冷轧带钢表面缺陷在线监测系统

D0I:10.13374/j.1ssn1001-053x.2002.03.068 第24卷第3期 北京科技大学学报 Vol.24 No.3 2002年6月 Journal of University of Science and Technology Beijing Jun.2002 冷轧带钢表面缺陷在线监测系统 徐科徐金梧陈雨来 北京科技大学高效轧制国家工程研究中心，北京100083 摘要介绍一套目前已在实验室中开发成功的冷轧带钢表面缺陷在线监测系统，该系统用 于在线检测和识别冷轧带钢的表面缺陷.系统采用多个面阵CCD摄像头同步采集带钢表面的 图像，并通过并行计算系统对图像进行分析和处理，以得到钢板表面的缺陷情况，系统在软件 流程上进行了特殊的设计，以保证实时数据处理功能.经试验，系统对“乳化液斑痕”、“锈痕”、 “压入氧化铁皮”、“辊印”、“折印”和“边裂”等6种常见的冷轧带钢表面缺陷类型识别率在90% 以上. 关键词冷轧带钢；表面缺陷；在线监测；图像处理 分类号TH741.3 表面缺陷是影响冷轧带钢表面质量的一个 重要因素，如何在生产过程中在线检测带钢的 表面缺陷，从而控制和提高带钢产品的表面质 车幕出港 量一直是钢铁企业非常关注的内容.国外已经 开发出高精度的热轧和冷轧带钢的表面缺陷监 测系统，，但是国内目前还没有一套用于带钢 生产线的表面质量在线监测系统，使国内的带 钢产品由于表面质量问题而缺乏在国际市场上 的竞争力.因此，研究和开发表面质量在线监测 并6推抵应利 系统对我国钢铁企业具有重要的意义， 图1监测系统的总体结构 本文介绍了目前已在实验室环境下开发成 Fig.1 Constitution of the inspection system 功的一套基于图像处理的冷轧带钢表面质量在 测宽度，系统采用多个面阵CCD摄像头同步采 线监测系统B该系统采用多个面阵CCD摄像 集图像的方式，摄像头的数目由检测精度和检 头同步采集运动状态下的冷轧带钢表面图像， 测宽度决定.理想的情况应该是相邻摄像头采 并且通过并行计算机系统对图像进行分析和处 集到的图像之间既无重叠，也无间隙，从而保证 理，从而得到缺陷的检测和识别结果.本文对系 对物体表面无重复、无遗漏的检测.但是这样的 统的总体结构和软件流程进行了详细的介绍， 话需要保证每个摄像头都有很高的定位精度， 并且给出了对系统所做的试验结果， 如果摄像头数目很多的话，实现起来有一定的 难度.系统中采用相邻摄像头采集到的图像之 1系统的总体结构 间有重叠的方式，如图2所示.重叠的图像可以 系统的总体结构如图1所示，可以看到，系 在后续的处理中，采用对相邻摄像头采集的图 统由检测装置、并行计算机系统、服务器和控制 像各取一半（左边摄像头采集的图像取左半部 台组成. 分，右边摄像头取右半部分)的方式来消除.为 检测装置安装在生产线上，由摄像头、光源 了能够同时检测上、下表面，在被检测物体的上 和保护罩组成.为了提高系统的检测精度和检 部和下部都需要放置检测装置.为了保护摄像 收稿日期2001-11-26徐科男，29岁，副研究员 头和照明装置，并且避免环境光源对图像采集 *国家自然科学基金资助课题No.50074010) 的影响，检测装置被封装在保护罩内，与外界隔

DOI: 10. 13374 /j . issn1001 -053x. 2002. 03. 068

·330◆ 北京科技大学学报 2002年第3期 的考验.本系统在总体设计上采用并行计算系 统，从硬件上保证系统的实时数据处理能力.同 时在软件设计上也需要采用特殊的方法，保证 系统的实时数据处理能力.图3是系统的软件 流程图. 从图3可以看到，系统的数据处理通过“实 时处理”与“准时处理”2种方式来进行，这2种 处理方式在2个不同级别的线程中实现，其中 图2摄像头的安装方式 “实时处理”的线程级别高，需要CPU进行实时 Fig.2 Installation of cameras 处理，而“准时处理”的线程级别低，可以在CPU 离开. 有空闲的时候进行处理 由摄像头摄取的视频图像信号传送给并行 计算机系统，并由并行计算系统中对图像进行 处理和分析，得到缺陷检测和识别的结果.并行 图像数字化 目标检测 计算系统中采用了多个CPU同步工作的方式， 实时处理 信 每个CPU单独对每个摄像头采集到的图像进 准时处理 缺陷检测 行处理和分析.通过这种并行计算方式可大大 提高系统的数据处理能力，保证系统的在线检 检测控制 缺陷识别 测要求.并行计算机系统中有输入被检测物体 运动速度的接口，以便系统根据物体的运动速 控制信息 缺陷信息 度来调整图像采集速度，保证采集到的表面图 服务器 像不重叠.