Page 113 - 无损检测2022年第四期

雷铮强,等:
中俄东线管道射线检测底片图像的智能识别

内容包括 RT 检测数据管理、 图像数据批量处理、 缺 其中训练集用于学习模型参数, 验证集用于挑选超
陷样本收集和标注、 建立缺陷智能识别算法模型、 辅 参数, 测试集用于判定训练出模型是否达标。
助评片、 结果数据查阅分析以及对应的软件功能模 2.3 缺陷图像增强显示算法
块开发。通过对流程和软件进行技术研发, 目前笔 在缺陷样本的标注及阅览缺陷细节特征等过程
者单位已经初步具备射线检测底片图像智能识别分 中, 需要反复对缺陷的 X 射线检测图像进行调整,
析的能力, 实现了未熔合等主要缺陷的自动检测, 提 通过调整图像亮度、 缺陷的对比度和辨识度等, 达到
升了环 焊 缝 线 性 危 害 缺 陷 排 查 的 智 能 化 水 平 和 增强缺陷图像显示的效果。针对该技术需求, 笔者
效率。 开发了智能灰阶工具和窗技术, 智能灰阶和窗技术
2.2 图像处理的关键算法 的处理效果如图 4 所示。

对于中俄东线不同标段和不同批次的 X 射线 ( 1 )智能灰阶工具。在医学影像学领域, 可以
检测底片图像, 笔者进行了统一批量处理, 以满足样 使用自适 应 直 方 图 均 衡 方 法, 计 算 图 像 中 多 个 局
本标注和缺陷智能识别分析的基本格式要求。射线 部区域的 直 方 图, 之 后 通 过 重 新 分 布 亮 度 来 改 变
检测底片图像处理的主要算法流程如图 3 所示, 具 图像的对比度, 该方法对于明暗区域对比明显的 X
体包括以下几个算法。 射线检测图像有较好的图像增强显示效果。但是
( 1 )归一化处理。由于射线检测底片图像采集 管道环焊缝的 X 射线底片图像明暗区域对比并不

所使用的扫描仪规格不同, 其具有多种通道数和位 明显, 像素值分布比较均匀, 采用与医学 X 射线图
数, 且图像长宽方向不一。通过归一化处理, 可获得 像相同的 处 理 方 法 时, 会 出 现 过 度 放 大 图 像 中 均
精度和尺寸一致的图像数据。 匀区域噪声的现象。限制对比度自适应直方图均

( 2 )去白边处理。 X 射线检测底片数字化扫描 衡方法( 智能灰阶) 可将输入的影像按照像素点分
过程中, 在图像采集的起始和末尾时可能产生无有 成块区域, 再 对 每 一 个 区 域 进 行 自 适 应 直 方 图 均
效底片图像的白边区域。去除白边区域可去除对智 衡处理, 可 有 效 减 少 噪 点, 保 存 缺 陷 影 像 的 细 节

能识别结果的影响。 特征。

( 3 )自适应裁剪。中俄东线单张底片图像宽度 ( 2 )窗技术。在医学影像学领域, 窗技术是观

约为900 像素, 高度为8000~20000 像素。为解决 察不同密度正常组织或病变组织的一种显示技术,
缺陷尺寸相对于整幅底片图像占比很小导致的检出 包括窗宽和窗位。提高窗位则图像变黑; 降低窗位
率较低及不同底片图像尺寸不一等问题, 设计和研 则图像变白。增大窗宽, 则图像层次增多且对比度
发了一种自适应裁剪工具, 以提高缺陷在图像中的 下降; 缩小窗宽, 则图像层次减少, 组织间对比度增
相对占比, 同时确保图像尺度在较小的范围内波动。 加。引入窗技术, 评片人员可通过调节窗宽和窗位
经试验分析和评估, 设定裁剪后单张底片图像的尺 来改变 X 射线底片图像黑白及不同区域间的对比

寸为 2000 像素 ×1000 像素。 度, 以便于观察各类形态不同的缺陷, 达到辅助评片
( 4 )样本随机划分。在深度学习算法中, 通常 的目的。

将原始数据集划分为训练集、 验证集和测试集 3 个
部分, 划分时需要尽可能保持数 据分布的一致性。

图 4 智能灰阶和窗技术的处理效果
2.4 缺陷特征的深度学习算法
图 3 射线检测底片图像处理的主要算法流程 基于深度学习的主流目标检测算法根据有无候

5
7
2022 年 第 44 卷 第 4 期
无损检测