《Modelling》：A Multistage Defect Detection and Classification Model for Girth Weld Radiographs in Oil and Gas Pipelines
编辑推荐：
油气管道环焊缝射线底片在成像条件上表现出显著差异，而微小缺陷容易被漏检，视觉相似的缺陷类别也难以区分。现有研究通常聚焦于单一的检测或分类任务，很少涉及完整底片的多阶段集成处理。为解决这些问题，本研究提出了一种由焊缝区域定位、缺陷实例检测和缺陷类型分类组成的多阶
油气管道环焊缝射线底片在成像条件上表现出显著差异，而微小缺陷容易被漏检，视觉相似的缺陷类别也难以区分。现有研究通常聚焦于单一的检测或分类任务，很少涉及完整底片的多阶段集成处理。为解决这些问题，本研究提出了一种由焊缝区域定位、缺陷实例检测和缺陷类型分类组成的多阶段智能缺陷检测方法。首先采用端到端目标检测模型YOLOv10从每张射线底片中定位并提取焊缝区域。随后引入重叠图像切片、边界框融合和干扰区域过滤，以改善缺陷定位，特别是针对微小缺陷和低对比度缺陷。为了增强对高度相似缺陷类别的分类能力，提出了自适应类别温度的知识蒸馏方法，该方法根据每个类别的分类难度动态调整蒸馏温度。研究中使用了来自工程实践的4396张数字化X射线底片构成的数据集进行多阶段评估，并由经验丰富的射线评片人员进行了标注复核和结果验证。所提出的方法实现了99.67%的焊缝区域检测率、98.6%的缺陷检测率以及跨九个缺陷类别的91.8%的端到端召回率。
一、研究背景与现存问题
在油气管道建设中，环焊缝的质量控制至关重要。射线检测能够提供焊缝内部结构的永久影像记录，广泛应用于识别裂纹、未熔合、未焊透、气孔和夹渣等内部缺陷。然而，人工评片工作强度大，效率和一致性易受操作人员经验和持续工作负荷的影响。现有技术挑战贯穿整个处理流程：工程射线底片的光学密度、对比度、噪声水平和焊缝成像方向差异巨大，非焊缝标记和曝光边界会干扰焊缝区域定位；焊缝缺陷通常尺寸小、边界模糊，某些缺陷类别如气孔和小夹渣、未熔合和未焊透在灰度和形态特征上高度相似，且数据分布呈现明显的长尾特征。此外，焊缝区域漏检、缺陷漏检和缺陷误分类会在级联处理流程中逐级传播。现有研究大多聚焦于单一的分类、检测或分割任务，缺乏从完整底片到最终缺陷类型的逐阶段验证，也未系统研究完整处理流程中的错误传播机制。因此，亟需开发一种集成焊缝区域定位、缺陷检测、缺陷类型分类和专家复核的多阶段智能检测框架。
二、研究方法与技术路线
研究人员利用来自实际工程检测的4396张数字化X射线底片，构建了包含4396个焊缝区域标注和6836个涵盖九类缺陷的实例标注数据集。所有标注均由经验丰富的射线评片专家复核修正。研究开发了一套三阶段智能检测流水线：第一阶段，采用YOLOv10目标检测模型对完整底片中的焊缝区域进行定位和提取；第二阶段，对提取的焊缝图像进行尺度归一化和50%重叠切片，再次使用YOLOv10进行缺陷实例检测，并通过坐标重映射、边界框融合、非极大值抑制和铅字标记干扰过滤获得最终的缺陷候选框；第三阶段，将裁剪出的单个缺陷图像输入基于自适应类别温度的知识蒸馏分类模型，进行二次缺陷类型判定。
三、研究结果
1. 焊缝区域检测性能
在1200张测试底片中，模型正确定位了1196个焊缝区域，检测率达到99.67%，精确率、召回率和F1分数均为99.67%。结果表明，该模型能够适应工程底片在成像方向、灰度分布和长宽比上的变化，稳定地识别出焊缝区域，有效排除了母材、定位标记等非焊缝信息的干扰。
2. 焊缝缺陷检测性能
在用于端到端评估的537张底片（含1278个缺陷实例）上，模型正确检测出1260个缺陷，检测率为98.6%，假阴性率为1.41%。负样本配置实验表明，使用24136个正样本和20000个负样本可获得最佳平衡，微平均F1分数达到0.636。铅字标记检测模型的输入尺度实验显示，将输入长边设为1024像素可在检测性能和计算成本间取得最优平衡。模型总参数量约89M，平均端到端处理时间为每张底片2.9秒。
3. 焊缝缺陷分类性能
在1278个测试实例中，1173个缺陷被成功识别，端到端召回率为91.8%。其中，裂纹、未熔合和未焊透的端到端召回率分别达到97.7%、97.9%和98.4%。错误分析显示，夹渣和气孔两类缺陷占所有识别失败的86.7%，是进一步优化的重点对象。结构相似性指数分析表明，焊缝缺陷数据集的类别间最小平均相似度仍达0.62，其中夹渣与气孔的相似度高达0.82，远高于CIFAR-10数据集的0.02至0.07，证实了该类任务的细粒度特性。
4. 自适应类别温度知识蒸馏性能验证
在CIFAR-100通用数据集上，KD-ACT在五种教师-学生网络组合中均优于传统知识蒸馏，并在四种组合中优于课程温度知识蒸馏。在七类焊缝缺陷数据集上，KD-ACT在所有六种教师-学生网络组合中的Top-1准确率均高于传统知识蒸馏，平均提升约1.81个百分点。在与解耦知识蒸馏框架结合后，DKD+KD-ACT在六种组合中均取得了最高或次高准确率，平均提升约2.78个百分点。混淆矩阵分析表明，KD-ACT有效降低了未焊透与内凹等相似类别间的混淆程度。
四、讨论与结论
讨论部分指出，焊缝缺陷的高类别间视觉相似性是影响分类性能的主要因素，单纯增加模型容量无法持续提升分类效果，必须依赖有效的类别关系学习和细粒度判别信息获取。研究人员提出的多阶段智能检测方法建立了从完整底片到缺陷位置和缺陷类型的连续分析流程，实验结果表明该方法能有效提高环焊缝射线底片的分析效率，为工程检测提供可靠辅助。研究结论总结如下：
（1）基于YOLOv10的焊缝区域检测模型能有效定位完整底片中的有效焊缝区域，在1200张测试底片上达到99.67%的检测率，为后续缺陷检测提供了稳定的输入。
（2）针对缺陷尺寸小、对比度低以及长条形底片导致的信息损失问题，开发的集成重叠图像切片、边界框融合和干扰区域过滤的缺陷检测方法在1278个测试样本中正确检测出1260个缺陷，检测率达98.6%。
（3）针对焊缝缺陷类别视觉相似度高的问题，提出的基于自适应类别温度的知识蒸馏分类方法在1278个测试实例中实现1173个缺陷的正确分类，端到端召回率为91.8%。错误分析表明夹渣和气孔是进一步优化的主要目标。
（4）知识蒸馏方法的对比实验验证了KD-ACT策略的有效性，其在多种教师-学生网络组合下均优于传统知识蒸馏，并展现出良好的泛化能力。
（5）所提出的多阶段智能检测方法建立了从完整底片到缺陷位置和缺陷类型的连续分析流程，能有效提高环焊缝射线底片分析效率，为工程检测提供可靠辅助。
鉴于射线检测的安全关键性质，模型输出仍需经专业评片人员最终审核。未来工作将聚焦于扩大小样本缺陷数据规模，并验证该方法在不同工程条件下的泛化能力。
