压力管道焊接过程中难免产生焊接缺陷，基于X射线成像进行焊缝检测是一道重要的质量控制工序。由于焊缝数量多、缺陷类型复杂，传统的人工缺陷识别方法效率低，这促使了焊缝缺陷自动检测系统的发展。在X射线图像采集过程中，由于操作流程、光照环境和焊缝位置各不相同，采集的图像常出现焊缝区域所占比例小、噪声密集、亮度不均匀以及细节模糊等问题，给焊缝缺陷的自动检测带来了困难。

为了解决上述难题，邵家鑫等[1]提出基于列灰度分析的多重阈值分割算法，通过双阈值确定焊缝上下边缘，从而提取出完整的焊缝区域。张明星[2]提出基于尺度乘积的分割算法，通过模板匹配定位焊缝区域，并用最小二乘法拟合灰度曲线中的直线，检测边缘实现焊缝提取。两者都需对图像进行灰度值分析和边缘检测，且受噪声和图像质量的影响较大，算法的泛用性和鲁棒性存在局限性。此外，张晓光等[3]使用中值滤波和直方图均衡对整张图像进行处理，然而，这种全局处理引入了大面积的无效区域，不仅影响了焊缝区域的优化效果，并且降低了批量处理的效率。

因此，对X射线图像进行自动化图像预处理是实现焊缝缺陷自动检测的必要一环。文章提出通过训练YOLOv5深度学习模型实现焊缝等关键区域的定位[4]，并对重构后的图像进行增强处理，以实现压力管道环缝X射线图像优化的目标，从而为后续焊缝缺陷的精准、快速检测提供支撑。

1. 研究方法

集成深度学习模型和图像增强处理的X射线图像优化方法的完整流程如图1所示。其首先通过X射线成像系统对压力管道环焊缝区域进行数字成像，然后选用YOLOv5s深度学习模型的目标检测功能进行目标区域定位；同时设计图像重构算法，将目标区域从整个图像中提取并重构；随后，对重构后图像依次进行噪声消除、对比度调整、细节增强等图像增强操作，最终得到图像优化结果并分析验证。

图 1 集成深度学习模型和图像增强处理的X射线图像优化方法的实施流程

1.1 基于YOLOv5模型的目标区域定位

深度学习在图像识别领域应用广泛，通过其目标检测功能，可以实现对图像中特定目标的自动定位。YOLOv5是近年来广泛应用的一种目标检测模型。YOLOv5的核心优势在于其高效的实时检测能力和较高的检测精度。该模型通过一个单独的神经网络直接预测图像中目标的类别和位置，实现了端到端的检测。笔者采用改进的YOLOv5s模型对目标进行检测，YOLOv5s的模型结构如图2所示。

图 2 YOLOv5s网络结构示意

YOLOv5s由Backbone、Neck和Head三个部分组成[5]。Backbone部分接收640像素×640像素×3（长×宽×通道）的图像作为输入，通过卷积（Conv）和CSP模块提取特征。随着网络深度的增加，特征图的尺寸逐渐减小，通道数逐渐增加，S1到S4的输出层提供多尺度特征，分别对应不同层次的语义信息。Neck部分通过上采样（Upsample）和拼接（Concat）操作融合多尺度特征。上采样将特征图的尺寸对齐后进行拼接，融合后的特征既保留了语义信息，又结合了位置信息，从而提升了多尺度目标检测能力。Head部分基于融合的特征，经过卷积（Conv）层预测目标框、置信度和类别概率。损失函数（Loss）用于衡量预测结果与真实值的差异，通过指导训练优化，提高检测精度。

该结构在计算量与性能之间达到了平衡，通过多尺度特征融合和端到端的检测方法，使YOLOv5s模型具备了高效且准确的检测能力，能够满足众多工业检测的需求。

1.2 图像重构

实际缺陷检测过程中，需要通过基准区域完成缺陷的定位，同时要使裁剪重构后的图像尺寸尽可能地小，从而加快检测速度，文章设计算法对区域定位后的图片进行如下处理。

（1）从YOLOv5s模型的输出中获取检测到的每个物体的矩形边界框坐标。每个边界框由左上角坐标（x1，y1）和右下角坐标（x2，y2）表示。

（2）遍历所有坐标，找到最小的横坐标、纵坐标，以及最大的横坐标、纵坐标。分别表示为xmin、ymin、xmax和ymax。

（3）根据找到的最小和最大坐标，计算新画布的宽度和高度，以创建一个最小的画布作为重构图像的背景。计算公式为

�=�max-�min

(1)

