Application of Deep Learning-based Automatic Image Detection Systems to Improve the Strip Wave Defects of Hot-rolling Mills

Abstract

이 논문의 연구는 딥러닝 기반 영상검출 기술을 현장에 적용하여 열연공장의 결함인 스트립 Wave에 의해 발생하는 생산, 품질 이슈를 해결하기 위한 것이다. 스트립 Wave는 가열된 강판 온도 등 조업 조건과 압연기 Liner Gap 등 설비 조건 등 다양한 원인에 의해 발생되나, 조업 중에는 원인에 대한 조치가 불가능하였다. 그렇기 때문에 기존 압연 공정에서는 운전자의 경험과 노하우에 따라 운전자가 압연기 운전 수동 Control로 대응을 했기 때문에 스트립 Wave 결함의 조치 결과는 편차가 발생하였다. 압연기 내 스트립 영상을 촬영할 수 있는 고화질 카메라를 설치하였으며 고열, 수분 등 열연공장의 현장 특성에 따라 설비의 내구성 향상을 위한 보호시스템을 적용하였다. 획득한 영상 데이터를 기반으로 초기에 시도한 Image processing 기반 영상검출 시스템은 80% 수준의 낮은 정확도와 다양한 환경에 따른 스트립 인식 오류로 인하여 현장에 적용할 수가 없었다. 이에 대한 개선책으로 10만장의 이미지 데이터를 활용해 U-net 기반 딥러닝 모델을 학습하여 열연 스트립 형상을 자동 검출하는 기술을 적용했다. 그리고, 검출된 영상의 정확도 향상을 위해 Support vector machine(SVM) Learning 을 활용했고, 스트립의 평탄도 산출 기법인 I-unit를 활용하여 Wave 값을 자동으로 정량화하여 97.9% 이상의 검출 정확도를 확보하였다. 이 개선 결과를 압연기 제어 장치인 PLC의 Roll level 자동제어로 연계하고 실시간 자동 Control에 적용하여 스트립 Wave 결함을 상당히 줄이는 가시적인 성과를 보았다. 결론적으로 딥러닝 기반 Vision AI 기술을 적용한 효과로서, 자동 영상검출 및 Control 적용된 공장은 도입되지 않은 공장 대비 17~30% 이상 스트립 Wave 결함을 줄이는 품질 개선효과를 얻었다. 또한, 내부수익률 기법을 활용한 자동 영상검출 시스템 적용 후 수익성 검증 결과 Hurdle rate 8%를 초과했다. 이 연구는 시스템 성능과 경제성이 검증되어 다른 유사 제철소 생산 라인의 운전자 수작업 자동화를 위해 Vision AI 기술을 확대 적용할 때 참고가 될 것이다.

The study of this thesis is to solve the production and quality issues caused by the strip wave in the hot rolling mill by applying the deep learning-based image detection technology to the site. Strip wave is caused by various causes operating conditions such as heated steel sheet temperature and facility conditions such as liner gap of rolling mill, but it was impossible to take action against the cause during operation. Therefore, in the existing rolling process, manual control was performed according to the operator's experience and know-how, so the measures for strip wave defects caused deviations. In order to take strip images with a high-definition camera, a protection system was applied to improve the durability of the equipment according to the field characteristics of the hot rolling mill such as high heat and moisture. The image detection system based on the image processing algorithm, which was initially introduced with simple labeling, could not be applied due to the low accuracy of 80% and the strip recognition error according to various environments. A technology to detect hot-rolled strips was applied by learning a U-net-based deep learning model using 100,000 captured images. In addition, support vector machine learning was used to improve the accuracy of the detected image, and the wave value was quantified using I-unit, a flatness calculation technique, to secure detection accuracy of more than 97.9%. By linking this improvement result to automatic roll level automatic control of PLC, a rolling mill control device, and applying it to real-time automatic control, we saw tangible results in significantly reducing strip wave defects. In conclusion, as an effect of applying deep learning-based Vision AI technology, the factory applied with automatic image detection and control achieved quality improvement by reducing strip wave defects by more than 17-30% compared to the factory without automatic image detection system. In addition, the Hurdle rate exceeded 8% as a result of profitability verification after applying the automatic image detection system using the internal rate of return method. This study will be a reference when expanding the application of Vision AI technology for operator manual automation of other similar steelworks production lines as the system performance and economic feasibility have been verified.