《Sensors》：YOLO11-Based Weld Defect Detection Method for X-Ray Images Integrating SIoU Bounding Box Regression and P2 Shallow Feature Enhancement
编辑推荐：
X射线检测对管道焊缝无损检测（NDT）至关重要，然而由于低对比度、复杂背景和缺陷形态显著变化，自动缺陷检测仍具挑战性。为应对这些问题，本研究提出了一种改进的基于YOLOv11的X射线焊缝图像检测方法，整合平滑交并比（SIoU）边界框回归与P2浅层特征增强。首先
X射线检测对管道焊缝无损检测（NDT）至关重要，然而由于低对比度、复杂背景和缺陷形态显著变化，自动缺陷检测仍具挑战性。为应对这些问题，本研究提出了一种改进的基于YOLOv11的X射线焊缝图像检测方法，整合平滑交并比（SIoU）边界框回归与P2浅层特征增强。首先，为提升小直径管道焊缝中狭长感兴趣区域（ROI）目标的定位精度，将原始完全交并比（CIoU）损失替换为SIoU损失。通过引入角度代价项，SIoU提供了明确的方向约束，引导预测边界框与地面真值方向对齐。实验结果表明，YOLO11s + SIoU模型达到99.5%的平均精度均值@50（mAP@50）和99.9%的精确率，优于基线模型。其次，为改善长距离管道焊缝中较大缺陷（如未熔合、未焊透和裂纹）的检测，增加P2检测层（步幅4）。该层保留了高分辨率空间细节和浅层边缘特征，这些特征通常在深度下采样过程中丢失。在960×960输入分辨率评估下，YOLO11s + P2模型达到93.07%精确率、94.8% mAP@50和72.01% mAP@50–95。所提方法有效结合了方向约束与浅层特征保留，为复杂焊缝X射线图像中的ROI定位和缺陷识别提供了鲁棒解决方案。
本研究聚焦于管道焊缝X射线图像的自动缺陷检测问题，发表于《Sensors》期刊。研究背景方面，注水系统管道焊缝易产生裂纹、气孔、未熔合等关键缺陷，威胁结构完整性。尽管深度学习已革新了自动焊缝缺陷检测领域，但X射线图像因低对比度、复杂背景和缺陷独特形态仍面临挑战。现有研究存在两个关键局限：一是几何约束不足，小直径管道焊缝的ROI呈极度狭长结构（长宽比>5:1），默认YOLOv11采用的CIoU损失缺乏明确方向约束，导致对细长目标回归路径低效且振荡；二是高频细节丢失，标准YOLO架构对特征图进行大幅度下采样（步幅8以上），平滑了对区分微弱裂纹与噪声至关重要的边缘细节，而X射线成像中的"半影效应"进一步加剧了该问题。
研究人员开展了针对YOLOv11的两项针对性改进研究。针对小直径管道焊缝ROI定位，以SIoU损失替换CIoU损失，其角度代价项显式引导预测框与地面真值方向对齐；针对长距离管道焊缝大缺陷检测，引入P2检测层（步幅4）以保留高分辨率空间细节和浅层边缘信息。研究得出如下结论：YOLO11s + SIoU模型实现99.5% mAP@50和99.9%精确率；YOLO11s + P2模型在960×960分辨率下达到93.07%精确率、94.8% mAP@50及72.01% mAP@50–95。该研究为管道X射线焊缝图像的自动ROI提取和大缺陷检测提供了有效解决方案，推动了小直径及长距离管道焊缝的智能无损检测发展。
研究用到的主要关键技术方法包括：基于SIoU的边界框回归优化与P2浅层特征增强网络架构改进，数据集来自国家石油天然气管网集团有限公司（PipeChina）现场作业采集的焊缝图像，经初级筛选、第三方复检（依据GB/T 44046-2024标准）和专家共识三阶段筛选，按训练集70%、验证集15%、测试集15%划分。
研究结果部分围绕两个核心任务展开：
第一个研究任务是采用基于SIoU的损失函数改进小直径管道焊缝ROI识别模型。研究人员构建小直径管道焊缝ROI数据集进行消融实验，对比基线YOLOv11s与YOLO11s + SIoU模型。实验结果显示，替换CIoU为SIoU使mAP@50绝对提升6.0%（从93.5%至99.5%），mAP@50–95提升9.9%（从76.3%至85.2%），精确率从95.9%提升至99.9%同时保持100%召回率。SIoU的角度代价显式约束预测框方向，使预测框沿正确轴接近地面真值，对带状焊缝ROI尤为关键。典型测试图像表明，该模型能准确定位焊缝区域，对背景灰度变化和局部结构复杂样本仍保持稳定检测性能。
第二个研究任务是基于改进YOLOv11的长距离管道焊缝大缺陷识别方法。研究人员先进行基准比较，在相同640×640输入下对比YOLOv8s、YOLOv10s、RT-DETR和DINO模型，YOLO11s以88.8% mAP@50和65.4% mAP@50–95最优且参数适中（9.4M）、实时推理速度达90帧每秒，故选为基线。随后设计五组对比实验：原YOLOv11s（640×640）、YOLOv11s（800×800）、YOLOv11s（960×960）、YOLOv11s + P2（800×800）和YOLOv11s + P2（960×960）。结果表明：单纯提升分辨率至800×800使mAP@50提升5.98%；在960×960分辨率下添加P2使mAP@50–95提升4.49%（从67.52%至72.01%）。P2分支基于步幅4特征图预测，保留高分辨率空间细节，使模型能依据细粒度纹理而非仅语义上下文检测缺陷。训练曲线显示box损失、分类损失和分布焦点损失（dfl loss）逐渐下降趋于稳定，精确率、召回率、mAP@0.5和mAP@0.5:0.95整体上升。混淆矩阵表明模型对未熔合、未焊透和裂纹三类缺陷分类良好。
计算效率分析方面，YOLOv11s + P2约9.4M参数，显著小于ResNet50的25.6M参数。尽管P2浅特征层提升特征图分辨率，整体推理时间在现代硬件上仍低于20ms/图像，因原YOLOv11s已达90帧每秒（约11ms）。该方法对CPU或边缘计算环境适应性强，可集成至现有X射线检测产线。
讨论与结论部分，研究人员总结称：针对小直径管道焊缝ROI识别，改进YOLOv11通过引入SIoU损失增强了模型定位能力；针对未熔合、未焊透和裂纹等大缺陷检测，通过不同模型架构和输入尺度对比分析确定了适用模型。综合消融研究量化了SIoU损失和P2分支的贡献：SIoU对细长ROI的几何稳定回归至关重要，P2分支对恢复下采样丢失的高分辨率缺陷细节关键。与稀疏描述方法[22]结合，建立了供水管网综合智能检测体系。研究局限性在于当前验证基于特定产线数据，需在不同工厂外部数据集验证泛化能力；极端光照变化或严重遮挡条件下仍可能出现偶发误检。未来工作将聚焦失败案例分析和多源数据收集以增强模型在多样工业环境中的鲁棒性。
