Page 52 - 无损检测2024年第六期
P. 52
王树森，等：
基于深度学习的焊缝缺陷 X 射线检测图像识别与增强
测已经成为备受研究者和工程技术人员关注的前 法，将X射线检测图像由RGB三通道色彩图转换为
沿领域 [2-4] 。 单通道的灰度图。
深度学习是一种基于数据驱动的端到端学习 ， 1.2 图像对比度增强
[5]
可以自动学习数据的内在规律及表示层次，不需要 对比度增强广泛应用于数字图像处理、计算机
从数据中手动提取更加复杂的特征，从而提高了模 视觉、模式识别等领域 [14] 。焊缝X射线检测图像的
型的准确性和泛化能力。在X射线检测领域，深度 灰度值范围很窄，各区域之间的对比度不高，不利
学习应用的主要目标是通过对大量数据进行训练， 于观察。对比度增强处理能够提升图像的质量，增
实现对缺陷的自动识别和分类，以提高检测的准确 强缺陷的可见性，并为后续的分析和算法提供更有
性和效率 。在焊缝X射线检测中，作为数据的X射 利的条件，从而提高焊缝缺陷的检测和识别效果。
[6]
线底片往往存在图像质量较差、噪声干扰、对比度不 笔者使用的对比度增强技术包括直方图均衡化
足等问题，所以在进行深度学习模型训练前，需要对 （HE）、限制对比度自适应直方图均衡（CLAHE）、
图像进行对比度调整、图像降噪等预处理操作，优化 灰度线性变换（GLT）、伽马变换（GT）等 [15] 。
图像质量进而提高模型的学习效果 [7-12] 。 1.3 图像降噪处理
为分析图像增强对焊缝X射线图像质量和分类 X射线检测图像的噪声会受到多方面影响，常
识别的影响，文章以峰值信噪比、结构相似度、无参 见的有随机噪声、统计噪声、电子噪声，这些噪声可
考结构清晰度、信息熵等参数对图像增强质量进行 能分布在图像中的各个位置 。图像降噪是一个减
[9]
评价；在此基础上对X射线焊缝缺陷图像数据集进 少图像现有噪声并最大限度减少图像中特征损失
行图像增强处理，以ResNet-50模型对预处理的焊缝 的过程。X射线检测图像去噪的目的是保留缺陷边
缺陷进行训练及识别，并以准确率、精确率、召回率、 缘细节的同时去除图像的噪声，笔者使用的降噪算
F 1 值对识别效果进行评估。 法有自适应中值滤波（AMF） 、非局部均值滤波
[16]
[17]
[18]
（NLM） 、双边滤波（BF） 、基于离散小波变换
1 X射线检测图像增强与评价原理
（DWT）的降噪等 [15] 。
由于X射线成像本身的特殊性质，获取X射线 1.4 图像增强的评价与表征
图像的过程受设备、操作环境等多方面的影响，可能 为了量化分析算法对图像的重建效果、细节
会出现噪声多、对比度低、缺陷边缘模糊等问题。这 保留以及噪声抑制效果，笔者使用峰值信噪比
些问题会严重影响到检测算法的性能，导致后续的 （PSNR） 、结构相似性指数（SSIM） 、无参考结
[19]
[9]
分析与评价出现误差。因此，需要对X射线检测图 构清晰度（NRSS） 和信息熵 作为指标。这些指
[20]
[8]
像进行预处理，这不仅可以突出焊缝X射线底片中 标可用于衡量图像增强后的质量，并提供了对比和
缺陷的轮廓、灰度等细节特征 [13] ，提高图像清晰度， 描述算法性能的依据。
而且还可以使图像更有利于计算机的分析和处理，
2 基于神经网络的缺陷分类试验
从而提高深度学习模型的训练效果。常见的X射线
图像预处理操作包括图像色彩空间变换、对比度增 2.1 数据集的组成
强、降噪等。 文章使用的数据集取自于某船舶工厂，经扩增
1.1 图像色彩空间变换 后共包含1 804张焊缝缺陷图片，使用美国VIDAR
焊缝缺陷X射线检测图像的区别通常体现在灰 公司设计的工业底片扫描仪，对该批原始X射线底
度级别上，因此使用灰度图像可以更清晰地展示焊 片进行扫描读取，并储存为JPG格式的图片文件，最
缝缺陷的特征；此外，在许多情况下，使用灰度图像 后人工截取出尺寸为224像素×224像素（长×宽）
可以提高图像处理和模型训练的效率和准确性，同 的缺陷部分作为数据集。数据集共包含804张气孔
时减少计算成本和内存需求。但是通过专业的扫描 缺陷图片，520张夹杂缺陷图片以及480张裂纹缺陷
仪器采集到计算机中的X射线检测图像是以三通道 图片，按4∶1的比例划分为训练集与测试集。
的RGB（红绿蓝）图像的方式呈现的，因此，还需要 2.2 缺陷识别模型与分类评价
借助图像色彩空间变换将X射线检测图像从RGB空 该研究的目的是探究图像增强对焊缝缺陷图
间转换到灰度空间。文章采取加权平均灰度处理算 像识别的影响，所以选用常规的ResNet50模型作为
18
2024 年 第 46 卷 第 6 期
无损检测
