X射線檢測是常用的焊縫缺陷檢測技術，但缺陷的形態、大小、方向具有不確定性，使得射線底片評價較為復雜，僅依賴人工進行焊縫質量檢測，時間較長且效率低，無法滿足現代化焊接技術的要求。因此，將深度學習應用于焊縫缺陷的智能化檢測已經成為備受研究者和工程技術人員關注的前沿領域。

 

深度學習是一種基于數據驅動的端到端學習，可以自動學習數據的內在規律及表示層次，不需要從數據中手動提取更加復雜的特征，從而提高了模型的準確性和泛化能力。在X射線檢測領域，深度學習應用的主要目標是通過對大量數據進行訓練，實現對缺陷的自動識別和分類，以提高檢測的準確性和效率。

 

在焊縫X射線檢測中，作為數據的X射線底片往往存在圖像質量較差、噪聲干擾、對比度不足等問題，所以在進行深度學習模型訓練前，需要對圖像進行對比度調整、圖像降噪等預處理操作，優化圖像質量進而提高模型的學習效果。

 

為分析圖像增強對焊縫X射線圖像質量和分類識別的影響，大連理工大學、大連船舶重工集團有限公司和大連市鍋爐壓力容器檢驗研究院的研究人員以峰值信噪比、結構相似度、無參考結構清晰度、信息熵等參數對圖像增強質量進行評價；在此基礎上對X射線焊縫缺陷圖像數據集進行圖像增強處理，以ResNet-50模型對預處理的焊縫缺陷進行訓練及識別，并以準確率、精確率、召回率、F1值對識別效果進行評估。

 

X射線檢測圖像增強與評價原理

 

由于X射線成像本身的特殊性質，獲取X射線圖像的過程受設備、操作環境等多方面的影響，可能會出現噪聲多、對比度低、缺陷邊緣模糊等問題。這些問題會嚴重影響到檢測算法的性能，導致后續的分析與評價出現誤差。因此，需要對X射線檢測圖像進行預處理，這不僅可以突出焊縫X射線底片中缺陷的輪廓、灰度等細節特征，提高圖像清晰度，而且還可以使圖像更有利于計算機的分析和處理，從而提高深度學習模型的訓練效果。常見的X射線圖像預處理操作包括圖像色彩空間變換、對比度增強、降噪等。

 

1、圖像色彩空間變換

 

焊縫缺陷X射線檢測圖像的區別通常體現在灰度級別上，因此使用灰度圖像可以更清晰地展示焊縫缺陷的特征；此外，在許多情況下，使用灰度圖像可以提高圖像處理和模型訓練的效率和準確性，同時減少計算成本和內存需求。

 

但是通過專業的掃描儀器采集到計算機中的X射線檢測圖像是以三通道的RGB（紅綠藍）圖像的方式呈現的，因此還需要借助圖像色彩空間變換將X射線檢測圖像從RGB空間轉換到灰度空間。研究人員采取加權平均灰度處理算法，將X射線檢測圖像由RGB三通道色彩圖轉換為單通道的灰度圖。

 

2、圖像對比度增強

 

對比度增強廣泛應用于數字圖像處理、計算機視覺、模式識別等領域。焊縫X射線檢測圖像的灰度值范圍很窄，各區域之間的對比度不高，不利于觀察。對比度增強處理能夠提升圖像的質量，增強缺陷的可見性，并為后續的分析和算法提供更有利的條件，從而提高焊縫缺陷的檢測和識別效果。

 

研究人員使用的對比度增強技術包括直方圖均衡化（HE）、限制對比度自適應直方圖均衡（CLAHE）、灰度線性變換（GLT）、伽馬變換（GT）等。

 

3、圖像降噪處理

 

X射線檢測圖像的噪聲會受到多方面影響，常見的有隨機噪聲、統計噪聲、電子噪聲，這些噪聲可能分布在圖像中的各個位置。圖像降噪是一個減少圖像現有噪聲并最大限度減少圖像中特征損失的過程。

 

X射線檢測圖像去噪的目的是保留缺陷邊緣細節的同時去除圖像的噪聲，研究人員使用的降噪算法有自適應中值濾波（AMF）、非局部均值濾波（NLM）、雙邊濾波（BF）、基于離散小波變換（DWT）的降噪等。

 

4、圖像增強的評價與表征

 

