仪器仪表学报

作者：段伯伟，王东城，徐扬欢，邢佳文，刘宏民

单位：段伯伟,燕山大学国家冷轧板带装备及工艺工程技术研究中心秦皇岛066004,bwduan1@163.com,王东城,1.燕山大学国家冷轧板带装备及工艺工程技术研究中心秦皇岛066004； 2.中国重型机械研究院股份公司 金属成形技术与重型装备全国重点实验室西安710032,wdc-731@163.com,徐扬欢,燕山大学国家冷轧板带装备及工艺工程技术研究中心秦皇岛066004,,邢佳文,燕山大学国家冷轧板带装备及工艺工程技术研究中心秦皇岛066004,,刘宏民,燕山大学国家冷轧板带装备及工艺工程技术研究中心秦皇岛066004,

关键词：冷轧带材;跑偏量;机器视觉;智能语义分割;通道注意力机制

基金：国家自然科学基金项目（U21A20118）、河北省自然科学基金面上项目（E2023203065）、金属成形技术与重型装备全国重点实验室(中国重型院)开放课题项目（S2208100.W04）资助

针对冷轧生产过程中缺少实测跑偏量引起的板形控制精度低、断带等问题,提出一种基于机器视觉的冷轧带材跑偏量智能检测方法。以经典UNet网络为基础搭建一种轻量化的网络结构,用于冷轧带材智能分割。采用MobileNetV2替换UNet原始收缩路径并在连接结构中嵌入通道注意力ECA_Module,在有效降低网络参数量的同时突出对目标特征的感知能力。采用此网络训练得到带材区域分割模型(SRS_M),其精度指标交并比平均值（mIoU）和像素精度平均值（mPA）分别达到了98.83%和99.36%,单张图像推理时间为40.57ms。以SRS_M模型为基础,结合边缘位置提取算法,建立带材跑偏量检测模型。通过现场安装的边缘检测装置采集1503个跑偏量样本数据,对方法进行验证。其中,92.82%样本的绝对误差在±2mm,全部样本绝对误差均在±3.5mm,证明了方法的有效性。

来源：2024年第9期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2024年第9期