从依赖人工眼力到毫秒级AI判伤。大断面连铸圆坯作为风电塔筒法兰、高端轴承的核心坯料，其内部质量检测长期处于人工判读的“慢”“难”“缺”状态。如今，山钢集团与北京科技大学联合团队通过AI深度学习模型，首次在大断面连铸圆坯缺陷检测领域实现了高通量五类缺陷智能精准识别，耗时从秒级跃降至10毫秒以内，裂纹识别准确率高达95.4%。相关成果以第一作者身份发表于冶金工程权威期刊《Steel Research International》。

人工判读“三座大山”

大断面连铸圆坯是风电塔筒法兰、高端轴承等关键装备的核心坯料，其内部质量直接决定最终产品的服役安全与使用寿命。长期以来，传统人工超声检测技术存在三大根本性局限：

信号复杂，判读困难：大断面连铸圆坯受多种因素影响，传统人工超声检测面临检测信号信噪比低、不同缺陷信号特征相似度高等瓶颈。

标准不一，主观性强：完全依赖质检员的经验与眼力判读，易出现漏判、误判问题，成为制约特钢高质量发展的难点。

耗时冗长，产能受限：人工逐件判伤耗时数秒至数十秒不等，当产线以毫秒级节奏高速运转时，人工判伤已成卡脖子环节。

开启毫秒级“AI探伤”新范式

针对上述难题，山钢研究院数字智能技术研究所研发团队立足生产需求，以特钢产品S355NL(Q355NE)风电法兰用连铸圆坯为研究对象开展技术攻关，创新提出了多尺度特征融合与注意力增强的深度学习分类模型。该技术一举实现了从“人工判伤”到“智能识别”的跨越式升级，其核心技术创新亮点主要体现在以下四个层面：

多尺度特征融合，复现超声信号的“时空交响”

钢水凝固过程中出现的中心疏松、缩孔、裂纹及复合缺陷，超声波形特征迥异且噪声叠加。团队通过构建多尺度卷积神经网络结构，统一抓取时域波形特征与空间传播畸变特征，仿佛为AI配备了“分焦显微镜”，能同时对不同尺寸缺陷与信号特征进行自适应级联解析。

注意力增强机制，精准捕捉可疑缺陷的“细微异动”

面对海量微弱缺陷信号，传统方法易错漏。团队创新引入注意力增强网络结构，使模型在处理波形数据时能自动强化对细微信号异常的注意力权重，协同提升各类缺陷的识别灵敏度。这一机制被研究团队形象地称为缺陷信号的“智能放大器”。

五类缺陷精准分类，六大数据见证技术落地

经实际239组工业样本验证，该方法对中心疏松、缩孔、裂纹、正常及复合缺陷五类情况的整体分类准确率高达92.3%，其中裂纹的识别准确率更高达95.4%。更令人振奋的是，单次推理用时不到10毫秒，检测效率较传统手动判读方法提升约93.5倍，充分满足工业产线实时检测需求。

从“实验室”到“产线”的全栈部署

目前研发团队已将该技术成果部署于现场，正持续优化模型对复杂工况的适应能力。AI检测系统可像经验丰富的质检专家一样，自动识别缺陷、智能评级、自动上传数据，实现了从取样到信息传递的全流程自动化，开创了钢铁行业“毫米级传播、毫秒级决策”的智能质检新模式。

破局“高端特钢”瓶颈，拓展冶金质检新场景

此项技术的成功应用不仅是一场技术突破，更对我国高端装备制造与冶金产业升级产生深远影响：

稳固高端轴承、风电法兰的“材料根基” ：风电塔筒法兰、高端轴承等高附加值产品的寿命核心在于连铸圆坯质量。AI识别系统可将高达95.4%裂纹准确率直接嵌入生产闭环，切实为高端装备的“零缺陷”设计提供刚性保障。

打造行业内“AI+超声检测”可复用的智能范式：该成果是山钢研究院在“AI+无损检测”交叉领域的首篇国际期刊论文，打破了冶金行业无损检测传感器仅能人工判读的僵局。融合卷积神经网络与注意力增强机制的通用识别架构，可移植应用于大断面板坯、方坯等其他产线，为钢铁行业全流程智控提供经验参考。

引领质检数字化转型新浪潮：从传统“事后质检”向“实时管控、预判预防”跨越。随着边缘计算及5G技术的叠加，未来该系统可部署至矿山、特种钢管等更广阔的工业检测领域，让AI“火眼金睛”照亮制造业每一处隐蔽角落。