射线检测数字图像管理系统研究

射线检测数字图像管理系统研究

朱江1龚新迪2

新疆天维无损检测有限公司 新疆克拉玛依市   834000

新疆油田分公司开发公司2新疆克拉玛依市   834000

摘要：焊缝采用传统X射线检测进行检测，存在自动化程度低和药液污染的问题。X射线检测需手工检测作业，过程繁琐、效率低，暗室处理时间长；检测结果以底片形式记录，数据统计、存贮查阅难，流转效率低，不利于产品质量管控和追溯；同时也无法适应和满足数字化、智能化转型发展需求。

数字射线检测是无损检测技术的先进发展方向，随着射线底片扫描技术、X射线数字成像检测技术（DR）和射线计算机辅助成像检测技术（CR）的不断推广应用，射线检测数字图像大量代替工业胶片。

随着人工智能、深度学习、计算机视觉等计算机领域知识在各行各业的进一步发展，工业领域中的缺陷检测也逐渐向自动化、智能化的方向发展，希望能实现底片质量自动判定、缺陷的自动识别、自动评级、自动复核等工业应用。

关键词：射线数字检测；缺陷自动识别；管理系统

引言

在射线焊缝缺陷和伪缺陷检测自动判别模型的建立和实现过程中，高质量和多样化的数据对于缺陷判别模型的实现和判别效果起到了重要的作用。因此，开发射线检测数字图像数据管理系统，对焊缝缺陷和伪缺陷数据管理系统，该系统对于后续焊缝缺陷和伪缺陷检测模型开发和测试将起到重要的数据支撑作用。

1 射线检测数字图像数据管理系统架构

射线焊缝缺陷数据管理和标注系统主要分为三个层次，如下：

1.1用户界面层：提供用户友好的界面，支持数据上传、标注、查看、导出和管理等功能。

1.2应用服务层：包括数据标注模块、模型检测模块和数据管理模块，负责处理核心业务逻辑。

1.3数据存储层：包括X射线焊缝缺陷图像数据库和标注数据库，用于存储原始图像和标注信息。

2 数据管理系统关键技术

面向深度学习的射线焊缝缺陷数据管理和标注系统中，使用的关键技术主要包括：基于深度学习的检测模型、面向灵活交互的手动标注、层次化Web开发技术。

2.1 基于深度学习的检测模型

为保证上传的射线焊缝缺陷数据能进行自动的缺陷标注，开发了基于深度学习的检测模型。随着上传的数据越来越多，模型会从更多的数据中进行学习，模型的检测精度得到改进，借助于模型的检测能力会进行更多、更精准的缺陷自动标注。

缺陷检测方面，采用卷积神经网络（CNN）的深度学习模型。CNN通过多层神经网络对输入X射线焊缝图像进行特征提取和分析，能够自动学习图像中的复杂特征，从而识别出焊缝中的缺陷。常用的模型如ResNet、YOLO等，在处理图像分类和目标检测任务中表现出了卓越的性能。基于深度学习的检测模型通过对大量标注数据训练，能够实现高效、准确的自动化缺陷检测，大幅提高数据标注的效率和准确性，减少人为误差。

2.2 面向灵活交互的手动标注

射线焊缝缺陷检测面临很多挑战，完全依靠模型来实现对所有缺陷的检测是不太现实的，也不能保证缺陷标注的质量，无法借鉴专家的识别经验。因此，面向灵活交互的手动标注是缺陷标注的重要补充手段。

手动标注是深度学习模型训练中不可或缺的一环。面向灵活交互的手动标注技术，提供了便捷的图像标注工具，支持矩形框的标注方式。用户可以通过简单的鼠标操作，在射线图像上精确标注出缺陷区域。系统采用标准的XML或JSON格式存储标注信息，便于数据交换和模型训练。标准化的数据格式能够提高数据的可用性和共享性，确保标注数据的高质量和一致性，从而为深度学习模型的训练提供可靠的标注数据。

2.3 层次化开发技术

焊缝缺陷图像收集人员大部分都分散在各工程项目上，检测模型对部署硬件要求高的挑战，需要开发网页形式系统来实现数据的持续、可靠收集。

系统前端开发中，采用了Vue.js框架。Vue.js是一个用于构建用户界面的渐进式JavaScript框架，具有响应式数据绑定和组件化开发的特点，其核心库专注于视图层，能够快速构建复杂的用户界面，同时具备高性能和易于集成的优势。本系统中，Vue.js用于构建直观且交互性强的用户界面，提供数据上传、预览、手动标注和结果查看等功能，极大提升了用户体验和操作效率。

