回路。调度从"批处理"变成"流式"——这正是能力单元论在现场的典型现场：单元被分离后，调度粒度从"班次"细化到"每一根铸坯"。
四、组织变阵
技术落地最先动的是岗位，不是设备。山钢、首钢京唐的共同动作是：取消线下检查缺陷的人工岗位，检测人员退到检测室"看屏幕判断"，劳动强度与环境一并改善。（信源：新浪财经；中国金属学会）这意味着两类岗位此消彼长——红热坯旁的"目测工"减少，后端的"算法运维 + 质量分析师"增加。组织从"人盯设备"转向"人管系统"，对人的要求从"经验"转向"读得懂数据与报警"。
五、ROI兑现与踩坑
兑现面很实：首钢京唐年增效1400万元、山钢修磨量降83.7%、热送率提升带来的能耗节约，都是可核算的回报。
但边界必须诚实交代：
- 小样本与长尾缺陷仍是坑。系统对训练过的常见缺陷准，对没见过的新型缺陷（新钢种、新工艺）容易误报或漏报，北科大用神经风格迁移缓解而非根治。
- 不是所有坯型都好做。异形坯、合金钢比普通板坯难得多，检出率差几个百分点就是质量事故，不能照搬板坯模型。
- 伪缺陷没清零。氧化铁皮、振痕的误报仍要靠温度/三维信息压制，算法调参是持续活，不是"上线就完事"。
- 热坯环境啃设备。防护箱、吹扫、隔热做不好，相机镜头被氧化铁皮糊住，系统直接罢工——这是工程坑，不是算法坑。
六、可迁移方法论
用四则法抽象这套打法：
- 除法（拆解）：把"老师傅复合能力"拆成可独立调用的子单元，是第一步，也是最关键的一步。
- 乘法（复用）：一套模型跨产线、跨钢种复用（北科大系统已覆盖异形坯、板坯多条线），复用率越高，单线成本越低。
- 减法（聚焦）：放弃"全缺陷万能识别"的幻想，先啃最常见的裂纹、结疤，长尾交给人工兜底。
- 加法（闭环）：把检测接到预报与工艺优化，让单元之间产生调度回路，价值才从"看见"升级到"预防"。