為保障承壓設備的運行安全，無損檢測與評價技術得到了長足的發展，新技術層出不窮并不斷完善，所能適用的范圍隨著承壓設備中新型材料的應用、失效機理的探明不斷擴大。目前，隨著檢測標準和人員資質要求的完善，射線數字成像檢測技術已在特種設備行業得到廣泛應用，在提高檢測效率的同時，提升了操作自動化程度。

自2006年起，隨著神經網絡技術的進步與深度學習概念的提出，掀起了一輪人工智能熱潮。目前，以深度學習為代表的人工智能技術被廣泛應用在自然語言處理、圖像識別、語音識別、無人駕駛、智能制造等各個領域中，推動與促進各個行業向智能化方向迅速發展。

在此背景下，深度學習作為一種基于神經網絡的機器學習工具，運用于射線檢測底片評片系統開發時，具有強大的模型表達能力和自動提取特征等優勢，不僅能有效改善傳統檢測方法的不足，提高評片專家的工作效率，還能切實提升無損檢測項目質量和現場管理水平，提高檢測的安全性和可靠性。因此，大量學者和工程技術人員開展了相關研究。

國內外研究現狀

陳本智等提出了一種針對X射線圖像的氣孔檢測算法，主要利用差分圖像使得氣孔缺陷表現為一個顯著性區域，并最終利用閾值將其分割出來。試驗結果表明，該方法具有較高的準確性和穩定性，但其沒有對焊縫中其他缺陷的X射線圖像進行研究，檢測對象比較單一。

王欣等通過將主成分分析法引入到模糊C均值聚類算法中，對圓形缺陷和線形缺陷進行了識別，有效降低了特征數據的冗余描述，但檢測對象范圍仍然較窄，且識別準確率無法完全滿足實際需求。

李超等主要針對薄壁金屬罐焊縫的缺陷類型，提出了一種改進的背景差分法來提取缺陷區域，并最終對缺陷類型進行了分類，試驗結果表明該方法可以對多種缺陷進行檢測并具有較高的準確率，但該方法的閾值設置需要人為調整，無法自適應不同的環境情況。

黃曄等利用BP神經網絡對焊縫缺陷的X射線圖像識別進行了研究，神經網絡的使用使得系統能夠自己找到最適宜的參數，但BP神經網絡有大量的參數需要學習，計算量較大。

劉夢溪等將深度卷積神經網絡（CNN）引入到焊縫缺陷檢測任務中，并與傳統的支持向量機（SVM）方法進行對比，結果表明深度CNN對試驗中的5種缺陷類型有著更高的識別率，但其未對網絡結構優化問題作進一步探索。

SUN等提出了一種基于機器學習的焊縫缺陷檢測和分類的方法，利用基于高斯混合模型的改進背景差分法，設計并構建了相應的生產線焊縫缺陷實時檢測系統，試驗結果表明該系統能對多種缺陷進行較高準確率的檢測，但該方法對于環境不變性要求較高。

LIU等提出了一種基于VGG16的全卷積結構，以此來對焊縫缺陷的X射線圖像進行分類，該方法解決了不同尺寸圖像輸入時的準確分類問題，但還不能很好地對相似缺陷進行精確分類。

YANG等通過測試不同結構的CNN，找到了一種基于LeNet-5的改進網絡，主要用于X射線焊縫圖像的缺陷檢測與分類，并取得了非常高的準確率，但在前期訓練時為了加快訓練速度，網絡的輸入為針對焊縫區域的切割圖像，這使得其無法直接投入實際應用。

迄今為準，關于射線檢測底片智能評片系統實現大規模商業應用向報道還極少見。大部分射線檢測底片智能評片系統普遍缺乏檢驗檢測的實踐經驗，對一些實際問題經驗不足，導致應用過程中會出現各種問題，難以在實際工作中發揮作用。

廣東省特種設備檢測研究院和華南理工大學機械與汽車工程學院的研究人員通過利用深度學習方法來實現缺陷圖像關鍵特征的提取，開發了一套射線檢測底片智能識別系統，實現底片篩選（無效底片、造假底片、重復底片）、焊縫缺陷定位和識別、底片報告自動生成及保管等功能。

研究方法

系統結構

人工智能評片系統框架如下圖所示，可見通過掃描儀獲得待處理的原始底片后，需要經過相似度判別其是否為有效底片，同時對底片中的缺陷信息進行提取。在此基礎上，筆者研究和開發了AI智能輔助評片和AI智能自動評片兩個功能模塊。