ℎ=�max-�min

(2)

式中：w为新画布的宽度；h为新画布的高度。

（4）为了保持原图中物体的相对位置，需要将每个检测到的物体的坐标转换到新画布上。对于每个物体，新坐标的计算公式为

�1'=�1-�min

(3)

�1‘=�1-�max

(4)

�2'=�2-�min

(5)

�2'=�2-�max

(6)

式中：�1'、�1'为物体在新画布上的左上角坐标；�2'、�2'为物体在新画布上的右下角坐标。

（5）使用计算出的新画布宽度和高度创建一个新的图像背景，并将每个检测到的物体根据转换后的坐标放置在新画布上。

通过图像重构算法，能够做到在提取出多个目标的同时保持目标间的相对位置。

1.3 图像增强处理

由于焊缝X射线图像中常常存在复杂的噪声干扰，这些干扰会导致图像细节丢失或模糊，因此需要采取一系列图像增强操作来进行优化。为了确保处理算法的普适性，并保留优化后的图像细节，文章选取了一系列噪声消除、对比度调整和细节增强算法进行对比，并通过粒子群优化算法动态选取参数，以适应不同质量的图像。

（1）噪声消除

均值滤波、中值滤波、高斯滤波、小波变换和非局部均值去噪是5种常用的图像去噪算法。

均值滤波通过将每个像素的值替换为其邻域内像素的平均值，从而平滑图像并减少噪声[6]。中值滤波将每个像素的值替换为邻域内像素值的中值，能有效去除盐椒噪声，并保持图像的边缘细节[7]。高斯滤波利用高斯函数对邻域内像素进行加权处理，可在降低噪声的同时更平滑地处理图像，适用于减少高斯噪声[8]。小波变换将图像分解为不同频率的分量，再分别处理，可有效去除噪声并保留图像的多尺度细节[9]。非局部均值去噪通过计算每个像素与其邻域像素的加权平均值，利用相似块进行去噪，更好地保留了图像的细节和纹理信息[10]。

（2）对比度调整

对比度拉伸、直方图均衡化、自适应直方图均衡化是3种常用的图像对比度调整算法。

对比度拉伸通过线性变换扩展图像像素值的范围，使得最暗的像素变得更暗，最亮的像素变得更亮，从而增强整体对比度。直方图均衡化则通过重新分配像素的灰度值，使得灰度分布更加均匀，进而提高图像的对比度并增强细节与边缘特征。自适应直方图均衡化将图像分成小块分别进行均衡化，再将这些小块拼接起来，在显著提高局部对比度的同时，能保持图像细节，避免过曝或欠曝的现象[11]。

（3）细节增强

滤波器锐化、拉普拉斯算子、反锐化掩膜是3种常用的图像细节增强算法。

滤波器锐化通过应用卷积核增强图像中的边缘和细节，使图像看起来更清晰、锐利。拉普拉斯算子利用二阶微分运算突出图像中的边缘特征，增强细节，使边缘更加明显[12]。反锐化掩膜将原图像与其模糊版本的差值加回到原图像中，从而增强边缘和细节，减少噪声影响，使图像更加锐利和清晰[13]。

（4）粒子群优化算法

在图像处理过程中，设置合适的参数至关重要。对于批量图像处理，必须根据每张图像的特性自动调整处理参数。粒子群优化（PSO）算法可以动态优化这些参数，从而统一提升图像质量。

粒子群优化算法是一种模拟自然界群体行为的全局优化方法。算法步骤包括初始化粒子的位置和速度，计算适应度值（目标函数值），然后通过更新速度和位置迭代搜索最优解。每个粒子的更新由以下公式控制

���+1=���+���+1

(7)

���+1=����+�1�1(��-���)+�2�2(�-���)

(8)

