一、研究的背景和目标

作为国民经济的支柱产业，钢铁工业为我国的工业化和现代化建设提供了坚实支撑。然而，随着全球制造业智能化转型加速，传统钢铁工业面临诸多挑战，如工艺复杂、生产节奏快、安全风险高、劳动强度大等，不仅制约了行业的高质量发展，也影响了企业的生产效率和经济效益。在此背景下，机器视觉技术凭借其高精度、多功能、非接触式检测等优势，成为推动钢铁工业智能化转型的关键技术之一。近年来，我国智能制造产业在国家政策推动下迅速发展，机器视觉市场规模持续增长。但由于钢铁行业生产环境恶劣、工序复杂、数据标注成本高等特殊性，机器视觉技术的应用仍面临诸多障碍。因此，中冶赛迪信息基于此背景，开发基于行业大模型的机器视觉技术，旨在实现钢铁冶金全流程智能化感知，为钢铁行业注入新活力，引领智能化发展新进程。

在人工智能领域的升级，不仅是中冶赛迪能否跟上时代步伐的关键，更是未来发展的新动力。机器视觉在钢铁行业的应用，有望成为行业智能化改革的里程碑。

目前，机器视觉在钢铁领域的应用仍处于发展阶段，主要面临以下问题：

1. 数字化基础薄弱：钢铁行业整体的数字化转型水平相对滞后，部分企业仍处于基础建设或单项应用阶段，缺乏统一的数字化标准和数据规范，导致数据集成和共享困难，难以形成有效的数据驱动决策机制。

2. 智能化应用碎片化：当前，钢铁行业的智能化应用多处于单点突破阶段，缺乏系统性的解决方案。不同企业之间的智能化水平差异较大，且多数智能化应用集中在局部环节，难以实现全流程、全链条的智能化协同。

3. 机器视觉感知瓶颈：机器视觉在钢铁行业的应用多停留在感知阶段，尚未与工艺模型和自动化闭环控制深度融合，未能充分发挥其在生产管理中的价值。

4. 传统小模型算法局限：领域知识累积复用难、场景泛化能力不足、数据标注成本高等问题，限制了智能化技术的广泛应用。   

针对上述问题，中冶赛迪信息始终坚持以自主可控的数智化核心产品和技术赋能产业，秉持“领域知识+数字技术”的核心理念，紧跟国家智能制造改革与人工智能发展战略，推动钢铁生产运行的数智化建设不断深入发展，积极开展行业大模型的研发布局。以单点项目为起点，以产线级项目为升级路径，加快数字化与实体经济协同发展，构建深度结合行业知识、融合实际应用模式的行业AI大模型平台，支撑海量生产场景的应用落地，以技术驱动钢铁行业的智能化升级。

结合CISDigital-AI金睛视觉大模型与嵌入式AI视觉技术，融合光学技术、传感器技术、流媒体技术、边缘计算、深度学习、神经网络等多个领域的核心技术，项目构建了覆盖炼钢至轧钢全流程的智能感知网络：

1. 构建钢铁行业高质量多模态数据集：提供通用及专用等多样化的AI算法与模型。

2. 打造融合多源数据的钢铁行业知识库：配套多层次AI模型体系，建立云边端联动的智能中枢，实现算力调度-模型训练-工业部署全链路贯通。

3. 支持工艺优化-设备控制-质量追溯全场景覆盖：通过产线级项目拓展，机器视觉深度融入生产管理关键环节，连接上下游工序，推动从感知到决策、预测的智能化升级。

4. 通过领域知识+数字技术的深度融合：构建“数据治理-算法迭代-场景落地”的正向循环，为行业提供可快速复制的数字化转型标杆。

二、建设思路和研究内容

1、研究思路

中冶赛迪信息围绕钢铁生产全流程每个场景的实际特性，以“行业大模型-专家模型-边缘模型”的研发模式为核心，构建“智能感知算法+智能硬件设备+业务分析系统”的智能感知技术架构，实现机器视觉技术的深度应用，形成综合性AI赋能底座，大幅降低AI模型研发门槛与应用成本，让人工智能技术更好地融入行业。以行业大模型为核心引擎，深度提炼冶金工艺Know-how，以AI赋能工艺优化与设备智能运维，实现低代码平台降低开发门槛，激活多源数据价值，构建冶金知识图谱，打通炼铁-连铸-轧制全流程数据链，构建20+专业场景的智能矩阵，全方位赋能新型工业化进程。通过深度挖掘行业知识并结合前沿人工智能技术，将智能化能力深度融入产业应用，推动钢铁行业智能化升级与高质量发展。

