作为石油和天然气运输的主要手段，管道的安全性由于快速发展而受到越来越多的关注。石油和天然气管道由多根钢管焊接而成。尽管焊接是管道连接的最常用方法[1]，但焊接过程和环境容易导致裂纹、夹渣、未熔合、未穿透等缺陷[2]，这些缺陷可能导致管道故障和运输安全问题[2]。因此，检测管道焊接缺陷对于确保运输安全和防止事故至关重要。可以通过无损检测（NDT）有效识别管道焊接缺陷，包括超声波[3]、涡流[4]、红外[5]、磁泄漏[1]和X射线[6]技术。虽然X射线检测能够提供更直观的结果和更准确的焊接缺陷检测[7]，但手动胶片评估效率低下且具有很强的主观性[8]。因此，需要高精度的自动方法来提高检测效率和准确性。
管道焊接缺陷检测方法分为图像处理、特征值分析和深度学习[9]。
图像处理检测技术主要包括阈值分割和边缘检测。阈值分割主要涉及确定合适的灰度阈值，并将焊接X射线图像划分为几个部分。该方法使用全局阈值进行焊接提取，局部阈值进行焊接缺陷提取，以及Otsu阈值进行焊接缺陷分割[[10]，[11]，[12]，[13]]。边缘检测通过确定X射线图像像素中的显著变化来捕捉边缘信息，以识别焊缝和缺陷[14,15]。此外，阈值分割和边缘检测结合使用可以进一步提高焊接缺陷的分割准确性[[16]，[17]，[18]]。然而，图像像素分布和质量对分割结果有显著影响。
特征值检测方法分析缺陷区域的特征，并使用模式识别对焊接故障进行分类。Lashkia等人根据视觉焊接故障特征将焊接缺陷分为圆形、纵向和横向缺陷[19]。因此，该方法使用描述焊接缺陷形状和方向的几何特征，如水平比率[20]、长度[21]、纵横比[22]和偏心率[23]。特征值检测方法还常用纹理特征[[24]，[25]，[26]]。提取的特征值作为分类输入，通过支持向量机[[27]，[28]，[29]]、人工神经网络[[30]，[31]，[32]，[33]]、反向传播神经网络[26]、多层感知器[34,35]和K最近邻[34]等模式识别技术来确定特征值与焊接缺陷之间的非线性关系。由于缺陷特征值是高维向量，使用特征选择算法消除特征冗余以提高计算性能[36,37]。因此，基于特征值的检测方法主要依赖于手动设计和特征值提取，这具有高度主观性，而对于特征指示较低的缺陷，检测准确性较差。
随着近年来人工智能的发展，由于其出色的特征提取和学习能力，深度学习已被应用于缺陷检测。基于深度学习的检测方法主要包括图像分类[[38]，[39]，[40]，[41]，[42]]、对象检测[[43]，[44]，[45]，[46]，[47]，[48]，[49]]和语义分割技术[[50]，[51]，[52]，[53]，[54]，[55]，[56]]。
图像分类涉及模型训练的图像级注释，以确定特定X射线图像的缺陷类型。侯等人提出了一种具有九个深度层的卷积神经网络，直接从X射线图像中提取深度特征[38]。刘等人提出了一种一致的多尺度特征映射方法，以提高低质量焊接图像中的缺陷识别准确性[39]。此外，研究使用迁移学习来提高用小数据集训练的模型的分类准确性[40,41]。尽管图像分类方法可以确定特定焊接X射线图像的缺陷类型，但它们无法提供缺陷位置。
对象检测方法通过边界框注释训练模型，用于缺陷分类和定位。这些方法主要依赖于两个框架：Fast R-CNN[57]和YOLO[58,59]。先前的研究将特征金字塔[44,46]和多种注意力机制[[44]，[45]，[46]]引入对象检测框架，以改进小目标缺陷的提取，并使用K均值聚类优化缺陷先验边界框，从而提高锚框的准确性[46,47]。尽管对象检测方法可以定位缺陷，但它们对缺陷边缘的标注不够精确。
语义分割涉及通过像素级注释准确分类X射线图像中的每个像素，以识别、分类、定位并精确显示焊接缺陷。基于语义分割的检测方法包括FPN[50]、Mask-RCNN[51,52]和U-Net[[53]，[54]，[55]，[56]]，这些方法展示了编码器-解码器结构。然而，这些方法在全局特征提取方面存在局限性，限制了分割模型检测小缺陷的能力，并增加了检测结果中的噪声。
本文提出了一种基于编码器-解码器的管道焊接像素级缺陷检测网络。首先，编码器根据残差网络对焊接X射线图像进行下采样，然后解码器通过双线性插值对特征进行上采样，以进行焊接缺陷检测。在编码器和解码器中引入了深度可分离卷积（DSC），以减少模型参数的数量。此外，嵌入了高低层特征融合模块（HLF Block）和全局-局部特征融合模块（GLF Block）到跳跃连接中，以减少信息损失并提高全局和局部特征提取能力。经过实验验证，本文提出的检测网络比其他检测方法具有更好的检测能力和更少的参数。
