Page 56 - 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

3.3 基于神经网络的缺陷分类结果与分析
根据3. 2节的客观评价结果，选用直方图均衡化
（HE）与限制对比度自适应直方图均衡化（CLAHE）
两种对比度增强方法与其余 4 种降噪方法分别组
合为不同的图像增强方法，使用 ResNet50 网络对
经过不同增强处理得到的焊缝缺陷 X 射线底片进
行训练及分类识别，并利用准确率、精确率、召回
率、 F 1 值等4个指标对分类效果进行评价，其结果如
表1所示。
图 7 基于峰值信噪比的降噪客观评价结果
表1 采用不同图像增强方法的焊缝缺陷X射线
检测图像分类结果比较 %
图像增强方法 准确率 精确率 召回率 F 1 值
原图 94.40 92.61 91.26 91.70
CLAHE 96.00 94.29 92.06 93.10
CLAHE+AMF 96.00 96.70 93.25 94.87
CLAHE+BF 95.20 96.3 91.66 93.82
CLAHE+NLM 97.60 98.84 95.24 96.93
CLAHE+DWT 96.00 98.11 92.06 94.79
HE 92.80 94.04 86.90 89.88
HE+AMF 93.60 95.65 87.30 90.81
图 8 基于结构相似度的降噪客观评价结果
HE+BF 91.20 91.26 86.10 88.11
vv
HE+NLM 94.40 94.50 88.89 91.42
HE+DWT 95.20 96.35 90.48 93.13
由表 1 可知，含有限制对比度自适应直方图均
衡化（CLAHE）的图像增强方法可以显著提高焊
缝缺陷的分类识别效果，识别准确率均高于未使用
图像增强的情况。而在含有直方图均衡化（HE）的
图像增强方法中，只有直方图均衡化（HE）与小波
降噪（DWT）组合的增强方法提高了识别准确率，
其余方法相较于不使用图像增强方法的情况，识别
图 9 基于信息熵的降噪客观评价结果
准确率下降或者不变。结合上文对对比度增强算
细节方面与原始图像有最高的相似性，DWT算法次之
法的分析可知，图像增强方法对最终分类结果的影
（与AMF相差不大） ，双边滤波（BF）效果最差。
响取决于对比度增强算法与降噪算法的综合作用，
由图9可以看出，对于信息熵，在前两项指标中
直方图均衡化虽然极大地提高了焊缝缺陷图像的
表现均不佳的双边滤波（BF）反而取得了更好的效
对比度，但是引入的过多噪声反而不利于神经网络
果，处理后的图像细节和结构更加丰富。同时小波
对特征的学习。
降噪的得分略微低于双边滤波的，但相差不大。其 使用 CLAHE与NLM相结合的图像增强方
余两种方法相对来说效果一般。 法，可以得到最佳的焊缝缺陷分类识别效果，准确
归纳而言，每种降噪算法都有各自的优势，自适 率，精确率，召回率， F 1 值分别为97. 6%，98. 84%，
应中值滤波（AMF）在噪声去除方面表现较好，双边 95. 24%，96. 93%，相比没有使用图像增强的数
滤波（BF）保留细节信息的能力很强，非局部均值滤 据，各项指标分别提升了 3. 2%，6. 23%，3. 98%，
波（NLM）没有在任何一项指标中有较低的情况，小 5. 23%，在提高图像对比度的同时也很好地控制了
波变换（DWT）所有指标的得分都处于第一或第二 图像噪声，显著提升了神经网络学习X射线底片中
的位置，综合表现最佳。 焊缝缺陷特征的能力。

22
2024 年 第 46 卷 第 6 期
无损检测