并行计算系统放置在检测装置的附 图3系统的软件流程图 近，以便保证数据传输的可靠性 Fig.3 Flow chart of software of the system 并行计算系统得到的缺陷尺寸、部位、类 “实时处理”方式包含2个步骤：“图像数字 型、等级等信息传递给服务器.由于并行计算系 化”和“目标检测”.“图像数字化”的目的是将 统中的每个CPU是对每个摄像头单独处理的 摄像头采集到的视频图像通过采样和量化转化 结果，因此传递给服务器的缺陷信息是对单个 为数字图像，并且传送给CPU,以便进行处理 摄像头采集到的图像的处理结果.如果缺陷分 “目标检测”的目的是检测图像中是否存在着缺 布在不同摄像头采集到的图像中的话，那么需 要在服务器中对这些缺陷进行合并.缺陷保存 陷，以便决定该图像是否需要进一步处理.如果 图像中不存在缺陷的话，就不需要对这幅图像 在服务器的数据库中，并且可根据需要进行统 作进一步处理；如果图像中存在缺陷的话，就把 计分析和更新维护 这幅图像放入到计算机的缓冲区中.“图像数字 通过控制台可以得到服务器中缺陷检测和 化”和“目标检测”2个步骤需要实时完成，因此 识别的结果，以便生产人员采取相应策略，避免 它们被放置在“实时处理”线程中.并且，“目标 表面缺陷的继续产生 检测”中所用的算法比较简单，只是检测图像中 2系统的软件设计 是否存在缺陷. 放入缓冲区中的图像需要进一步的处理， 软件设计是系统的关键。系统用于在线检 以便确定缺陷所在的区域，并且对缺陷进行分 测，因此需要对数据进行实时处理.系统中用的 类和分级，这些通过“缺陷检测”和“缺陷识别” CCD摄像头的采集速度为50场/s,1场的像素 2个步骤实现.由于这些图像已经被放人缓冲 为768×277，每个像素的灰度级为256级.因此 区中，只要缓冲区不溢出的话，就可以随时把这 需要在0.02s之内完成一幅像素为768×277×8 些图像调出来加以处理.因此“缺陷检测”和“缺 bits图像的所有处理任务，包括缺陷的检测和缺 陷识别”2个步骤不需要实时完成，可以在CPU 陷的识别，这对系统的数据处理能力是一极大 有空闲的时候进行，这2个步骤可以放置在“准

VoL.24 徐科等：冷轧带钢表面缺陷在线监测系统 ·331 时处理”线程中 缺陷”数目除以总的缺陷数目就是系统总的误 为了保证系统对缺陷有高的检出率和识别 识率.经这样处理后，得到系统的漏识率和误识 率，系统中所用的缺陷检测和缺陷识别算法比 率如表1所示. 较复杂，所需的处理时间比较长.但是，由于整 表1缺陷检测结果 个带卷上存在缺陷的区域所占比例很小，一般 Table 1 Result of defect detection 个 在5%以下，需要“准时处理”的数据量比起需要 缺陷ROI未检测漏识率/误识率/ “实时处理”的数据量少了很多.这样的话，虽然 缺陷类型 数量数目到数目% % “准时处理”线程中的算法比较复杂，但所需处 乳化液斑痕346 418 42 12.1 理的数据量少；而“实时处理”线程中的算法比 压入氧化铁皮 1292058 8 6.2 较简单，但所需处理的数据量多.因此，“准时处 锈痕 462 487 36 7.8 理”线程和“实时处理”线程所占的CPU时间基 折印 385 379 56 14.5 本相等，如果处理一场图像所需的时间为0.02 边裂 369 495 35 9.5 辊印 138 215 8.7 s,那么这2个线程各占0.01s左右 非缺陷 82 通过“实时处理”与“准时处理”2种方式， 总计 1829413418910.34.5 既可以满足系统的在线监测要求，又保证系统 具有高的缺陷检出率与识别率 从表1可以看出，“乳化液斑痕”和“折印” 的漏识率比较高.“折印”是一种很难检测的缺 3试验 陷，而“乳化液斑痕”漏识率高的原因是“乳化液 从国内某大型钢铁企业冷轧厂采集冷轧带 斑痕”在图像中的灰度分布不均匀，有些“乳化 液斑痕”与背景灰度的对比度很大，有些则很 钢样本，由人工对这些样本中的缺陷进行标定 小，很难检测到 这些样本包含了“乳化液斑痕”、“锈痕”、“压入 氧化铁皮”、“辊印、“折印”和“边裂”等6种常 在考虑缺陷的检出率时还需要考虑缺陷的 误识率.缺陷的误识率主要是由图像中的噪声 见的冷轧带钢表面缺陷类型.每种类型的缺陷 和一些非缺陷的因素，如表面的脏物或尘埃等 数目如表1所示，由于这些缺陷是用人眼来标 引起的.虽然在后面的“缺陷识别”步骤中可以 定的，存在着一些主观因素，因此表中的数据仅 通过缺陷分类算法把这些“非缺陷”识别出来， 作为参考.系统对这些样本进行自动检测，系统 但是“非缺陷”数量的增加会影响系统的运算性 检测到的缺陷用ROI(Region of Interest)来表示. 能，因此需要尽可能降低误识率.从试验可以看 由于ROI与人工标定的缺陷不一定一一对应， 存在着一个ROI包含了多个缺陷，或者多个ROI 到，系统的误识率非常低，这对于在线监测是很 有利的.