采用基于机器视觉的测量方案，能够实现镰刀弯、翘扣头等非对称特征量的实时检测，效率高，安装简单，能够适用于各种安装环境，此外具有自主知识产权的玻璃折射成像模型、标定技术使得在热轧环境下具有更高的检测精度，满足现场检测需求。基于金属三维流动特性的板坯变形模型为基础，结合模糊预测模型、神经网络模型，使得镰刀弯、翘扣头缺陷的控制具有更高的精度，并具备自适应能力，满足各种工况条件下的镰刀弯、翘扣头缺陷控制。相关技术申请发明专利6项，具有自主知识产权，并成果应用于国内大型钢铁企业。

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。

LIBS弥补了传统元素分析方法的不足，具有分析简便快速，对样品形貌要求低，且对样品破坏性小，可进行一定距离范围内的遥测，环境适应性强，从而可以实现自动化在线检测。本项目自主研制基于LIBS技术的全自动废旧金属分拣系统。该系统通过自动样品装载，传动，样品捕获同步控制，采用激光对废样块表面进行预剥蚀，消除表面对基体成分识别的干扰；传输至检测位置后，根据要检测材料的中元素含量范围的差异性特点，筛选特征元素的发射谱线，通过采集的特征谱线信号，优化设计神经网络相关算法，进而实现对材料的快速鉴别，继而通过样品分拣系统完成对样品的分离。

酸洗模型由酸浓度在线检测系统、冷轧带钢表面质量在线检测系统和酸洗工艺段智能系统三部分组成。酸洗模型主要应用与冷轧领域，其中所使用的人工神经网络、遗传算法、数据挖掘和计算机视觉等可拓展应用到冶金信息化多个领域。

加热炉智能控制系统的主要任务是按生产工艺要求，对加热炉内的板坯进行跟踪、控制和合理的加热，准确控制钢坯的出炉温度和均匀度，降低钢坯的氧化烧损，在提高加热质量及产量的前提下节省能源，并负责协调加热炉和轧机的生产匹配。其中，加热炉数学模型是实现加热炉优化控制的基础。 为了有效解决目前加热炉燃烧过程普遍存在的能耗高、钢坯温度波动严重、温度控制精度差等问题，我们从加热炉燃烧过程自动控制、空燃比自动寻优，钢坯温度预测模型研制、温度优化设定、系统实现与工业应用等方面进行深入研究，提出了加热炉燃烧过程智能控制技术，将基理数学模型、模糊控制、专家系统、神经网络、粗糙集、属性关系积理论、排队论等智能化技术有效地应用到实际的工业过程中，提高加热炉的智能控制水平。

以加热炉生产工序中的燃烧过程为研究对象，针对加热炉炉温控制过程中的实际工况特点，采用模糊控制与神经网络控制技术实现对加热炉炉温的智能控制。 实际应用表明，智能燃烧控制系统将模糊、神经网络自适应控制技术应用于加热炉燃烧过程控制，能够克服常规PID在加热炉炉温对象上控制响应慢，超调较大，调节时间长的缺点；通过采用模糊、神经网络控制方法使控制超调小，响应快，稳态误差小，抑制干扰能力强，从而改善控制品质，优化加热炉生产工艺过程中的燃烧效率。 采用逆辨识和逆控制方法对加热炉炉温控制系统开发出基于聚类方法的RBF神经网络快速训练方法，稳定、可靠地实现了对炉温控制系统的实时在线逆辨识与逆控制；采用PSO实现实时在线调整模糊神经网络的参数；采用模糊自适应PID控制器实现实时在线调整炉压；采用C++编写智能控制核心算法程序，C#开发友好用户图形人机界面，这样的开发模式具有运行稳定、开发速度快、可移植性好，易维护等特点。