為了量化分析算法對圖像的重建效果、細節保留以及噪聲抑制效果，研究人員使用峰值信噪比（PSNR）、結構相似性指數（SSIM）、無參考結構清晰度（NRSS）和信息熵作為指標。這些指標可用于衡量圖像增強后的質量，并提供了對比和描述算法性能的依據。

 

基于神經網絡的缺陷分類試驗

 

1、數據集的組成

 

使用的數據集取自于某船舶工廠，經擴增后共包含1804張焊縫缺陷圖片，使用美國VIDAR公司設計的工業底片掃描儀，對該批原始X射線底片進行掃描讀取，并儲存為JPG格式的圖片文件，最后人工截取出尺寸為224像素×224像素的缺陷部分作為數據集。數據集共包含804張氣孔缺陷圖片，520張夾雜缺陷圖片以及480張裂紋缺陷圖片，按4∶1的比例劃分為訓練集與測試集。

 

2、缺陷識別模型與分類評價

 

該研究的目的是探究圖像增強對焊縫缺陷圖像識別的影響，所以選用常規的ResNet50模型作為訓練模型。ResNet50網絡由49個卷積層和1個全連接層構成，該模型引入了殘差塊的設計，緩解了常規CNN網絡達到一定深度后會出現的梯度消失的問題，使用較廣泛。由于使用的數據集是非平衡數據集，故按照以下公式計算準確率A、精確率P、召回率R、F1值，對訓練后的網絡性能進行評估。

 

A=(TP+TN)/(TP+TN+FP+FN)

 

P=TP/(TP+FP)

 

R=TP/(TP+FN)

 

F1=(P×R)/(P+R)

 

式中：TP為正例樣本被正確預測的數量；TN為反例樣本被正確預測的數量；FP為反例樣本被錯誤預測為正例的數量；FN為正例樣本被錯誤預測為反例的數量。

 

3、焊縫射線圖像增強結果與視覺分析

 

選擇3種缺陷的X射線檢測圖像作為研究對象，首先探究了對比度增強算法對圖像質量的影響；在此基礎上，以引入噪聲最多的直方圖均衡化后的圖像作為原圖，進一步探究降噪算法的影響與作用。

 

(1)對比度增強算法對缺陷圖像質量的影響

 

氣孔、夾渣、裂紋3類缺陷圖像分別使用伽馬變換（GT）、直方圖均衡化（HE）、限制對比度自適應直方圖均衡化（CLAHE）、灰度線性變換（GLT）4種對比度增強算法進行處理，得到的圖像如圖1所示。

 

圖1 4種對比度增強算法對3類焊接缺陷圖像的處理結果

 

同時，鑒于各種缺陷的對比度增強效果相似，以氣孔缺陷為例，使用灰度分布直方圖進一步展示了對比度增強算法對圖像質量的影響，其結果如圖2所示。

 

 

圖2 不同氣孔缺陷圖像對比度增強算法處理后的灰度分布直方圖

 

由圖1a和圖2a中3種缺陷的原始圖像及其直方圖可以看出，原始X射線檢測圖像的灰度值分布在一個較為狹窄的暗區范圍內，亮度與對比度較低，圖片中的焊縫缺陷輪廓與精細結構不能被很好地觀測出來。

 

伽馬變換后的圖像整體亮度與對比度都有一定的提升，缺陷的邊緣細節可以清晰地觀測出來，整體觀感較好，其灰度值被均勻地拉伸在25~225的范圍內，如圖1b和圖2b所示。

 

直方圖均衡化處理后的圖像整體亮度有較大的提升，缺陷與周圍部分的對比度明顯增大，容易找到缺陷的位置且缺陷部分的細節輪廓特征更加清晰，但是該算法引入了過多的噪聲，如圖1c所示。直方圖均衡化后的圖像灰度值在0~255的范圍內均勻分布，但過渡不平滑，如圖2c所示。

 

與常規均衡化處理的圖像相比，經CLAHE處理的圖像保留了局部對比度明顯增強的特性，同時引入了更少的噪聲，圖像整體觀感更加自然，可以清晰地觀測到缺陷部分的外輪廓，其邊緣銳利度很高，在處理裂紋缺陷時表現尤為突出，如圖1d所示。CLAHE算法對應的灰度直方圖可以清晰地分辨出灰度峰的位置，且過渡平滑，如圖2d所示。

 

使用灰度線性變換將原始圖像的灰度范圍拉伸至原來的二倍，然后將顏色對調，結果如圖1e所示，其視覺效果呈現為黑白對調，明顯不同于其他幾種算法得到的圖像，圖像整體處于高亮度狀態，缺陷部分呈現為白色，突出了缺陷中一部分細節特征，引入噪聲較少。