还需要指出的是，“压入氧化铁皮”缺陷 存在于一个缺陷中的情况，因此系统检测到的 的数目不多，但检测出来的RO[却很多，这是因 ROI数目与人工标定的缺陷数目存在着较大的 为“压人氧化铁皮”缺陷往往呈片状分布，片与 差异.为了能统计系统对缺陷的误识率和漏识 片之间灰度分布很不均匀，因此容易造成一个 率，本文作了如下的处理： “压入氧化铁皮”缺陷被检测成好几个甚至几十 (1)对已经有RO1标识的缺陷则认为该缺陷 个ROI的现象.因此系统对缺陷的标定是以ROI 已经检测到了，不管该缺陷包含在多少个RO1 为准的，因此这种现象会造成缺陷标定上的错 之中 误，应该尽量避免.但是目前还没有找到正确标 (2)对于没有用ROI标识的缺陷，则认为该 缺陷未被检测到，也就是漏识现象.表1中用 定“压人氧化铁皮”缺陷的方法，在今后工作中 应该研究更好的方法 “未检测到数目”表示该缺陷类型未被检测到的 经缺陷检测后，系统对表1中的ROI进行 缺陷数目 自动分类，分类的结果如表2所示. (3)未检测到的缺陷数目除以该缺陷类型的 由表2可以看到，系统对6种冷轧带钢表 缺陷总数就是该缺陷类型的漏识率 面缺陷的识别率非常高，都超过或接近90%.但 (4)有些ROI包含的是“非缺陷”，即把不是 是对“非缺陷”的识别率不高，原因是“非缺陷” 缺陷的区域检测成缺陷，这属于误识现象.“非 是由多种原因造成的，如可能由图像的噪声产

、 b l 一 2 4 徐科 等 : 冷 轧带 钢表面 缺陷在线 监测 系统 一 33 1 - 时处理 ” 线程 中 . 为了保证系统对缺 陷有高 的检出率 和识别 率 , 系统 中所用的缺陷检测和 缺陷识别算法 比 较复杂 , 所 需的 处理时间 比较 长 . 但是 , 由于 整 个带卷上存在缺 陷的区域所 占比例很小 , 一般 在 5% 以下 , 需要 “ 准时处理 ” 的数据量 比起需要 “ 实时处理 ” 的数据量少 了很多 . 这样的话 , 虽 然 “ 准时处理 ” 线程 中的算法 比较复杂 , 但所需处 理 的数 据量少 ; 而 “ 实时处理 ” 线程 中的算 法 比 较简单 , 但所需处理的数据量多 . 因此 , “ 准时处 理 ” 线程和 “ 实时处 理 ” 线程所 占的 C P U 时间基 本相等 , 如果处理一场图 像所 需的时间为 .0 02 s , 那么 这 2 个线程各 占 .0 01 5 左右 . 通 过 “ 实时处理 ” 与 “ 准时处理 ” 2 种方式 , 既可 以 满足 系统的在线监测 要求 , 又 保证系统 具有高的缺陷检出率与识别率 . 缺陷 ” 数 目除 以 总的缺 陷数 目就是系统总的误 识率 . 经这样处理后 , 得到系统 的漏识率和误识 率如表 1 所示 . 表 1 缺陷检测 结果 . 介 b l e I R昭u l t o f d e fe e t d e t e e ti o n 目一沼)I79558 人r t 一丫- ù勺0 诊 从甲一R4 91 月峥飞à 4 `, 嘎一4629382985 山ē勺一内j月呀门1. 一àj飞 1 缺陷类 型 缺陷 未检测 漏识率/误识率/ 到数 目 % % .12857,5 乳化液斑痕 4235365128 124.7698 压人氧化铁皮 锈痕 折印 边 裂 辊 印 非缺陷 总计 _ 8 2 一 一 一 1 8 2 9 4 1 34 1 8 9 1 0 . 3 4 . 5 3 试验 从 国内某大 型钢铁企业冷轧 厂采集冷轧带 钢样本 , 由人工对这些样本中的缺陷进行标定 . 这些样本包含 了 “ 乳化液斑痕 ” 、 “ 锈痕 ” 、 “ 压入 氧化铁皮 ” 、 “ 辊 印 ” 、 “ 折印 ” 和 “ 边裂 ” 等 6 种 常 见 的冷轧带钢表面 缺陷类型 . 每种类 型 的缺 陷 数 目如表 l 所示 , 由于 这些缺 陷是用人 眼来标 定的 , 存在着一些 主观因素 , 因此表 中的数据仅 作为参考 . 系统对这些样本进行 自动检测 , 系统 检测 yIJ 的缺陷用 R O I (R e g i o n o f lnt e r e s)t 来表示 . 由 于 R O I 与人工标定 的缺陷不 一 定一 一 对应 , 存在着一个 R O I包含了多个缺陷 , 或者多个 RO I 存在于一个缺陷 中的情 况 , 因 此系统检测到的 R O I数 目与人工标定 的缺陷数 目存在着较大的 差异 . 为了 能统计 系统对缺 陷的误识 率和 漏识 率 , 本文作 了如下 的 处理 : ( l) 对 已经有 R OI 标 识的缺 陷则认为该 缺陷 已经检测 到 了 , 不管该缺陷包含在多少个 R OI 之 中 . 仅) 对 于没有用 R O I标识 的 缺陷 , 则认为该 缺陷未被检测到 , 也 就是漏识现象 . 