连铸是现代钢铁生产链中的关键环节。随着近年来高拉速连铸技术的快速发展,急剧增加的通钢量导致结晶器热负荷显著增加,铸坯的各类表面缺陷和漏钢等异常层出不穷,对生产过程的监控水平提出了更高要求。顺应现代化工业的可视化、智能化发展趋势,开发新的过程在线检测方法和技术装备,进一步提高结晶器控制水平,对于促进高效连铸技术发展具有积极作用。本文基于计算机视觉和人工智能方法,重点围绕结晶器过程的可视化和漏钢预报方法进行研究,主要研究内容如下：首先,基于国内某钢厂弧型宽厚板坯连铸机4190炉浇铸数据和64例黏结漏钢样本,对影响黏结漏钢的工艺因素及其形成、传播行为进行实证研究。分别从铸坯尺寸、拉速、液位波动以及热流等方面,归纳影响黏结漏钢的主要因素；同时,依据实测的热电偶温度对黏结漏钢的温度模式进行分析,重点考察黏结的移动速率、角度等传播特征,为开发漏钢可视化预报方法提供参考和借鉴。其次,依据计算机视觉技术,研究开发结晶器过程可视化方法和热成像技术,采用帧间差分、阈值分割、八连通区域标记及边界跟踪等图像处理算法,对漏钢和纵裂纹发生时结晶器的温度异常区域进行标记和特征提取,从温度变化、几何、位置、移动等方面,归纳和提炼结晶器黏结的共性特征,并与伪黏结进行比照和区分。结果证实,伴随漏钢出现的温度、几何与传播等行为特征,能够作为区分真、伪黏结漏钢的重要判据。在此基础之上,针对黏结漏钢的可视化和智能预报方法进行研究。以黏结热点区域温度速率、几何以及移动特征为输入参量,建立了基于BP神经元网络的漏钢预报模型,分别采用LM(Levenberg-Marquardt)算法和GA (Genetic Algorithm)遗传算法,对BP神经网络模型进行训练和优化。利用现场追踪和收集的64例黏结漏钢和200例伪黏结样本,对BP网络、LM-BP网络和GA-LM-BP网络模型进行测试和分析,综合考察、比照各模型的预报精度和效率。最后,基于连铸现场结晶器温度、液压振动、铸机设备、工艺参数等信号检测条件,依据上述开发的过程可视化、计算机视觉及人工智能等相关算法,设计和开发结晶器过程可视化及漏钢预报专家系统,集成铜板温度检测、摩擦力检测、振动状态检测、过程可视化和漏钢预报等功能。系统于国内某钢厂弧形板坯铸机上线投入应用,在近一年与国外某系统并行监控结晶器的服役过程中,系统未发生漏报,且误报次数大幅降低,漏钢报警的准确率显著提升,在保障生产顺行方面发挥了重要作用,显示出良好应用潜力。