 

由此可見，不同對比度算法對3類缺陷圖像的質量產生了一定的增強效果，無論是圖像的結構清晰度、邊緣銳利度還是背景的對比度都有所提升，但也不同程度地引入了噪聲。

 

(2)降噪算法對缺陷圖像質量的影響

 

為了更直觀地展示降噪效果，選用上述引入噪聲最多的直方圖均衡化后的圖像作為原圖，對其進行不同方式的降噪處理，降噪效果如圖3所示。

 

圖3 使用不同降噪技術對氣孔、夾雜、裂紋3種缺陷圖像處理后的效果

 

由圖3可以看出，經過濾波后的圖像變得更加平滑，但不同的濾波算法在降噪的同時不同程度地犧牲了圖像的清晰度即邊緣銳利度。

 

其中，圖 3b表明自適應中值濾波（AMF）較好地保留了圖像的細節信息，缺陷部分的邊緣輪廓幾乎沒有發生改變，整體噪聲去除效果一般，且計算量較大。

 

如圖3c所示，非局部均值濾波（NLM）處理后得到了平滑流暢的圖像，但與自適應中值濾波相同，其需要較大的計算成本，同時缺陷的小型結構被視為噪聲而移除。

 

如圖3d所示，雙邊濾波（BF）的去噪效果良好，計算時間快，同時保留了缺陷的小特征，但是在缺陷的邊緣附近可能會殘留一些噪聲。

 

如圖3e所示，經小波變換（DWT）降噪處理后的圖片看起來更加自然，原始圖像的邊緣細節也被有效地保留下來，沒有產生過度模糊的情況，整體來看小波降噪擁有最好的視覺效果。

 

4、焊縫射線檢測圖像增強的客觀評價

 

(1)對比度增強算法的客觀評價

 

采用峰值信噪比（PSNR）、無參考結構清晰度（NRSS）、信息熵3個指標來評價伽馬變換（GT）、直方圖均衡（HE）、限制對比度自適應直方圖均衡化（CLAHE）、灰度線性變換（GLT）4種對比度增強算法對3種缺陷圖像的增強作用，其結果如圖4~6所示。

 

圖4 基于峰值信噪比的對比度增強客觀評價結果

 

圖5 基于無參考結構清晰度的對比度增強客觀評價結果

 

圖6 基于信息熵的對比度增強客觀評價結果

 

由圖4可以明顯看出，對于PSNR指標，CLAHE算法處理后的圖像得到了最好的效果。其余3種增強方法對于不同的缺陷類型表現不同，伽馬變換處理氣孔缺陷時表現較好，灰度線性變換處理夾雜時表現較好，直方圖均衡化處理裂紋時表現較好，但都不如CLAHE算法。

 

由圖5可以看出，對于NRSS 指標（無量綱），相較于原始圖像，4種對比度增強處理后的圖像結構清晰度都有較大提升。其中HE與CLAHE算法的表現效果較好，遠優于其余兩種方法的效果。

 

由圖6可以看出，對于信息熵指標，經HE處理后的圖像，信息熵是最高的，但結合視覺效果分析，信息熵可能包含了引入噪聲的影響。整體來看，GT與CLAHE算法帶來的提升相差不大，次于HE但優于GLT。

 

顯而易見，無論采用哪種對比度增強算法，相較于原始圖片，缺陷圖像質量均得到了改善。綜合考慮各項評價指標對不同增強算法的響應，可知伽馬變換（GT）對3類缺陷圖像質量的增強作用要略高于灰度線性變換（GLT），但比直方圖均衡化（HE）和限制對比度自適應直方圖均衡化（CLAHE）的作用效果差，后兩者的作用相當。

 

(2)降噪算法的客觀評價

 

采用峰值信噪比（PSNR）、結構相似度（SSIM）、信息熵3個指標對自適應中值濾波（AMF）、非局部均值濾波（NLM）、雙邊濾波（BF）、基于離散小波變換（DWT）4種降噪算法進行評價，其結果如圖7~9所示。

 

圖7 基于峰值信噪比的降噪客觀評價結果

 

圖8 基于結構相似度的降噪客觀評價結果

 

圖9 基于信息熵的降噪客觀評價結果

 

由圖7可以看出，對于PSNR指標，BF算法的PSNR 值最低，噪聲抑制效果最差。AMF算法在氣孔缺陷圖像中表現較好，夾雜圖像中較差。NLM與DWT算法在三種缺陷圖像中都有不錯的表現，相差不大。

