基于图像自适应增强的多尺度焊接缺陷智能检测方法研究

针对射线图像对比度低、缺陷尺寸差异大导致的焊接缺陷检测难题，研究人员提出融合图像自适应增强(IAA)与全局-局部语义融合检测(DD-GLF)的创新方法。通过参数预测网络(PPN)自动优化微分图像处理(DIP)函数参数，结合双分支网络实现多分辨率特征融合，实验证明该方法显著提升密集和大尺寸缺陷的检测精度，为工业无损检测(NDT)提供高效解决方案。

　　

焊接作为机械制造与能源输送的核心工艺，其质量直接关乎设备安全。传统人工检测射线图像效率低下且结果不稳定，而现有自动检测方法面临两大瓶颈：一是低对比度图像需依赖人工调整增强参数，二是气孔（直径约1mm）与未焊透（可达80mm）等缺陷的尺寸差异超80倍，导致单分辨率模型难以兼顾。更棘手的是，大尺寸射线图像（14000×900像素）若直接下采样会丢失微小缺陷特征，而滑动窗口检测又会丧失全局语义——如图2所示，YOLOv5因此出现漏检。

针对这些挑战，中国国家自然科学基金资助项目团队在《Knowledge-Based Systems》发表研究，提出基于图像自适应增强的多尺度检测方法。该方法通过图像自适应调整模块(IAA)和全局-局部语义融合检测模块(DD-GLF)的协同创新，首次实现增强参数自动优化与多分辨率特征联合解析。关键技术包括：1) 采用轻量化参数预测网络(PPN)端到端预测微分图像处理(DIP)函数的α、β增强参数；2) 设计双分支架构同步处理全局图像与局部窗口，通过L2g模块实现跨分辨率特征融合；3) 引入窗口位置编码策略保留空间信息。实验采用西北管道4128张环焊缝射线图像，由RT-II级人员标注。

【图像自适应调整模块】
IAA模块突破性地将图像增强与检测任务联合优化。PPN网络仅用3层卷积即能提取图像亮度/对比度特征，输出的α、β参数经DIP函数进行像素级灰度映射，避免传统CLAHE等方法的结构失真问题。消融实验显示，该模块使mAP提升11.6%，尤其将低对比度区域的召回率提高23.4%。

【全局-局部语义融合检测】
DD-GLF模块创新性地采用双输入策略：全局分支（下采样至640×640）捕获长程依赖，局部分支（滑动窗口2048×2048）保留细节特征。L2g模块通过通道注意力机制实现特征交互，如图5所示，其构建的跨分辨率金字塔使小缺陷检测F1-score提升17.8%。对比实验表明，该方法在3200×900图像上的推理速度较传统滑动窗口快3.2倍。

【实验验证】
与YOLOv7、Faster R-CNN等12种模型对比，该方法在自制数据集上达到92.1% mAP，对未焊透等大缺陷的检测精度达95.3%。如图7所示，其增强效果与专家手动调整高度一致，且对密集气孔的检出数超LF-YOLO模型1.8倍。

该研究开创性地建立图像增强与缺陷检测的协同优化框架，其IAA模块实现专家级增强效果自动化，DD-GLF模块突破多尺度检测的语义割裂难题。实际应用中，该方法使单图像检测耗时从45分钟（人工）缩短至3秒，为管道、航天等领域的质量评估提供可靠技术支撑。未来研究可探索三维CT图像的多模态融合检测，进一步推动智能无损检测发展。