针对上述传统质量检测方法的问题，开发能够实现中厚板表面质量在线检测检测手段势在必行，成为生产中亟待解决的问题、意义重大。 （1）采用基于非接触的 CCD 成像原理，实现在线抓捕高温表面钢板的图像,解决复杂环境下高对比度、高清晰的成像。 （2）开发实时高效的在线检测及在线分析技术。中板厂生产节奏快，快的时候不到 2 分钟一块钢板就轧制完成。所以表面检测系统必须是在生产时快速成像、快速处理图像，在下一块钢板到达矫直机之前快速形成检测结果提供给操作工，需要极快的处理速度 （3）根据中厚板表面复杂的特殊情况，建立高准确度的缺陷识别模型。中厚板水、氧化铁皮等造成表面非常复杂，需开发准确度高的缺陷识别模型，才能实现在线缺陷识别。

由北京科技大学、山西太钢不锈钢股份有限公司、马钢(集团)控股有限公司、甘肃酒钢集团宏兴钢铁有限公司不锈钢分公司和北京科技大学设计研究院有限公司等单位共同完成的“基于深度学习的热轧带钢表面在线检测与质量评级”项目，针对在线应用的表面缺陷检测系统存在缺陷检出率与识别率低、周期性缺陷难以检测、未能实现表面质量在线分级等问题，将深度学习算法应用于热轧带钢表面缺陷在线检测与识别，开发了基于深度学习的热轧带钢表面在线检测与质量评级系统，取得的创新性成果如下： 1. 开发了基于深度学习的热轧带钢表面缺陷检测算法，常见缺陷检出率达98%，识别率达92%，与国外先进系统相比，缺陷检出率和识别率分别提高了3%和7%。 2. 提出了基于对抗生成网络的半监督样本学习方法，能够有效的利用大量无标签样本，解决深度学习方法对有标签样本需求量大的难题。 3. 开发了基于长短时记忆网络的周期性缺陷识别算法，实现了热轧带钢辊印、划伤等批量缺陷的追踪及预警，可有效避免批量质量事故。 4. 采用层次分析法对热轧带钢进行表面质量综合评级，充分挖掘表面检测系统提供的缺陷信息，综合考虑缺陷类别、尺寸和数量等因素，实现了热轧带钢表面质量评级从人工经验到量化模型的智能转变。 该项目获得授权发明专利4件，软件著作权8件，发表论文38篇；成功开发了基于深度学习的热轧带钢表面在线检测与质量评级系统，在太钢、马钢、酒钢以及台湾尚承钢铁、印尼青山钢铁等多家企业成功应用，推动了热轧带钢表面质量和生产效率的提高，经济和社会效益显著。

钢铁工业产品线中热连轧、中厚板、连铸坯、棒材、冷轧板带等生产线具有复杂性、多变性等特点，其产品的质量好坏直接影响到生产 效率和企业效益。针对这种高温、高速、人工检测效率极低、工人强度大安全性难移保证等众多关键问题，我们开发钢铁工业非接触的、高速、高精度在线质量检测关键技术具有非常重要的现实意义。 该技术给出了基于机器视觉的高温高速成像，复杂背景缺陷库及模型建立，并行计算系统等关键技术的成套钢铁工业视觉检测方案，通过工业摄像机获取到的大量钢板图像数据，经过并行计算机系统综合计算、分析，使用深度学习卷积神经网络方法建立缺陷数据识别模型，这样在生产过程中若再次出现同类缺陷类型时实现将同类缺陷抓拍并检测识别出来，从而实现质量自动分析及缺陷报警。 应用该技术可以对钢铁工业板带钢生产减少废品率，减少开卷次数，减少翻板次数，降低工人劳动强度，改善工人质检作业环境，实现在线质量检测的同时可整体提高产线生产效率。从实际应用上看，可大幅度减少由于批量质量问题产生的损失，该技术已推广到多个热连轧、中厚板、连铸坯、棒材、退火酸洗等生产线应用，据有些客户热轧、中厚板钢厂使用该技术后实际数据对比可知，每年整体产生1000万以上的价值。