Page 57 - 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

4 结语 [7] RAHMAN T，KHANDAKAR A，QIBLAWEY Y，
et al．Exploring the effect of image enhancement
（1）综合考虑增强方法的图像重建能力、图像 techniques on COVID-19 detection using chest X-ray

清晰度和信息熵，直方图均衡化与限制对比度自适 images[J]．Computers in Biology and Medicine，
应直方图均衡化对焊缝缺陷X射线检测图像有最好 2021，132：104319.
的增强效果。 [8] 张文璐. 工业X射线图像增强算法的研究[D]. 太原： 中
（2）在直方图均衡化的基础上，自适应中值滤 北大学，2022.

波有最好的去噪能力，双边滤波有较好的细节信息 [9] DIWAKAR M，KUMAR M．A review on CT image
保留能力，非局部均值滤波在不同类型的缺陷图像 noise and its denoising[J]．Biomedical Signal
Processing and Control，2018，42：73-88．
上表现稳定，小波降噪的综合表现最好。
[10] HOU W H，WEI Y，JIN Y，et al．Deep features
（3）提出了一种结合限制对比度的直方图均衡

based on a DCNN model for classifying imbalanced
化和非局部均值滤波的图像增强方法，采用该方法 weld flaw types[J]．Measurement，2019，131：482-
结合ResNet50模型对焊缝缺陷进行分类，准确率， 489．
精确率，召回率， F 1 值分别提高了 3. 2%，6. 23%， [11] 周冲．基于梯度场的工业X射线图像增强及算法加速
3. 98%，5. 23%。有效解决了焊缝X射线检测图像 研究[D]．太原：中北大学，2020．
存在的对比度低、像素分布不均匀、噪声差等问题。 [12] ZHANG L，ZHANG Y J，DAI B C，et al．Welding
defect detection based on local image enhancement[J]．
参考文献： IET Image Processing，2019，13（13）：2647-2658．
[13] 辛晨．基于图像处理的工业X射线探伤关键技术研

[1] VILAR R， ZAPATA J， RUIZ R．An automatic

究[D]．西安：西安电子科技大学，2014．
system of classification of weld defects in radiographic
images[J]．NDT & E International，2009，42（5）：467- [14] 朱凯，李理，张彤，等．视觉Transformer在低级视觉
领域的研究综述[J]．计算机工程与应用，2024，60（4）：
476．
39-56．

[2] ZHANG Z F，WEN G R， CHEN S B．Weld image
[15] 赵云龙，葛广英．智能图像处理：Python和OpenCV实
deep learning-based on-line defects detection using
现[M]．北京：机械工业出版社，2022．
convolutional neural networks for Al alloy in robotic arc
welding[J]．Journal of Manufacturing Processes，2019， [16] HWANG H，HADDAD R A．Adaptive Median filters：
45：208-216． new algorithms and results[J]．IEEE Transactions on
[3] KHUMAIDI A，YUNIARNO E M， PURNOMO M Image Processing：a Publication of the IEEE Signal

Processing Society，1995，4（4）：499-502．
H．Welding defect classification based on convolution
neural network （CNN）and Gaussian kernel[C]//2017 [17] BUADES A，COLL B，MOREL J M．A non-local

International Seminar on Intelligent Technology and algorithm for image denoising[C]//2005 IEEE Computer
Its Applications （ISITIA）．Surabaya，Indonesia： Society Conference on Computer Vision and Pattern
IEEE，2017． Recognition （CVPR'05）．San Diego，CA，USA：IEEE，
[4] 李超，孙俊．基于机器视觉方法的焊缝缺陷检测及分 2005．
类算法[J]．计算机工程与应用，2018，54（6）：264-270． [18] TOMASI C，MANDUCHI R．Bilateral filtering for
[5] BOSSE S，MANIRY D，MULLER K R，et al．Deep gray and color images[C]//Sixth International Conference
neural networks for No-reference and full-reference on Computer Vision．Bombay，India：IEEE，1998．
image quality assessment[J]．IEEE Transactions on [19] WANG Z，BOVIK A C，SHEIKH H R，et al．Image
Image Processing：a Publication of the IEEE Signal quality assessment：from error visibility to structural
Processing Society，2018，27（1）：206-219． similarity[J]．IEEE Transactions on Image Processing：
[6] HOU W H，WEI Y，GUO J，et al．Automatic detection a Publication of the IEEE Signal Processing Society，
of welding defects using deep neural network[J]． 2004，13（4）：600-612．
Journal of Physics：Conference Series，2018，933： [20] 谢小甫，周进，吴钦章. 一种针对图像模糊的无参考质

012006． 量评价指标[J]. 计算机应用，2010，30（4）: 921-924.

23
2024 年 第 46 卷 第 6 期
无损检测