表 1 中用 “ 未检测到数 目 ” 表示 该缺陷类 型未被检测 到的 缺陷数 目 . (3) 未检测到的 缺陷数 目除以该缺陷类型 的 缺陷总数就是该缺 陷类 型 的漏识率 , ( 4 ) 有些 R O I包含 的是 “ 非缺陷 ” , 即把不是 缺陷的区 域检测 成缺 陷 , 这属 于 误识现象 . “ 非 从表 1 可 以看 出 , “ 乳化液斑痕 ” 和 “ 折 印 ” 的漏 识率 比较高 . “ 折印 ” 是一种很难 检测的缺 陷 , 而 “ 乳化液斑痕 ” 漏识率高的原 因是 “ 乳化液 斑痕 ” 在图像 中的灰度分布不 均匀 , 有些 “ 乳 化 液斑 痕 ” 与背景灰度 的对 比度很大 , 有些则 很 小 , 很难检测到 . 在考虑缺陷的检 出率时还 需要考虑缺陷的 误识率 . 缺 陷的误 识率主 要是 由图像 中的噪声 和一些非缺陷 的因素 , 如表面 的脏物或尘埃等 引起 的 . 虽 然在后 面 的 “ 缺陷识别 ” 步骤 中可 以 通过缺陷分类算法把这些 “ 非缺陷 ” 识别 出来 , 但是 “ 非缺陷 ” 数量的增加会影响系统 的运算性 能 , 因此需要尽 可能降低误识率 . 从试 验可 以看 到 , 系统的误识率非常低 , 这对于在线监测是很 有利的 . 还需要指 出的是 , “ 压人氧化铁皮 ” 缺陷 的数 目不 多 , 但 检侧 出来 的 R〔 ) 1却很 多 , 这是因 为 “ 压人氧化铁皮 ” 缺陷往往呈 片状 分布 , 片与 片之 间灰度分 布很不 均匀 , 因此 容易造成一个 “ 压人氧化铁皮 ” 缺陷被检测成好几个甚至几 十 个 RO I的现象 , 因此 系统对 缺陷的标定是 以 R 0 1 为准 的 , 因此这种 现象会造成缺陷标定上 的错 误 , 应该尽量避 免 . 但是 目前还 没有找到正确标 定 “ 压人氧化铁皮 ” 缺 陷的方法 , 在今后工作 中 应该研究更好 的方法 . 经缺陷检测后 , 系统对 表 1 中的 R O I 进行 自动 分类 , 分类的结果如 表 2 所示 , 由表 2 可 以 看到 , 系 统对 6 种冷轧带钢表 面缺 陷的识别率非常高 , 都超过或接近 90 % . 但 是对 “ 非缺陷 ” 的识 别率不高 , 原 因是 “ 非缺陷 ” 是 由多种原因造 成的 , 如可 能由图像 的 噪声 产

332 北京科技大学学报 2002年第3期 生，也可能由表面的杂物产生，所以“非缺陷”之 上保证系统的实时数据处理能力 间的差别很大.不过“非缺陷”的数量很少，不会 (3)采用“实时处理”和“准时处理”两个不同 给系统的整体识别率造成大的影响 级别的线程对图像数据进行处理，从软件上保 表2缺陷分类结果 证了系统的实时数据处理能力； Table 2 Result of defect classification 个 (4)经试验，系统对6种常见冷轧带钢表面 缺陷类型 ROI数目正确识别数目识别率% 缺陷的漏识率在10%左右，误识率在5%左右， 乳化液斑痕 418 408 97.6 识别率在90%以上. 压入氧化铁皮 2058 1890 91.8 参考文献 锈痕 487 463 95.1 折印 379 432 1 Obeso F,Gonzalez J A,Brown A.Intelligent on-line Sur- 87.3 face Inspection on A Skinpass Mill[J].Iron and Steel En- 边裂 495 328 86.5 gineer,.1997(10):29 辊印 215 212 98.6 2 Badger J C,Enright S T.Automated Surface Inspection 非缺陷 82 56 68.3 System[J].Iron and Steel Engineer,1996,Mar:48 总计 4134 3789 91.6 3 Ceracki P,Reizig H,Rudolphi U.热轧带钢表面质量的 在线检测).冶金设备和技术.2001(1)：64 4 结论 4 Ke Xu,Jinwu Xu,Shouli Lu.Surface Inspection System (I)采用多台面阵CCD摄像头采集带钢表 for Cold Rolled Strips Based on Image Processing Tech- 面的图像，从而保证系统具有很高的检测精度， nique[J].Journal of University of Science and Technology Beijing,1999,6(4):296 并且可以检测到很宽的范围 5徐科，徐金梧，鹿守理，等.冷轧带钢表面自动监测系 (2)采用由多台客户机和一台服务器组成的 统的研究[).