圖1 人工智能評片系統框架

AI智能輔助評片

該模塊首先基于機器視覺與圖像處理算法，從底片中提取焊縫邊界信息，并對像質計進行檢測，實現對像質計型號和靈敏度智能識別和判定；然后自動抓取焊縫區域內灰度值的極值點位置，并將信息入庫保存；最后基于定位到的焊縫區域，自動抓取焊縫及周圍母材的噪點坐標信息，并自動生成底片信息質量報告。

AI智能自動評片

該模塊基于深度學習技術，通過卷積神經網絡方法，實現對焊縫圖像的預處理、缺陷特征值的自動提取以及對缺陷的定性分析和定量計算。

主要研究內容

底片焊縫區域分割提取技術

由于底片內容較多，背景復雜，不適合直接作為數據集進行網絡訓練。圖像語義分割作為一種典型的計算機視覺處理技術，可以對圖像中的每個像素，根據其所屬的感興趣對象分配類別標簽。筆者對圖像進行了逐像素標記，通過訓練全卷積神經網絡對圖像的文字區域、焊縫區域和背景區域分別進行自動提取，便于后續智能檢測功能的實現。

焊縫缺陷類型分類識別技術

受加工環境及工藝參數等因素影響，焊縫中會存在氣孔、夾渣、未焊透、未熔合、裂紋等缺陷，以及壓痕、折痕、靜電斑紋等偽缺陷。筆者通過訓練卷積神經網絡對焊縫區域缺陷類型、位置、尺寸等信息進行識別與學習，滿足了智能評片的功能需求。

底片焊縫綜合信息提取技術

底片的原始圖像具有灰度區間較窄、缺陷邊緣模糊、圖像噪聲多、亮度低等特點。筆者采用基于多尺度的灰度曲線最小二乘直線擬合方法對焊縫邊界進行提取，使用圖像處理技術對母材噪點坐標信息、焊縫位置信息、焊縫灰度值信息、底片質量信息等進行檢測，通過數據庫對上述信息進行存儲，并實現了底片質量信息報告的自動生成。

算法架構設計

焊縫缺陷識別算法框架如圖2所示，其主要包括兩大部分：

① 焊縫圖像的預處理；

② 缺陷的分類及定位計算。

圖像預處理算法主要用于對原始圖像進行清洗與增強，成像模糊、存在噪點的圖像經過去噪、濾波等操作，缺陷特征更加明顯。缺陷的分類及定位計算則是基于深度學習技術提取缺陷特征后做進一步量化計算。

圖2 焊縫缺陷識別算法框架

圖像預處理

圖像預處理采用雙邊濾波算法，該算法能夠更好地保留圖像的邊緣信息。其原理為一個與空間距離相關的高斯核函數與一個灰度距離相關的高斯函數相乘，并加入對灰度信息的權重（在領域內，越接近中心點，灰度值的點的權值更大，灰度值相差大的點權重越小）。其權重大小，則由高斯核函數的值確定，再通過兩者權重系數相乘，得到最終的卷積模板。

缺陷檢測及定位

為解決缺陷特征提取信息的融合，采用PANet方式進行處理。該方法不僅能有效解決底片焊縫圖像中部分缺陷不夠明晰、缺陷和背景融合度較高等問題，還能加強信息傳播，具有準確保留空間信息的能力，有助于對缺陷進行定位和識別，PANet網絡結構如圖3所示（圖中P3~P7為特征采樣層）。

圖3 PANet網絡結構示意

人工智能評片系統的應用

缺陷評定及復審模塊如圖4所示。該人工智能評片系統能夠對數字化底片噪點坐標信息、焊縫位置信息、焊縫灰度最值信息、底片質量信息進行智能化采集，實現對底片中無效底片與重復底片的智能篩選，并對底片中的焊縫缺陷進行智能識別和評定。

圖4 缺陷評定及復審模塊

使用深度學習算法對該系統進行有效訓練后（評定超過3000張底片），在實際工程項目中進行測試，評定系統的缺陷識別準確率達到95%以上。遠程評片模塊應用實例如圖5所示。

圖5 遠程評片模塊應用實例

通過遠程評片模塊，可實現有關專家遠程評片，極大提升了專家工作效率，實現有限專家資源的共享。另外，該系統還內置有網絡數據庫，支持多用戶訪問，實現了從膠片掃描到評定報告生成全過程自動化、智能化。

結語

1開發的基于人工智能射線底片評片系統，實現了無效底片與重復底片的智能篩選，可對底片中焊縫缺陷進行智能評定，提高了檢測的安全性和可靠性。

2開發的人工智能射線底片評片系統，實現了底片報告自動生成和存儲功能，切實提升了無損檢測項目質量和現場管理水平。

3通過實際工程項目對人工智能評片系統的可行性和穩定性進行了驗證，為該系統后續大規模應用奠定了基礎。