2、研究内容

项目涵盖光学感知、传感器、流媒体、边缘计算、云计算、机器学习、人工智能、神经网络等前沿技术领域，以自主研发为核心驱动力，深入中心管理-边缘计算-场景应用智能感知架构、行业大模型研发路线等关键技术。通过打造行业大模型与应用平台，建立高质量语料库，为钢铁行业重大示范应用场景提供技术赋能，推动智能化转型。

三、主要创新点

1．云边端融合架构。采用"中心管理-边缘计算-场景应用"三层架构，实现数据流-模型流-控制流三流闭环，优化资源配置，提升系统响应速度与协同效率。

图1 系统工作主要流程及功能模块

2．五维协同智能中枢。构建"数据-模型-平台-设备-场景"五要素联动的工业智能基座，实现全生命周期智能治理体系，大幅度降低模型开发及部署成本，形成覆盖皮带运料、转炉炼钢、热轧控制、污水处理等20+专业模型的智能感知矩阵。

3．领域知识蒸馏与数据安全体系：构建领域知识蒸馏体系，深度融合一线产业生产知识与深度学习技术，对海量数据进行后处理应用。研发高质量数据清洗与标注模型，通过分级管理等措施确保数据安全，满足不同场景下的大规模数据处理需求。

4．精细化打造的系列模型：基于CISDigital-AI金睛视觉大模型和海量数据背景，沿着“行业大模型-专家模型-边缘模型”的研发路径，深度挖掘领域知识，打造适配特定场景的机器视觉模型，满足多样化的识别需求。

 图2 行业视觉大模型研发路径

通过领域知识蒸馏和数据驱动的模型优化，提升模型的泛化能力和复用性，降低数据标注成本，提高模型开发效率。实现低数据适配新产线，降低新场景迁移成本，并自适应推理引擎在边缘设备上实现毫秒级实时检测，大幅度降低算力需求。

图3 大模型应用落地路径

5．全流程数据贯通平台：通过机器视觉实时采集炼钢、连铸、轧制等环节的工艺参数、设备状态、表面缺陷等多模态数据，构建标准化数据湖，打破信息孤岛，形成统一的数据规范和决策机制。将视觉检测数据与冶金机理模型深度融合，构建动态控制策略，实现感知-决策-控制的闭环管理。

6．智能硬件设备与工业场景应用：针对不同钢铁生产业务环境，构建智能硬件矩阵，提供灵活适配的硬件解决方案，开发工业级应用套件，满足多样化工序需求。研发高精度机器视觉技术，结合深度学习算法，实现从感知到决策的深度融合。通过多视角点云融合、自适应尺度感知等技术，提升机器视觉在复杂场景下的应用能力。

7．打造全链条协同场景方案：深度结合场景痛点，挖掘机器视觉技术潜力，打造多层级、多能力范围的应用模块，实现从识别到连锁控制的多类场景产品，构建人机物协同的智能决策网络。开发全流程智能化解决方案，将机器视觉技术与钢铁生产各工序深度融合，实现从原料到成品的全流程智能化管控，通过构建行业大模型，实现智能化应用的系统性集成。

四、应用情况与效果

自2020年启动以来，本项目围绕钢铁冶金全流程，成功开发了包括皮带机健康监测、颗粒度识别、转炉火焰识别、热轧非对板形检测在内的24个视觉智能感知方案，并在38个钢厂落地超1000套设备。方案广泛应用于安全监控、工艺优化、质量管控、能源控制和环保监测等关键环节，取得了显著成效：

1. 守护生产安全：通过原位监控生产异常与危险行为，将产业工人从高风险生产环境中解放出来，保障人员生命安全与健康，助力企业迈向“零风险”生产目标。

2. 驱动生产效率提升：深度融入生产流程，提供精准数据支持，优化上下游产线的工艺配置，显著提升生产效率，推动生产流程的智能化与高效化。

3. 提升产品良品率：通过精准区分缺陷类型，结合生产操作要素的优化，反哺前序工艺，稳定生产中间体质量，提升最终产品出库良品率，助力企业高质量发展。

4. 助力可持续发展：通过优化电能管控模型和药剂处理，实现生产过程的全自动化闭环控制，持续推动企业绿色低碳发展，助力实现高质量可持续发展目标。

5. 赋能企业高效运营：通过减少重复劳动和释放机械性工作，结合生产历史记录留存与信息回溯，推动流程规范化，提升经验传承效率，助力企业高效培养新员工，实现运营优化与管理升级。