式中：���为第i个粒子在第t代的当前位置；���为第i个粒子在第t代的速度；w为惯性权重；c1和c2为加速常数；r1和r2为[0，1]范围内的随机数；pi为第i个粒子历史上最好的位置；g为全体粒子中的全局最佳位置。

2. 结果与讨论2.1 数据集构建

文章原始试验数据来自压力管道环焊缝的X射线检测图像，共1 476张，其中选取1 200张图像作为数据集，并采用7∶3的比例将数据集划分为训练集和验证集。剩余276张图像用于后续试验验证。实际焊缝缺陷检测中，需要利用管道上的基准区域进行缺陷的定位，因此使用Labelimg软件同时标注出焊缝区域与基准区域。

试验中所使用的软件工具主要包括Visual Studio Code（VS Code）集成开发环境、Pytorch1.8.2深度学习平台和Python3.8编程环境。硬件方面，试验使用的CPU型号为AMD Ryzen 7 5800H，GPU型号为NVIDIA GeForce RTX 3060。

2.2 目标定位和图像重构结果分析

通过对YOLOv5s模型进行300个周期的训练，模型在所有检测类别上的平均精度达到95.62%，平均召回率达到98.82%，其识别结果如表1所示，焊缝区域和基准区域的定位效果如图3所示。

Table 1. 测试集定位精确率和召回率统计结果

类别

精确率

召回率

总计

焊缝

93.07%

98.41%

95.62%

基准

98.18%

99.23%

98.82%

图 3 焊缝及基准区域定位效果示意

统计结果显示，模型在各检测类别上的表现均较为均衡，体现出模型在检测焊缝和基准区域时具备较高的鲁棒性和可靠性，证明了模型具备在实际应用中进行焊缝及基准区域准确定位的能力。

通过加载模型对数据集的1 200张图像进行焊缝及基准区域的定位标注后，使用前文提到的图像重构算法对其进行重构，图像重构效果如图4所示。

图 4 图像重构结果

试验结果显示，图像重构算法能够精准提取焊缝及基准区域并保持其相对位置，从而去除图像中的无关背景，使得图像更加聚焦于关键检测区域。而且，重构后的图像尺寸大大缩小，减少了后续处理的计算量，提升了处理速度，为后续的噪声消除、对比度调整和细节增强等图像处理步骤奠定了良好基础。

2.3 图像优化处理结果分析

（1）噪声消除

分别使用均值滤波、中值滤波、高斯滤波、小波变换和非局部均值去噪5种常用方法对重构后的图像进行噪声消除，处理结果如图5所示。

图 5 图像的各噪声消除算法处理结果对比

焊缝缺陷检测要求实现图像降噪的同时，尽可能保留焊缝的细节。因此文章使用峰值信噪比（PSNR）和结构相似度（SSIM）两种指标对不同去噪方法进行定量分析[14]。

峰值信噪比衡量了去噪后图像与原始图像之间的峰值信噪比，数值越大表示去噪效果越好。结构相似度衡量了去噪后图像与原始图像之间的结构相似度，数值越接近1表示两者相似度越高。

对5种不同降噪算法的处理结果进行PSNR值和SSIM值的计算，结果如表2所示。

Table 2. 5种降噪算法的PSNR值和SSIM值计算结果

降噪算法

PSNR值

SSIM值

均值滤波

37.86

0.976

中值滤波

45.28

0.991

高斯滤波

40.91

0.987

小波变换

38.19

0.982

非局部均值去噪

47.56

0.987

通过分析PSNR值和SSIM值，可以发现中值滤波和非局部均值去噪方法在PSNR和SSIM指标上均表现出色，表明这两种方法能够更有效地去除图像噪声，并保持图像的细节信息，故文章采用非局部均值去噪法进行图像降噪处理。

（2）对比度调整

分别使用对比度拉伸、直方图均衡化、自适应直方图均衡化（CLAHE）[15]3种常用方法对噪声消除后的图像进行对比度调整，处理结果如图6所示。

图 6 图像的各对比度调整算法处理结果对比

通过分析图像可知，对比度拉伸对于本身亮度比较均衡的图像增强效果不明显，无法增强焊缝局部细节；直方图均衡化可以显著提高图像的整体对比度，有助于增强图像的细节和边缘特征，但容易使亮部和暗部产生过曝和欠曝而丢失细节；自适应直方图均衡化显著提高了局部对比度，同时能够保持焊缝区域的细节。因此文章采用自适应直方图均衡化进行图片对比度调整。

