《Journal of Pipeline Science and Engineering》：Overcoming Noise Interference and Sample Scarcity in Digital Radiography: A Synergistic Approach for Intelligent Pipeline Girth Weld Defect Recognition
编辑推荐：
针对管道环焊缝检测中强烈的噪声干扰和有限标注数据的双重挑战，本研究探索了数字射线照相（DR）图像的智能识别机制。为了解决这些痛点，研究人员提出了一种协同识别框架，集成了自适应去噪、协同增强和几何自适应检测网络。设计了一种智能降噪方法来解决高图像噪声问题。为了解
针对管道环焊缝检测中强烈的噪声干扰和有限标注数据的双重挑战，本研究探索了数字射线照相（DR）图像的智能识别机制。为了解决这些痛点，研究人员提出了一种协同识别框架，集成了自适应去噪、协同增强和几何自适应检测网络。设计了一种智能降噪方法来解决高图像噪声问题。为了解决图像质量差的问题，提出了一种图像增强算法。使用协同傅里叶变换通过不同通道增强图像。最后，通过将MSDCN模型与YOLOv8结合，构建了改进的YOLOv8-MSDCN模型。该模型实现了几何变形适应与通道特征增强之间的耦合。研究了MSDCN模块的位置和数量之间的关系。发现当三个MSDCN模块嵌入到骨干网络中时，模型具有最佳的识别性能，精确率为0.87，mAP@0.5为0.86，召回率为0.81。这证明了自适应预处理与融合检测机制的集成显著增强了DR缺陷识别的可靠性。
随着全球能源需求的持续增长，长距离油气管道已成为跨区域能源运输的骨干，截至2024年管网总长度已超过18万公里，其中环焊缝作为管道关键连接部件，其缺陷占管道失效事故的60%以上。因此，高精度无损检测是保障管网安全运行的核心环节。尽管存在多种无损检测方法，X射线检测因其经济实用性成为环焊缝的主要无损检测手段，其中数字射线照相（DR）因其高清晰度和易存储性成为主流。然而，DR缺陷识别主要依赖人工，导致评价主观性强，缺陷常被遗漏或误判，亟需辅助工具。近三年研究集中在图像预处理、小缺陷识别网络和跨场景泛化，但存在以下瓶颈：传统去噪方法无法处理混合噪声且需大量预训练样本；图像增强难以平衡低对比度缺陷提升与背景噪声抑制；标准YOLO模型对微小DR焊缝缺陷检测不佳，固定卷积核无法适应裂纹等不规则几何变形。为填补这些空白，本研究开发了一种协同方法，将图像恢复与目标检测视为相互关联的任务，提出了三项核心创新：自适应灰度半径去噪方法（GRDM）、协同多尺度傅里叶变换增强算法（CMFT）以及DCN-MSCA融合机制（MSDCN），并嵌入YOLOv8构建YOLOv8-MSDCN模型。该研究成功建立了克服噪声干扰和样本稀缺的协同框架，为管道环焊缝DR缺陷智能识别提供了高精度、实用的方案，对提升管道安全水平具有重要意义。论文发表在《Journal of Pipeline Science and Engineering》。
研究人员为开展研究主要运用了以下关键技术方法（样本队列来源：DR缺陷样本来自DL-2000系统（DRAA，江苏，中国））：1）自适应灰度半径去噪方法（GRDM），通过双维噪声分类框架识别混合噪声类型，并基于目标像素灰度梯度在1-5之间自适应调整滤波半径，实现边缘保持与噪声抑制的平衡；2）协同多尺度傅里叶变换增强算法（CMFT），利用离散傅里叶变换（DFT）分离时域与频域，通过协作阈值滤波和维纳滤波对不同频带进行通道自适应加权增强，动态调整各频带权重以提升低对比度缺陷特征；3）YOLOv8-MSDCN模型，将可变形卷积网络（DCN）与多尺度通道注意力（MSCA）融合为MSDCN模块，嵌入YOLOv8的骨干网络（Backbone）和颈部（Neck），实现几何变形适应与通道特征增强的耦合，并通过交叉层交互连接和特征重分配分支优化小缺陷特征提取。
4.1 图像灰度处理：研究人员对各类缺陷样本进行灰度化处理，发现同一样本内灰度分布高度分散，不同缺陷间的灰度值和分布差异显著，这增加了后续降噪和增强的难度。