系统后端开发中，选择了Flask框架。Flask是一个轻量级的Python Web框架，以其简洁、灵活和易于扩展的特点而闻名。Flask提供了丰富的插件和扩展，可以轻松实现各种功能需求。在本系统中，Flask负责处理前端请求、与数据库交互以及调用深度学习模型进行缺陷检测。其简洁的设计使得开发和维护变得更加高效，同时也确保了系统的可扩展性和稳定性。

3 射线焊缝缺陷数据管理和标注系统功能

射线焊缝缺陷数据管理和标注系统包括：数据上传与审核、缺陷自动与手动标注、数据质量校验等功能。

3.1 数据上传与审核

用户可以在数据上传界面上传缺陷图像，系统会自动将其分类存储到相应的文件夹中。考虑到一个目标工程的缺陷图像通常是作一组或多组一起上传，系统特此设立了数据的“批号”字段，为缺陷图像按批次的批量上传、标注以及最后报表的导出提供了系统级支持。用户也可以在个人中心管理自己上传的数据，进行删除和修改。此外，管理员可以对普通用户上传的数据进行审核，经过审核后的图像才会被最终用于模型训练。

3.2 缺陷自动与手动标注

用户在缺陷检测界面选择要检测的图像数据，可以选择单一图像，也可以选择某一批号的全部图像，通过调用缺陷检测模型，实现缺陷自动标注。若用户发现检测模型标注缺失或标错的情况，可以使用手动补全功能对标注进行删除和修改。进行缺陷标注时，还可以对图像进行预处理，包括放大、缩小、旋转、镜像以及亮度和对比度的调节，方便用户在观看图像时根据需要进行调整。此外，还提供用于测量的标尺。同一批号的数据一般在相同情况下进行拍摄，同一批号会共享同一个标尺信息，不需要重复进行设定。

通过以检测模型自动标注为主，手动标注为辅的功能组合，可以实现对缺陷的准确标注，为检测模型开发奠定数据基础。

3.3 数据质量校验

数据质量校验主要提供一些对焊缝缺陷图像质量的检测手段，包括对比度检测、重复性检测、伪缺陷检测等，通过数据质量校验，用户可将校验不通过的数据剔除出缺陷数据库。

用户在数据质量校验界面可以对当前上传的图片进行数据质量的检测。通过灰度折线图可以看到图像横纵中心灰度变化情况，若变化较小，则意味着图像对比度低，图像质量就较差；通过重复性检测可以检查当前图片及其近似图片是否已经存在于当前数据库中，避免数据冗余。伪缺陷检测目前内置有对图像中长条形伪缺陷的提取方法，可以将图像中存在的诸如纤维丝、头发丝这样的伪缺陷提取出来，用来辅助判定图像质量情况。

4 系统展望

面向深度学习的射线焊缝缺陷数据管理和标注系统采用BS架构设计，可将计算资源集中于服务器端，用户只需通过浏览器即可进行复杂的图像处理操作。在数据中引入批号管理机制，允许用户按批次上传和管理图像数据，简化了数据处理流程，并且通过批号，用户可以轻松追溯和管理特定批次的数据，方便进行数据分析和历史记录查询。引入基于深度学习检测模型实现缺陷自动标注，大大减少了人工识别和标注的工作量，同时提供手动标注功能，确保标注的准确性和完整性。

射线检测数字图像管理系统在射线检测领域展示了强大的应用潜力。未来，系统可以进一步优化和扩展，助力实现高效、准确的自动化检测和数据管理。

参考文献

[1]吴小凤,王天淼,朱文秀.基于Flask框架的监控平台可视化设计研究[J].工业控制计算机,2024,37(03):90-91.

[2]常鑫,田立勤.基于Web的异常数据检测系统设计与实现[J].现代计算机,2024,30(04):88-93

[3]杜志虎,韩亮,薛彦宇等.基于改进 Mask RCNN 算法的管道焊缝缺陷检测 [J].电脑知识与技术,2023,19(30):16-18.

[4]韩少恒.智能化焊缝缺陷检测系统的研究[J].机械制造,2023,61(10):70-73.