长期以来，连铸坯内部质量检测是炼钢流程中的关键环节；钢坯能否进入后续轧制与深加工，取决于其内部是否存裂纹、中心疏松、偏析、气泡等缺陷。传统低倍组织检测主要依靠人工完成：取样、切割、打磨、酸蚀等工序多、耗时长，最终还需检验人员凭经验目测判定与分级。这种方式效率不高、劳动强度大，也容易因人员水平差异导致判定不一致、标准难以统一，成为影响质量稳定提升的“卡点”。 这个问题近年更加突出。随着钢铁行业从规模扩张转向质量效益提升，企业加快产品结构调整，布局高品质钢和高端用钢；下游客户对成分均匀性、内部致密性和缺陷可控性的要求不断提高。质量波动带来的交付风险、返工成本和品牌影响日益明显。，质检环节亟需从“经验判断”转向“数据驱动”，从“事后发现”转向“前置预警”。 针对行业痛点，山钢股份炼钢厂近日正式投用国内首台套连铸坯低倍组织智能检测系统，连铸坯内部质量“体检报告”可自动生成并同步进入质量管理系统。系统运行时，符合要求的样本进入固定工位后，高分辨率图像采集设备快速获取断面高清图像并实时传输至识别模型；模型基于典型缺陷样本库完成缺陷识别与定位，并按对应的标准自动评级，生成报告与数据图谱上传留存。相关人员可在线调阅与追溯，实现质检过程标准化、可视化、可复核。 从运行效果看，效率和一致性提升最为直观。系统从图像采集到报告上传仅需几分钟，明显压缩了传统检测链条的时间成本；截至目前累计完成396次检测，缺陷评级准确率达98.01%，在提升检验一致性、减少人为差异上表现突出。此外，报告与图谱的结构化沉淀为后续质量分析提供了稳定的数据基础，推动质量管理从“点状检验”向“系统治理”延伸。 值得关注的是，这一进展并非单一技术的孤立应用，而是产学研联合推进的阶段性成果。此前，山钢股份已与高校合作连铸坯表面质量在线检测上取得进展；本次继续将攻关重点转向内部低倍组织检测。业内人士指出，低倍组织检测需要破坏性取样，样本数量受限、训练数据积累难，是智能识别落地的主要难点之一。为此，研发团队采用“边检边学、持续迭代”的方式，每完成一次检测就沉淀一组样本数据，逐步将样本库从初期少量样本扩充到覆盖多类缺陷的典型样本规模，带动模型识别能力持续提升。 智能质检带来的变化不止于“替代人工”。炼钢厂相关负责人表示，其价值更在于“治未病”。传统模式下，即便检出缺陷，也往往难以快速定位缺陷来源，难以将问题准确映射到冶炼、连铸等具体环节及工艺参数。如今，系统对检测结果进行全量留存和结构化管理，技术人员可更快开展溯源分析，识别缺陷与工艺波动的关联，并对连铸工艺参数进行针对性优化，从源头减少缺陷生成，实现质量管控前移和精细化管理。这种从“发现问题”到“预防问题”的转变，将为高端产品稳定供给提供更可靠的过程保障。 从对策层面看，山钢集团正加快推进制造环节的数智化升级，推动智能模型与机器人技术融入钢铁生产全流程，并在巡检、过程控制、区域无人化等场景探索应用。业内分析认为，钢铁生产工序长、装备密集、能耗高、质量指标耦合复杂，数智化的关键在于建立“数据—模型—决策—执行”闭环：既要在质量检验端实现标准化和可追溯，也要在工艺控制端形成可解释、可验证的优化路径，把“看得见的缺陷”转化为“可控的过程”。 展望未来，随着样本库持续扩展、模型迭代更新，并与质量管理、工艺控制系统更深度耦合，智能检测有望实现更大范围的多坯型覆盖、跨产线复制与标准推广，提高行业质检的一致性与效率。同时，数据安全、标准衔接、模型验证及人员能力转型等配套工作也需同步推进，确保技术应用稳定、可持续落地。
从手工判读到自动生成——从离线判断到在线追溯——连铸坯“体检”方式的变化，折射出传统制造业以数智化提升质量与效率的方向。以更统一的标准、更可追溯的数据、更前置的工艺优化，推动“少出缺陷、稳定出好坯”，将成为钢铁行业迈向高端化、绿色化、智能化的重要支点。