钢铁，2000,35(10)：636 并行计算机处理系统对图像进行处理，从硬件 On-Line Surface Defect Inspection System for Cold Rolled Strips XU Ke,XU Jinwu,CHEN Yulai National Engineering Research Center for Advanced Rolling.UST Beijing.Beijing 100083,China ABSTRACT An on-line surface defect inspection system for cold rolled strips is introduced.The system is equipped with CCD matrix cameras to capture images of steel surface simultaneously.A parallel computer system is used for image processing to obtain defect information on steel surface.The system is specialized in software designing for real-time data processing.With samples from industry,the system is tested that six types of surface defects of cold rolled strips can be detected and classified with high rate,including "emulsion marks","rusts","scales","roll imprints","coil breaks"and"edge cracks".The recognition rate of the system for these six kinds of defects is more than 90%. KEY WORDS cold rolled strips;surface defects;on-line inspection;image processing

一 3 32 - 北 京 科 技 大 学 学 报 2 0 0 2 年 第 3 期 生 , 也可能 由表面 的杂物产生 , 所 以 “ 非缺陷 ” 之 间的差别很大 . 不过 “ 非缺陷 ” 的数量很少 , 不会 给 系统 的整体识别率 造成大 的影 响 . 表 2 缺 陷分类 结果 T a b le 2 R e s u it o f d e fe c t e al s s i 6 e a t fo n 缺陷类 型 R O I 数 目 正确识别数 目 识别率o/ `UQO .1 内óà、ù`U,、 ù 月了气l é`,UR àn6 g C,O ` R八àO 均832 96 以诊仗) 拓:公3:l 乳化液斑痕 电暇:l4(8325 压入氧化铁皮 锈痕 折印 边裂 辊印 非缺陷 上保证 系统的实时数据处 理能力 . (3 )采用 “ 实时处理 ” 和 “ 准 时处理 ” 两个不 同 级别 的线 程对 图像数据进行 处理 , 从 软件上 保 证 了 系统 的实时数据处理 能力 ; (4 ) 经试 验 , 系统对 6 种常见冷轧带 钢表面 缺 陷的漏 识率在 10 % 左右 , 误识率在 5% 左右 , 识别率 在 90 % 以上 . 总计 4 1 8 2 0 5 8 4 8 7 3 7 9 4 9 5 2 1 5 8 2 4 1 3 4 3 7 8 9 9 1 . 6 4 结论 ( l) 采用多 台面阵 C C D 摄像头采 集带钢表 面的 图像 , 从而保证系统具有很高的检测精 度 , 并且 可 以 检测到很宽 的范围 . (2 )采用 由多台客户机和 一 台服务器组成 的 并行计算 机处理 系统对 图像进行处理 , 从硬件 参 考 文 献 1 o b e s o F, G o anz l e z J A , B or wn A . I nt e ll ig e in o n 一 li n e s ur - 伪c e I n s P e e ti o n o n A S k i n Pas s M i l l [ J ] . Ior n an d S t e e l E n - g in e e r, 1 9 9 7 ( 1 0 ) : 2 9 2 B ad g e r J C , E nr igh t S .T A ut o m aet d S ur acf e I n s P e e t i o n S y s et m 【J] . Ior n an d S et e l E n g ine e r, 1 9 9 6 , M ar : 4 8 3 e e r ac ki P, 砒 i z i g H , 彻d o lp h i u . 