连铸坯表面质量在线检测，常常被简单地归结为“装相机，再用AI识别”。真正做过现场系统的人都知道，难点往往出现在图像进入算法之前。
热态连铸坯表面温度高，氧化铁皮、粗糙纹理和热辐射同时存在。现场还可能有水汽、粉尘、振动以及有限的安装空间。同一个缺陷，在不同的相机角度、曝光时间和照明条件下，可能呈现出完全不同的图像。细小裂纹有时不是算法没识别出来，而是在成像阶段就已经被反光、氧化铁皮或背景纹理遮住了。
因此，一套真正能够用于钢厂现场的连铸坯表面检测系统，不能只讨论相机型号或AI模型。它必须从检测范围、光学成像、运动采集、缺陷分类到数据追溯形成一个完整的工程闭环。算法很重要，但算法无法弥补不稳定的图像质量。
先确定检测对象，再确定系统方案
表面检测系统首先要回答的不是“选线阵相机还是面阵相机”，而是“现场究竟要识别哪些缺陷”。
连铸坯表面检测可能涉及纵裂、夹杂、划伤、双浇、表面夹渣、异物压入、凹坑和毛刺等。具体缺陷范围要结合钢种、铸机、铸坯断面、表面状态以及后续产品质量要求来确定。
这些缺陷的成像特征并不相同。纵裂往往表现为狭长的亮度或纹理变化；划伤可能与铸坯运行方向一致；凹坑和异物压入可能形成面积更大的局部纹理变化；表面夹渣和氧化铁皮则可能形成不规则区域，容易与真正需要处理的缺陷混淆。
所以，系统不能只给出“有缺陷”或“没有缺陷”两个结果。至少应当保留缺陷位置、长度或面积、所在表面、时间或铸坯位置，以及对应的原始图像。这样，检测结果才能用于复核、质量判定和工艺分析，而不是只在现场屏幕上弹出一个报警框。
关于高温连铸坯在线检测的研究指出，厚氧化铁皮会遮挡内部或表面缺陷，多流铸机还可能需要在狭窄空间内完成四个表面的检测，同时面对高温、粉尘和水汽等环境因素。1
线阵相机、面阵相机，还是两者结合
相机的选择应当服从铸坯的运动方式和断面结构。
线阵相机是一行一行地采集图像，随着铸坯移动，再利用编码器或速度信号拼接成连续的表面图像。这种方式适合连续运行的铸坯，也适合需要保存较长表面图像的场景。由于每次只采集一条线，照明可以围绕检测线进行设计，便于形成稳定的光照区域。
线阵方案的关键在于线频、铸坯速度、曝光时间和图像拼接之间的匹配。如果速度信号不稳定，或者线频设置不合适，最终图像可能在运行方向上出现拉伸、压缩或局部变形。
面阵相机一次采集一个二维区域，局部图像更直观，也便于进行缺陷分类、字符识别等任务。对于高速运动的热态铸坯，面阵相机通常需要较短曝光时间，并配合高亮度频闪光源冻结运动。由于整个视场都要获得相对稳定的照明，光源布置和触发同步要求更高。
在一些连铸坯表面检测系统中，线阵和面阵并不是二选一，而是分别承担不同任务。本文参考的技术资料中，线阵相机用于拼接形成铸坯上下表面的连续图像，面阵相机则提供补充图像，并在图像处理计算机内完成基于深度学习的缺陷检测和分类。两种成像方式互相补充，而不是简单重复。
钢材表面自动检测研究也表明，线阵和面阵相机都已用于工业表面检测。线阵相机便于围绕检测区域建立均匀照明，但需要依靠连续扫描和图像拼接；面阵相机则要特别关注整个视场内的照明一致性。2
照明不是相机的附属件
在连铸坯检测中，照明系统决定了哪些表面特征能够被看见，也决定了哪些背景变化会被误认为缺陷。因此，光源不能等相机选完以后再简单补充。