 

由圖8可以看出，對于SSIM指標（無量綱），AMF算法取得了最好的效果，經其降噪后的圖像在結構和細節方面與原始圖像有最高的相似性，DWT算法次之（與AMF相差不大），雙邊濾波（BF）效果最差。

 

由圖9可以看出，對于信息熵，在前兩項指標中表現均不佳的雙邊濾波（BF）反而取得了更好的效果，處理后的圖像細節和結構更加豐富。同時小波降噪的得分略微低于雙邊濾波的，但相差不大。其余兩種方法相對來說效果一般。

 

歸納而言，每種降噪算法都有各自的優勢，自適應中值濾波（AMF）在噪聲去除方面表現較好，雙邊濾波（BF）保留細節信息的能力很強，非局部均值濾波（NLM）沒有在任何一項指標中有較低的情況，小波變換（DWT）所有指標的得分都處于第一或第二的位置，綜合表現最佳。

 

5、基于神經網絡的缺陷分類結果分析

 

根據上述客觀評價結果，選用直方圖均衡化（HE）與限制對比度自適應直方圖均衡化（CLAHE）兩種對比度增強方法與其余4種降噪方法分別組合為不同的圖像增強方法，使用ResNet50網絡對經過不同增強處理得到的焊縫缺陷X射線底片進行訓練及分類識別，并利用準確率、精確率、召回率、F1值4個指標對分類效果進行評價，其結果如表1所示。

 

表1 采用不同圖像增強方法的焊縫缺陷X射線檢測圖像分類結果比較（%）

由表1可知，含有限制對比度自適應直方圖均衡化（CLAHE）的圖像增強方法可以顯著提高焊縫缺陷的分類識別效果，識別準確率均高于未使用圖像增強的情況。而在含有直方圖均衡化（HE）的圖像增強方法中，只有直方圖均衡化（HE）與小波降噪（DWT）組合的增強方法提高了識別準確率，其余方法相較于不使用圖像增強方法的情況，識別準確率下降或者不變。

 

結合上述對對比度增強算法的分析可知，圖像增強方法對最終分類結果的影響取決于對比度增強算法與降噪算法的綜合作用，直方圖均衡化雖然極大地提高了焊縫缺陷圖像的對比度，但是引入的過多噪聲反而不利于神經網絡對特征的學習。

 

使用CLAHE與NLM相結合的圖像增強方法，可以得到最佳的焊縫缺陷分類識別效果，準確率、精確率、召回率和F1值分別為97.6%，98.84%，95.24%，96.93%，相比沒有使用圖像增強的數據，各項指標分別提升了3.2%，6.23%，3.98%，5.23%，在提高圖像對比度的同時也很好地控制了圖像噪聲，顯著提升了神經網絡學習X射線底片中焊縫缺陷特征的能力。

 

結語

 

1、綜合考慮增強方法的圖像重建能力、圖像清晰度和信息熵，直方圖均衡化與限制對比度自適應直方圖均衡化對焊縫缺陷X射線檢測圖像有最好的增強效果。

 

2、在直方圖均衡化的基礎上，自適應中值濾波有最好的去噪能力，雙邊濾波有較好的細節信息保留能力，非局部均值濾波在不同類型的缺陷圖像上表現穩定，小波降噪的綜合表現最好。

 

3、提出了一種結合限制對比度的直方圖均衡化和非局部均值濾波的圖像增強方法，采用該方法結合ResNet50模型對焊縫缺陷進行分類，準確率、精確率、召回率、F1值分別提高了3.2%，6.23%，3.98%，5.23%。有效解決了焊縫X射線檢測圖像存在的對比度低、像素分布不均勻、噪聲差等問題。

 

作者：王樹森1，李萍1，黃大偉2，李曉慶2，吳中華2，張忠仁2，王爽2，田雙3，楊毅德2

 

工作單位：1. 大連理工大學 材料科學與工程學院

 

2. 大連船舶重工集團有限公司 質量檢驗部

 

3. 大連市鍋爐壓力容器檢驗研究院 承壓檢驗部

 

第一作者簡介：王樹森，碩士研究生，主要研究方向為無損檢測、深度學習。

 

通信作者簡介：李萍，博士，副教授，碩士生導師，主要研究方向為材料無損表征與評價、模式識別。

 

來源：《無損檢測》2024年6期