Page 53 - 无损检测2024年第六期

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

训练模型。ResNet50 网络由 49 个卷积层和 1 个全 3.1.1 对比度增强算法对缺陷图像质量的影响
连接层构成，该模型引入了残差块的设计，缓解了 气孔、夹渣、裂纹3类缺陷图像分别使用伽马变
常规CNN网络达到一定深度后会出现的梯度消失 换（GT）、直方图均衡化（HE）、限制对比度自适应
的问题，使用较广泛。由于使用的数据集是非平衡 直方图均衡化（CLAHE）、灰度线性变换（GLT）等
数据集，故按照以下公式计算准确率（A）、精确率 4种对比度增强算法处理后的图像如图1所示。 同时，
（P）、召回率（R）、 F 1 值，对训练后的网络性能进行 鉴于各种缺陷的对比度增强效果相似，以气孔缺陷
评估，即 为例，使用灰度分布直方图进一步展示了对比度增
T +T 强算法对图像质量的影响，其结果如图2所示。
A = P N （1）
P +T N +T P +F F N 由图1（a），图2（a）中3种缺陷的原始图像及其
T 直方图可以看出，原始X射线检测图像的灰度值分
P = P （2） 布在一个较为狭窄的暗区范围内，亮度与对比度较
T P +F P
低，图片中的焊缝缺陷轮廓与精细结构不能被很好
T
R = P （3） 地观测出来。
T +F
N
P
伽马变换后的图像整体亮度与对比度都有一定
P ×R 的提升，缺陷的边缘细节可以清晰地观测出来，整体
F = （4）
1 P +R 观感较好，其灰度值被均匀地拉伸在25~225的范围
式中： T P 为正例样本被正确预测的数量； T N 为反例 内，如图1（b）和2（b）所示。
样本被正确预测的数量； F P 为反例样本被错误预测 直方图均衡化处理后的图像整体亮度有较大
为正例的数量； F N 为正例样本被错误预测为反例的 的提升，缺陷与周围部分的对比度明显增大，容易
数量。 找到缺陷的位置且缺陷部分的细节轮廓特征更加清
晰，但是该算法引入了过多的噪声[见图1（c）]。如
3 结果与分析
图 2（c）所示，直方图均衡化后的图像灰度值在
3.1 焊缝射线图像增强结果与视觉分析 0~255的范围内均匀分布， 但过渡不平滑。
选择 3 种缺陷的 X 射线检测图像作为研究对 与常规均衡化处理的图像相比，经CLAHE处
象，首先探究了对比度增强算法对图像质量的影响； 理的图像保留了局部对比度明显增强的特性，同时
在此基础上，以引入噪声最多的直方图均衡化后的 引入了更少的噪声，图像整体观感更加自然，可以清
图像作为原图，进一步探究降噪算法的影响与作用。 晰地观测到缺陷部分的外轮廓，其边缘锐利度很高，

图 1 4 种对比度增强算法对 3 类焊接缺陷图像的处理结果
19
2024 年 第 46 卷 第 6 期
无损检测