传统的冷轧板表面缺陷检测依赖于人工，这对质检工人的经验提出了很高的要求，而且人工质检的标准难以始终统一，有较大的检测误差，随着计算机和人工智能技术的飞速发展，使得人工智能视觉算法代替人工质检成为可能，通过在冷轧板制造产线收集缺陷样本，可以快速完成缺陷检测模型的训练，并且在日常生产过程中不断迭代升级，能够始终保持较高的质检标准，相比于人工质检大大减少误差，同时基于物联网技术建立精细化管理系统，提高冷轧板表面缺陷的检测精度和管理效率。

系统架构：

采用深度学习人工智能算法与传统计算机视觉技术结合的技术路线，将工业相机采集到的图像通过图像增强技术突出某些视觉特征不明显的缺陷特征，利于后续检测阶段的开展，采用单阶段目标检测模型检测钢材表面缺陷，随后提取所有测得缺陷的量化特征，根据量化特征对每个钢卷的不良程度进行评级，将缺陷数据导入钢材表面质量精细化管理系统，实现缺陷的高精度检测和自动评级。

系统优势：

基于深度学习的缺陷检测技术是当前最为前沿的质量检测方法，依托于深度学习技术可以实现高精度的缺陷定位与分类，利用其打造的精细化管理系统可以实现对钢材质量的精细化把控。使用精细化管理系统可以有效提升缺陷检测精度，在很大程度上减少人工复核投入，从而大大节省人力成本，提高生产效率。

技术参数：

（1）表检仪图片数据存储年限根据客户要求调整

（2）冷轧板表面缺陷类型可支持根据现场情况自定义新增缺陷类型，协助现场至少新增一种缺陷，对于新增缺陷的识别准确度大于85%。

（3）对于已知缺陷，算法判别结果与专家判别结果检测重合度达到95%。

（4）对于未知缺陷，系统无法判定需人工介入的缺陷比例不高于20%

（5）FC级及以上的判级精度不小于95%。