《NDT & E International》：Intelligent detection of pipeline girth weld defects: a non-destructive testing domain knowledge-integrated approach
编辑推荐：
智能焊缝缺陷检测通过融合NDT领域知识、数据与AI技术，采用半重叠滑动窗口预处理提升小缺陷检测精度，结合动态影像评估与YOLOv8v8架构实现多图像特征融合，并基于缺陷形成机制建立分类规则，实验验证其检测召回率100%且分类更准确。
张勇|江洪全|程慧月|刘天军|邱宇航|杨德燕|刘鹏|高建民|支泽林|景德强|张晓明
西安交通大学制造系统工程国家重点实验室，中国西安，710049
摘要
智能焊接缺陷评估是一个日益重要的研究领域。然而，现有方法忽视了无损检测（NDT）的射线照相解释标准和缺陷形成机制，导致在低对比度或边界模糊的区域出现漏检或误检，以及缺陷类型的错误分类。本研究提出了一种基于人工智能（AI）的管道环焊缝缺陷检测方法，将NDT领域知识与数据和学习算法相结合。首先，受到人类检查员局部和顺序扫描长尺度图像方式的启发，设计了一种半重叠滑动窗口策略来预处理全长图像，同时保留原始信息。其次，借鉴动态胶片评估过程，提出了一种基于You Only Look Once (YOLO)v8架构的缺陷检测模型，该模型结合了多图像分解、关键帧选择和多图像特征融合技术。最后，通过分析焊接缺陷的形成机制，建立了一套涵盖八种典型缺陷类型的分类规则，以支持最终的缺陷类型判定。实验结果表明，所提出的“NDT领域知识 + 数据 + AI”范式优于现有的最先进方法，特别是在检测凹陷缺陷、气孔和熔渣缺陷方面。此外，在检测烧穿和裂纹缺陷时，该方法实现了100%的召回率。本研究为智能焊接缺陷识别系统的未来发展提供了新的见解和技术支持。
引言
长距离油气管道是关键的基础设施，对于将能源生产与消费市场连接起来至关重要。它们的安全稳定运行对能源供应安全和经济发展具有战略意义。作为核心连接技术，焊接质量直接影响管道系统的安全性和可靠性。然而，不确定的焊接因素常常导致环焊缝出现裂纹和气孔等缺陷。这些微小缺陷会缩短管道的使用寿命，甚至可能导致管道破裂或灾难性爆炸，造成无法估量的生命和财产损失。目前，内部焊接缺陷主要通过X射线射线照相无损检测（NDT）[1,2]进行检测，随后由人工检查员对胶片进行视觉评估。然而，这种方法效率低下、主观性强且重复性差。因此，业界迫切需要基于射线照相检测图像的智能焊接缺陷识别技术。这也是人工智能（AI）在NDT应用领域的一个当前研究热点。
焊接缺陷检测的主要目标是在复杂的焊接背景下定位缺陷区域并识别其类型[3,4]。然而，现有的智能方法面临关键挑战。首先，大多数方法仅依赖单一的“静态”图像作为输入，忽略了与手动NDT胶片评估中的动态亮度和对比度调整相关的领域知识。在实际操作中，专业NDT检查员在检查射线照相胶片时经常调整观看光的亮度，特别是对于低对比度或边界模糊的缺陷。他们通过观察被照亮焊接区域的变化来确定缺陷的位置和类型。同样，使用数字射线照相的检查员也经常通过软件调整图像对比度和亮度，进行“动态图像分析”以辅助准确识别和分类缺陷。显然，现有的智能检测方法在很大程度上忽略了专家检查员的这种动态评估经验。因此，将“动态胶片评估”专业知识整合到缺陷检测算法中对于提高准确性和可靠性至关重要。其次，现有的智能检测方法往往忽视了缺陷形成机制和位置特征，导致错误分类。实际上，经验丰富的检查员在识别缺陷时不仅依赖于形态学特征，还会考虑缺陷在焊接中的具体位置。这是因为焊接过程和缺陷形成机制导致不同类型的缺陷出现在不同的焊接区域。然而，主流检测算法大多未能结合这一关键领域知识，特别是空间位置信息，导致识别结果与实际形成机制存在显著偏差。例如，缺乏融合和穿透的缺陷在形态上相似，但在焊接中的空间分布却有明显差异。由于缺乏涉及位置特征的综合分析，现有方法常常混淆这两种缺陷类型。第三，现有的焊接缺陷检测方法忽视了检查员在通过局部、顺序视觉检查长尺度图像时所运用的操作知识。通常，一根长距离油气管道焊缝的单一射线照相胶片的物理长度可超过1米，而缺陷目标具有小尺度特征[5]。根据中国石油行业标准SY/T 4109-2020《油气钢管道无损检测标准》，任何直径超过0.5毫米的圆形缺陷都必须被检测和计数。因此，检查员采用局部、详细的观察策略，而不是同时评估整个图像。这种方法符合人类视觉系统处理细微细节的生理机制，从而显著提高了微缺陷检测的灵敏度和准确性。相比之下，大多数现有检测方法直接使用全尺寸射线照相图像作为输入。然而，这会压缩图像分辨率，影响小缺陷特征的识别。