热态铸坯本身会产生强烈的热辐射，表面还存在氧化铁皮、粗糙度和方向性纹理。光源、相机和铸坯表面的角度发生变化，反射也会随之变化。照明不均可能产生带状亮区，被误认为裂纹、划伤或夹杂；照明不足又会让真实缺陷与背景之间缺少对比度。
一个适合热态连铸坯的成像方案，可能会同时采用相机短曝光、红外波段截止滤镜、高亮度LED光源、LED频闪光源和大光圈镜头。目的不是单纯把图像照亮，而是降低热辐射干扰、减少运动拖影，并让缺陷与局部背景之间保持足够的对比度。
对于线阵相机，可以采用亮度可调的LED恒亮光源，使检测线上的光照保持稳定。对于面阵相机，则可以使用高亮度频闪光源，在很短的曝光时间内提供足够光量。频闪、相机触发和铸坯位置必须同步，否则不同铸坯之间可能出现亮度变化或运动模糊。
相关钢材表面检测研究把照明视为系统设计的一部分。氧化铁皮、振动、照明变化和伪缺陷会增加图像噪声，而金属纹理表面的反光既可能看起来像缺陷，也可能把真实缺陷遮住。2这意味着，如果训练数据中的图像质量不稳定，模型学到的可能不仅是缺陷特征，还包括现场照明的变化。
分辨率不等于缺陷检测能力
设计分辨率是一个重要参数，但不能单独用来证明系统可以识别所有相同尺寸的缺陷。
最终效果还会受到镜头质量、对焦状态、景深、曝光时间、运行速度、缺陷对比度、表面温度、氧化铁皮覆盖情况以及算法阈值的影响。标称像素尺寸足够小，并不代表缺陷一定能够被正确分类。如果图像已经拖影、过曝，或者缺陷被氧化铁皮遮挡，分辨率再高也解决不了问题。
本文参考的技术资料中，线阵与面阵组合检测方案的设计分辨率为0.25 mm × 0.25 mm。这个数值应当理解为该系统配置下的设计参数，不能直接当作所有钢种、所有铸坯和所有缺陷类型的通用检测保证。
在项目技术协议中，分辨率必须与验收方法联系起来。协议应明确铸坯断面、运行速度、表面温度范围、缺陷样本、最小目标尺寸，以及检出率、分类率和误检率的计算方法。
全表面检测需要机电设计配合
“全表面检测”不能只作为宣传用语。它必须明确系统覆盖哪些表面，通常包括铸坯上下表面；如果产品质量要求更高，还可能需要增加两侧端面检测。
相机需要稳定安装，并能够重复定位和校准。在高温、粉尘环境中，光学通道还要在维护周期内保持可用。本文参考的技术资料中，检测装置采用了相机防护结构、镜头前过滤气流、密封箱体、隔热防护板以及可抽拉或平移的维护机构。
这些设计会直接影响数据质量。镜头落灰不只是画面变暗，它还会改变检测模型所看到的背景，导致误检率随时间升高。光源表面附着氧化物后，照明会变得不均匀。方便维护的结构因此不是单纯为了检修方便，而是为了保持图像条件稳定。
压缩空气吹扫也需要工程化设计，包括气源质量、压力、喷嘴形状、排水以及气流对粉尘运动的影响。如果吹扫只是把灰尘从镜头附近吹到箱体的另一处，长期效果可能并不理想。
缺陷分类必须建立数据闭环
缺陷检测和缺陷分类不是一回事。
检测是判断某个区域是否可能存在缺陷，并确定它的位置；分类则要判断它属于哪一类缺陷。对于钢厂现场来说，分类往往更难，因为不同缺陷的图像可能相似，同一种缺陷在不同钢种、温度、浇注条件和表面状态下也可能呈现不同特征。
深度学习模块可以从图像中提取特征，输出缺陷位置和类别。但模型效果取决于训练数据是否稳定、是否覆盖真实现场。正常的氧化铁皮、反光和表面纹理如果没有充分进入样本库，系统就可能把正常状态误判为缺陷。
