高温铸坯表面缺陷检测：多光谱与MO-YOLO研究｜ukthesis

铸坯连接着连铸和后续轧制工序，其表面质量会直接影响轧制稳定性、成材率以及最终钢材性能。如果裂纹、划痕、夹杂、压痕和凹坑等缺陷没有在进入轧制工序之前发现，后续加工可能进一步放大质量问题。

不过，想在生产线上看清一块处于高温、运动状态的铸坯，并没有想象中那么简单。

现场存在强烈热辐射、设备振动、水雾和粉尘，铸坯表面还覆盖着不规则氧化铁皮。可见光图像中的氧化铁皮边缘与真实裂纹十分相似，红外图像容易因机械振动而模糊，传统二维图像又无法直接反映缺陷深度。因此，仅使用一种相机或单一检测模型，很难同时解决真实缺陷识别、伪缺陷抑制、几何形貌测量和实时处理问题。

围绕这些难点，原研究建立了一条从多光谱成像、图像复原、二维检测、三维重建到多信息融合的完整技术路线。

为什么单一检测信息不够用？

可见光图像具有较高的空间分辨率，适合识别裂纹、划痕和夹杂等纹理型缺陷，但容易把氧化铁皮、热色斑和反光区域判断成缺陷。

红外图像能够反映铸坯表面的热辐射差异，对氧化铁皮及热异常区域比较敏感。不过，红外图像分辨率相对有限，对不同缺陷类别的纹理表达能力不如可见光图像。

深度信息可以呈现表面起伏、法向量和缺陷深度，适合分析凹坑、压痕和深裂纹等几何型缺陷，却不能完全替代二维纹理和温度信息。

这三类信息各有优势，也各有短板。真正困难的地方不是把数据简单拼接起来，而是让不同信息在适合的位置发挥作用。

建立低串扰多光谱成像系统

稳定的前端成像是在线检测的基础。研究围绕高温、动态和强干扰工况，建立了由三路可见光窄带成像模组和一路远红外热成像模组组成的多光谱成像系统。

窄带滤光片和对应照明光源可以降低高温热辐射对可见光通道的干扰，同时减少不同光谱通道之间的串扰。实验结果显示，该系统的平均光谱串扰约为0.33%，明显低于传统彩色相机方案的13.95%。

统一的多光谱采集平台使纹理信息、热特征和三维重建所需图像能够在相近的时间和空间条件下获取，为后续跨模态配准与信息融合提供了数据基础。

用红外信息剔除氧化铁皮伪缺陷

氧化铁皮是高温铸坯检测中最常见的误检来源。它在可见光图像中可能表现为不规则暗纹、边缘突变或局部纹理异常，很容易被识别为裂纹或划痕。

研究采用“先复原、后分割、再映射”的处理思路。首先利用图像复原网络改善设备振动造成的红外图像模糊，使氧化铁皮边界更加清楚；随后使用YOLO11-seg提取红外图像中的氧化铁皮区域；最后通过跨模态空间映射，将红外掩码投影至高分辨率可见光图像。

在相关实验中，YOLO11-seg对氧化铁皮区域取得82%的召回率和54%的mAP@50。加入红外图像复原后，分割漏检率由21%下降至12%。这说明红外信息可以作为一种物理判据，从检测前端降低氧化铁皮向后续模型传播的风险。

MO-YOLO如何识别小尺度缺陷？

高温铸坯上的裂纹和划痕通常尺度较小、边缘较弱，样本数量也不均衡。普通YOLO模型容易忽略这些区域，或者受到复杂背景影响而产生误检。

研究以YOLO11为基础构建MO-YOLO，主要进行了三方面改进。

C3k2-Sobel模块将梯度先验引入特征提取过程，加强模型对细微边缘和弱纹理的感知；PCBAM块级注意力机制帮助模型把注意力集中在小尺度缺陷区域；动态加权Focal Loss则用于改善困难样本和少数类别样本的学习效果。

实验结果显示，MO-YOLO在38 FPS的检测速度下，精确率达到77.6%，召回率达到91.6%，mAP@50达到64.5%。与原始YOLO11相比，三项指标分别提高5.1、13.0和16.3个百分点，说明针对工业缺陷特点进行局部改进，比单纯扩大网络规模更有意义。

如何恢复铸坯缺陷的三维形貌？

裂纹、凹坑和压痕不仅有二维边界，还包含深度、坡度和局部起伏等几何信息。只看灰度图像，难以判断某个暗色区域究竟是真实凹陷，还是颜色变化或表面附着物。