热 轧带钢 表面质量 的 在线 检测 [J] . 冶金设备和技术 . 20 01 (:1) 64 4 K e X u , J i n w u X u , Sh o u li L u . S ur fa e e l n s P e e ti o n s y s et m fo r C o ld R o ll e d S tr i P s B as e d o n I m ag e P r o e e s s i n g eT e h - n iq u e [ J ] . J o unr a l o f U n i v e r s iyt o f s e i e n c e an d eT e h n o l o gy B e ij i n g , 1999 , 6 ( 4 ) : 2 9 6 5 徐科 , 徐金梧 , 鹿守 理 ,等 . 冷 轧带 钢表 面 自动监测 系 统 的研究 [ J ] . 钢铁 , 2 0 0 0 , 3 5 ( 10 ) : 6 3 6 O n 一 L i n e S ur fa c e D e fe e t I n s P e e t i o n S y s t e m fo r C o ld R o ll e d S tr iP s 禅 丫U 大毖 , J Y〔I iJ 儿w u , C 月百N uY la i N at i o n a l E n g i n e e r i n g R e s e aer h C e n t e r fo r A dV an e e d R o llin g , U S T B e ij i n g , B e ij i n g 10 0 0 8 3 , C h i n a A B S T R A C T A n o n 一 li n e s ur af c e d e fe e t in sP e e t i on s y s te m of r c o ld r o l l e d s tr rp s 15 i n t r o d u c e d . hT e s y s t e m 15 e qu iPP e d w iht C C D m atr i x e am e r a s t o e ap trU e im a g e s o f st e e l s ur af e e s im u it an e ou s l.y A Par a ll e l e o m Put e r s y s t e m 1 5 u s e d ofr im a g e rP o e e s s in g ot o b at i n d e fe e t i n of n 刀at i o n o n s t e e l s u r af e e . T h e sy s t e m 1 5 s Pe e i a li z e d in s o ft w ar e d e s ign i n g of r re a l 一 t im e d at Por e e s s ign . iWht s a m Pl e s fr o m i n d u s try , ht e s y s et m 1 5 t e s t e d ht at s i x yt P e s o f s ur fa c e d e fe e t s o f c o ld r o ll e d st r 1Ps e an b e d e et c t e d an d e l a s s iif e d w iht h ihg r aet , in c l u d in g ” e m u l s i o n m a r k s , , , ” ur s t s , , , ” s e a l e s , , , ” r o ll im Pr i n t s , , , ” e o il b r e ak s , , an d ” e d g e e r a e ks , , . Th e r e e o gn it i o n r aet o f t h e s y s t e m fo r ht e s e s i x ik n d s o f d e fe e t s 1 5 m o r e ht an 9 0% . K E Y WO R D S e o ld r o ll e d s tr iP s : s ur fa c e d e fe c t s: on 一 lin e i n s Pe c t i o n ; im ag e P r o e e s s i n g