（3）细节增强

分别使用滤波器锐化、拉普拉斯算子、反锐化掩膜3种常用方法对对比度调整后的图像进行细节增强，处理结果如图7所示。

图 7 图像的各细节增强算法处理结果对比

通过分析图像发现，卷积核锐化后的图像细节效果最佳，但是会放大图像内的噪声；拉普拉斯算子的细节增强效果不明显；反锐化掩膜的细节增强效果较卷积核锐化的要稍弱，但噪声较少。实际焊缝缺陷检测过程中可以根据需要选择使用卷积核锐化或反锐化掩膜，文章选用卷积核锐化的方法进行图像细节增强。

2.4 粒子群优化算法参数调整

引入粒子群优化算法后，通过优化3个关键参数，能够将图像的PSNR值稳定在47附近，最大限度地保留图像细节，具体的优化参数如下。

（1）h（非局部均值去噪参数）：该参数用于控制去噪强度。较大的h值能增强去噪效果，但可能导致细节的模糊。

（2）clipLimit（CLAHE对比度限制）：用于控制局部对比度增强的强度。该值较大能显著增强对比度，但可能引入噪声。

（3）tileGridSize（CLAHE网格大小）：该参数用于控制图像分块的大小。较小的网格块能够更好地增强局部对比度，但可能引发伪影。

使用固定参数和PSO动态调整参数处理4张图像后，PSNR值的对比如表3所示。这两种方法处理后的图像效果如图8所示。

Table 3. 使用固定参数与PSO动态参数处理图像的PSNR值

图像位置

固定参数

PSO动态参数

1#

48.64

46.84

2#

37.80

47.37

3#

48.21

47.16

图 8 固定参数处理与PSO动态参数处理的图像效果对比

引入PSO算法后，图像处理参数能够根据每张图像的具体情况自动优化，避免了人工调节参数的主观性和不确定性。通过动态调整非局部均值去噪参数、CLAHE对比度限制和网格大小这3个参数，PSO算法能够在保证去噪效果的同时，避免细节模糊，提升对比度而不引入过多噪声，最终有效提升图像质量。即，该算法不仅使得图像更加精确，还能保证在不同类型的图像和噪声环境下，始终获得较为稳定的PSNR值，进而显著提升焊缝的检测精度。

3. 试验验证分析

文章通过Visual Studio Code软件编写图像优化系统，输入待优化图像后，系统依次自动对图像进行基于YOLOv5s模型的定位、图像重构、PSO算法动态参数调整、卷积核锐化算法和图像保存等操作，实现了管道环缝X射线图像批量处理。最后进行了验证试验，向图像优化系统输入剩余276张验证图像进行批量处理，部分处理结果如图9所示。

图 9 部分图像优化系统处理后的结果

试验结果显示，在不同复杂干扰噪声的影响下，文章提出的深度模型和图像处理的X射线图像优化方法在焊缝区域提取、噪声消除和细节增强方面都表现出了显著优势，能够快速实现焊缝区域的精确提取和有效去噪，同时保留并强化了重要细节，为后续的焊缝缺陷识别提供了坚实基础。

4. 结论

（1）设计了基于YOLOv5深度学习模型的管道环缝X射线图像焊缝区域识别与图片重构算法，实现了焊缝区域的精确定位和提取。试验结果表明，系统在焊缝及基准区域定位上表现出色，平均精度达到95.62%，平均召回率达到98.82%。

（2）所提方法在图像处理方面，通过比较各种去噪、对比度调整和细节增强方法，选择了非局部均值去噪、自适应直方图均衡化和卷积核锐化来提高图像质量，显著提高了图像清晰度，保存了边缘细节。

（3）所提方法通过粒子群优化算法动态处理参数，使不同图像质量下的图像优化都能达到最佳状态，实现了管道环缝X射线图像的自动处理，为焊缝缺陷的自动化识别奠定了基础。