本文参考的技术资料描述了一套较完整的分类流程：从数据库获取新的连铸坯图像，将图像输入持续运行的模型，完成特征提取、检测框生成和分类计算，再把位置与类别信息写回数据库。资料还强调了四个条件：持续输入高质量缺陷数据、持续迭代模型、结合工艺经验进行二次分类，以及自动收集缺陷图像以快速积累样本。
这比简单地说“使用AI提高识别率”更符合现场实际。模型不是安装完成后就永远不变的成品。它的表现取决于现场图像采集是否稳定、数据是否持续积累，以及误检和漏检结果是否被复核并用于后续迭代。
缺陷记录中应该保存什么
一张没有生产上下文的缺陷图片，使用价值是有限的。至少应当把图像与铸坯号、时间、表面位置和图像坐标关联起来。根据钢厂控制系统的结构，还可以关联流别、铸机、钢种、浇次、拉速、冷却条件以及后续处置结果。
本文参考的技术资料提出了长周期历史数据保存和质量数据一贯制接口，并将铸坯号自动识别作为可选模块。该模块通过对射开关检测铸坯位置，在字符面到达指定位置时触发光源和相机拍摄，使字符面位于较稳定的对焦位置。随后，字符识别结果可以与L2信息进行比对；当字符无法识别或信息不匹配时，系统发出报警提示。
这种身份关联很重要。检测系统发现缺陷只是第一步，质量人员还需要知道是哪一块铸坯、哪个浇次或哪一批材料需要暂存、复核或调整去向。如果产品身份无法可靠匹配，检测结果就很难真正进入质量管理流程。
从缺陷报警到工艺决策
评价在线检测系统，不能只看屏幕上能显示多少缺陷。更重要的是，缺陷被识别以后，现场准备如何处理。
一个完整的流程通常包括图像复核、人工确认、缺陷分类修正、铸坯处置以及对连铸工艺的反馈。本文参考的技术资料提出了与L1、L3生产控制系统融合的方向，使物流节奏可以根据检测结果进行调整。实际项目中，哪些动作自动执行、哪些动作只作为操作提示，必须写进控制逻辑和安全评审文件，不能笼统地写成“自动控制”。
还要区分算法指标和系统运行指标。检出率高，并不代表系统就一定好用。如果系统经常掉线、图像无法回看、数据写入失败或报警数量过多，操作人员最终仍然不会依赖它。误检率控制同样重要，因为持续的无效报警会降低现场对系统的信任。
因此，项目验收不能只做一次模型精度测试，还应检查图像质量、覆盖范围、触发时序、铸坯号匹配、数据库写入、报警处理和已知缺陷样本的响应。
技术协议应该怎样写
连铸坯表面检测的采购或EPC技术协议，应当把“表面—图像—算法—数据—决策”完整写出来。至少应明确检测表面、铸坯断面、温度和速度范围、缺陷目录、相机组合、照明方式、分辨率、数据字段、报警逻辑、系统接口和验收方法。
建议把指标分成三类。第一类是图像采集指标，例如检测覆盖范围、对焦、曝光和分辨率；第二类是算法指标，例如检出率、分类率和误检率；第三类是系统指标，例如运行率、历史数据保存、铸坯号匹配和报警响应时间。
这样做的好处是便于验收，也能避免用一个算法指标掩盖相机位置、照明稳定性或设备维护条件的问题。
结语
连铸坯表面质量在线检测，不是把相机安装在热态铸坯上方，再用一批图片训练模型就能完成。系统必须先获得稳定的图像，在恶劣环境中长期保持成像质量，准确识别铸坯身份，使用符合真实工况的数据进行缺陷分类，并把结果送回质量和生产流程。
从本文参考的技术方案来看，最值得借鉴的不是某一个相机或某一个算法，而是光学成像、设备防护、缺陷数据积累和模型迭代之间的关系。任何一环被忽略，系统都可能拥有漂亮的界面，却难以真正成为连铸机出口处可靠的质量控制工具。
