Page 54 - 无损检测2024年第六期
P. 54
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
图 2 不同气孔缺陷图像对比度增强算法处理后的灰度分布直方图
]
在处理裂纹缺陷时表现尤为突出[见图1（d）。如 质量产生了一定的增强效果，无论是图像的结构清
图2（d）所示，CLAHE算法对应的灰度直方图可以 晰度、边缘锐利度还是背景的对比度都有所提升，但
清晰地分辨出灰度峰的位置，且过渡平滑。 也不同程度地引入了噪声。
使用灰度线性变换将原始图像的灰度范围拉伸 3.1.2 降噪算法对缺陷图像质量的影响
至原来的二倍，然后将颜色对调，结果如图1（e）所 为了更直观地展示降噪效果，选用上文中引入
示，其视觉效果呈现为黑白对调，明显不同于其他几 噪声最多的直方图均衡化后的图像作为原图，对其
种算法得到的图像，图像整体处于高亮度状态，缺陷 进行不同方式的降噪处理，降噪效果如图3所示。
部分呈现为白色，突出了缺陷中一部分细节特征，引 由图3可以看出，经过滤波后的图像变得更加
入噪声较少。 平滑，但不同的滤波算法在降噪的同时不同程度地
由此可见，不同对比度算法对3类缺陷图像的 牺牲了图像的清晰度即边缘锐利度。
图 3 使用不同降噪技术对气孔、夹杂、裂纹 3 种缺陷图像处理后的效果
20
2024 年 第 46 卷 第 6 期
无损检测