4.2 GRDM性能：通过对比不同去噪半径（1-5）下的峰值信噪比（PSNR）和结构相似性指数（SSIM），发现当半径为3时去噪效果最优，凹坑、裂纹、未熔合、气孔、条状和焊缝的PSNR分别为32.26、30.65、30.25、31.27、30.41和29.41，SSIM分别为0.72、0.61、0.63、0.62、0.65和0.56。与经典方法（中值滤波、维纳滤波、小波阈值）相比，GRDM在混合噪声场景下PSNR平均提高12.7%和8.3%，SSIM提高15.2%和9.8%，且边缘梯度保留率达91.0%。
4.3 CMFT性能：通过调整sigma、lambda、theta和gamma参数，发现sigma=5、lambda=20、theta=100、gamma=0时增强效果最佳。自动增强后，凹坑、裂纹、未熔合、气孔、条状和焊缝的PSNR分别为45.95、45.64、44.32、46.78、44.56和40.58，SSIM分别为0.94、0.88、0.84、0.95、0.86和0.82。与直方图均衡化和经典维纳滤波相比，CMFT平均PSNR提高28.7%和22.5%，平均SSIM提高32.4%和23.3%，缺陷边缘对比度比单尺度傅里叶增强提高41.2%。
4.4 YOLOv8-MSDCN性能：研究人员将不同数量（1-3个）的MSDCN模块分别嵌入YOLOv8的骨干网络和颈部，发现嵌入骨干网络且数量为3时性能最佳，精确率为0.87，mAP@0.5为0.86，召回率为0.81。相比基线YOLOv8（精确率0.35，mAP@0.5=0.29，召回率0.30）有显著提升。消融实验表明，单独使用GRDM+CMFT预处理可将精确率提升至0.65，单独嵌入MSDCN模块可提升至0.58，而完整模型达到0.87，证明性能提升是预处理与网络修改协同作用的结果。在外部独立数据集上测试，精确率、mAP@0.5和召回率分别为0.84、0.83和0.79，仅下降约3%，验证了强跨场景泛化能力。推理时间为0.020秒/图像（50帧/秒），满足工业实时需求。
总结讨论部分：研究人员重点分析了模型对安全关键平面缺陷（裂纹和未熔合）的可靠性。由于裂纹和未熔合在成像中对比度低、形态不规则，传统算法常出现高假阴性率，但本研究通过CMFT增强和MSDCN模块的几何适应性，在整个测试集中将裂纹和未熔合的假阴性分别降至仅4个和6个实例，确保系统对安全关键类别的召回率，证明该框架不仅数学上稳健，而且实际工业管道完整性管理中高度可靠。此外，5折分层交叉验证的标准差（SD）表明最优模型稳定性良好，而原始YOLOv8的SD较大，性能不稳定。研究结论部分翻译如下：
本文聚焦于DR缺陷的智能识别。首先，研究人员提出了一种智能图像降噪模型（GRDM），以解决多种类和高噪声水平问题。随后，在降噪处理后，提出了一种自动图像增强方法（CMFT），以解决图像质量差的问题。最后，提出了一种改进的YOLOv8算法，将MSDCN嵌入YOLOv8中，与原始模型相比显著提高了检测精确率。本研究成功建立了一种克服噪声干扰和样本稀缺的协同方法，主要结论如下：
（1）设计了一种GRDM模型，通过计算不同半径下的灰度值进行图像降噪。降噪后凹坑、裂纹、未熔合、气孔、条状和焊缝的PSNR值分别为32.26、30.65、30.25、31.27、30.41和29.41，SSIM值分别为0.72、0.61、0.63、0.62、0.65和0.56。
（2）设计了一种CMFT算法用于智能图像增强，该算法利用协同傅里叶变换分别增强不同频带，同时使用阈值滤波和维纳滤波。增强后凹坑、裂纹、未熔合、气孔、条状和焊缝的PSNR值分别为45.95、45.64、44.32、46.78、44.56和40.58，SSIM值分别为0.94、0.88、0.84、0.95、0.86和0.82。
（3）设计了一种YOLOv8-MSDCN模型，通过将不同数量的MSDCN模块嵌入YOLOv8的骨干网络和颈部。将MSDCN嵌入骨干网络显著提升了识别性能。当MSDCN模块数量为3时，改进后的YOLOv8具有最佳识别性能，精确率为0.87，mAP@0.5为0.86，召回率为0.81。