如图1所示，专业评估人员在分析长尺度射线照相焊缝图像时通常进行局部和顺序评估。他们分段检查焊缝区域，优先关注容易出现缺陷的区域。通过动态调整亮度和对比度来增强低对比度或模糊区域中的特征。对于缺陷分类，除了形态学特征外，还分析了空间位置和形成机制。这种结合了局部观察、动态图像调整和缺陷形成机制知识的评估方法已被证明能有效提高检测准确性和分类精度。
本研究解决了当前智能焊接缺陷检测的局限性——特别是忽视了专业胶片评估经验、缺陷形成机制以及长尺度图像的局部评估策略——通过整合三个关键的NDT领域知识组成部分：动态胶片评估、缺陷形成机制和长尺度图像的局部评估。这些知识与AI深度融合，构建了一种新的智能检测范式：“NDT领域知识 + 数据 + AI”。基于此，我们提出了一种检测管道环焊缝缺陷的智能方法。本研究的主要贡献总结如下。
(1)通过整合局部评估知识，提高了小尺度缺陷的检测能力。本研究引入了一种半重叠滑动窗口预处理策略，用于长尺度图像。这防止了全局图像缩放导致精细缺陷特征的丢失，从而保持了原始分辨率输入，显著提高了小缺陷的识别精度。
(2)通过整合动态胶片评估实践，提高了缺陷识别性能。这包括设计了一种动态多图像分解和关键帧选择机制，其中灰度变换和直方图均衡模拟了人类检查员的亮度和对比度调整。结合多图像特征融合和You Only Look Once (YOLOv8)架构，该方法在低对比度和边界模糊条件下增强了检测的鲁棒性。
(3)通过结合缺陷形成机制，提高了分类准确性和物理合理性。我们根据焊接缺陷形成机制建立了位置约束和形态学特征规则。这些规则细化了初始检测结果，确保最终分类与实际焊接过程特征一致，从而提高了缺陷类型判定的可靠性和可解释性。
相关研究
目前，管道环焊缝的智能焊接缺陷识别技术主要分为三种方法：基于传统图像处理的（WDD-TIP）、基于机器学习的（WDD-ML）和基于深度学习的（WDD-DL）方法[[6], [7], [8], [9], [10], [11]]。
WDD-TIP方法通常涉及应用图像处理技术，如边缘检测、阈值分割和形态学操作，来识别和分析焊缝缺陷。
总体框架
所提出框架中每个组件的选择都是为了模拟NDT专家的认知工作流程，从而整合特定领域知识，以克服标准数据驱动方法的局限性。LS-Preprocess (LA)模块被选用来直接解决长尺度射线照相图像的挑战；它实现了NDT检查员的“局部评估”策略，防止了通常由
实验与讨论
本节展示了所提出方法与Fast R-CNN、Faster R-CNN和经典YOLOv8网络之间的比较实验。这些实验证明了所提出的焊接缺陷检测方法（结合了NDT领域知识）能够有效检测低亮度、低对比度和边界模糊的缺陷，显著提高了检测精度。这些实验是在研究小组收集的管道环焊缝缺陷数据集上进行的。
结论
传统的深度学习方法在基准数据集上虽然数值表现优异，但在实际工业场景中往往表现不佳。它们缺乏人类专家处理模糊、低对比度或形态相似缺陷所需的领域特定推理能力。
本研究的核心贡献不仅是一个新模型，而是一种新的智能检测范式：“NDT领域知识 + 数据 + AI”。这种方法的新颖之处在于其系统性的
局限性与未来工作
尽管本研究建立了一个基础的“NDT领域知识 + 数据 + AI”范式，但我们认识到当前实现存在明显的性能瓶颈。这些局限性不仅是当前工作的局限，也是我们未来研究议程的主要动力。
主要局限性包括：首先，MID-Detector (DE) 虽然有效，但依赖于预定义的一组静态图像增强参数（如第3.3.1节所讨论的），而不是真正自适应的参数
CRediT作者贡献声明
张勇：撰写——原始草稿、可视化、方法论、概念化。江洪全：撰写——审阅与编辑、资金获取。程慧月：软件开发、调查。刘天军：资源管理、项目协调。邱宇航：数据管理。杨德燕：可视化。刘鹏：监督。高建民：概念化。支泽林：调查。景德强：监督。张晓明：资源协调。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了国家自然科学基金（项目编号52375513）和宁夏回族自治区重点研发计划（项目编号2024BEG03010）的支持。
