项目介绍 | 螺旋焊缝 X 射线缺陷智能检测与评估系统

NEU 机器视觉与机器人实验室

项目背景

螺旋焊管是保障能源与工业介质安全、稳定、长距离输送的重要基础管材。由于天然气等资源往往需要跨区域输送，必须依托干线管道与城镇管网实现集中供给，而螺旋焊管便于规模化生产、适合大口径和长距离铺设，因此在工程建设中应用广泛。图1展示了螺旋焊管的成品形态及其典型用途，涵盖燃气输送、燃油运输、建筑工程、电力工业、海洋工程和化工领域等多个场景。

图1 螺旋焊管应用场景

在这些应用中，管道的安全可靠性很大程度取决于焊缝质量。螺旋焊缝相对薄弱，受结构、壁厚差异和焊接工艺等因素影响，内部可能出现气孔、夹渣、未焊透、烧穿等缺陷，轻则削弱力学性能，重则引发泄漏并造成安全事故与经济损失。因此，提高焊缝制造水平，并在出厂与施工环节进行严格检测、评估与必要修复，是确保螺旋焊管长期安全服役的关键。

螺旋焊管从生产到出厂通常要经历“制造—检测—评估”的完整流程。生产环节以带钢为原料，先完成带钢输入、矫平与修边等预处理，再进行自动焊接形成螺旋焊缝；随后钢管进入检测环节，被送入检测室开展无损检测，并结合现场实时检测工况与人工视觉复查，对焊缝表面及内部缺陷进行综合评估，发现问题后可及时返修处理，确保出厂质量。螺旋焊管的生产检测流程如图2所示。

图2 螺旋焊管生产检测流程

在检测手段上，无损检测常用超声、涡流与X射线等方法。其中X射线检测覆盖范围广、检测深度大，尤其适合发现螺旋焊缝的内部缺陷，且检测结果可视化并可长期保存，因此在企业中应用较多。实际检测时，如图3所示，螺旋钢管由传动与支撑装置带动稳定旋转/前进，X射线源对准螺旋焊缝进行照射，射线穿透后由射线接收器（探测板）接收衰减信息，并在图像采集卡与计算机平台上实现实时采集与成像，形成焊缝数字射线图像。当前多数生产现场仍以人工判读为主，即由检验人员在显示终端上对采集到的焊缝图像进行比对、定位和识别缺陷。

图3 螺旋焊管实时监测系统

这种以人工为主的判读方式在实际工况下问题更突出：如图所示，射线图像常伴随像素冗余、钢管运动带来的动态模糊以及背景干扰，导致焊缝边缘与缺陷纹理变淡、对比度下降，极小缺陷更容易被掩盖，人工检测因此效率低、依赖经验且易受疲劳影响，漏检和误判风险上升。为应对图4中“动”（模糊与实时工况波动）和“静”（稳定帧内细微缺陷）并存的特点，现场通常采用动静分离策略：先做动态检测缓解运动模糊、降低漏检风险，再在稳定图像上静态粗检定位分类，最后静态精检实现微小缺陷的像素级确认与边界精细化，从而提升检测稳定性与准确率。

图4 螺旋焊缝检测技术难题

基于深度学习的螺旋焊缝缺陷检测与评估技术

本工作围绕螺旋焊管焊缝缺陷检测开展了完整研究流程，总的检测流程如下：首先面向型号复杂、规格差异大的螺旋焊管，搭建X射线检测与图像采集流程，采集并整理了包含无缺陷样本、动态模糊图像以及新增缺陷种类在内的数据，为后续研究提供数据支撑；其次针对现场检测的主要难点开展专项研究，包括样本不完备与“疑似缺陷”干扰带来的筛分问题、动态工况下成像模糊导致的检出不稳，以及缺陷类别不易分辨与微小缺陷定位困难等问题，分别构建分类与分割数据集，研究静态缺陷细粒度分类模型和微小缺陷细粒度分割模型，并通过动静分离与二次维度决策提升分类准确性与定位精度；最后将算法集成到服务器端图像处理与检测软件中，形成可视化检测流程与评估结果输出，实现对焊缝缺陷检测效果的综合验证。

关键技术一：提出了一种结合“对应机制”和“标准化流”的焊缝缺陷快速筛查方法（RSM），流程如图5所示。训练阶段只用无缺陷焊缝图像学习正常分布：先用记忆感知 Transformer 编码器提取并融合局部特征，得到稳定表征；再采用双解码器，一路进行对应引导的语义重建以减小表征偏移，另一路通过多尺度标准化流对重建特征建模正常分布，从而在像素冗余背景下更敏感地发现微小异常。最终依据重建误差与分布偏离实现疑似缺陷的快速筛查与定位（图右侧高亮区域）。

图5 焊缝缺陷快速筛查方法

关键技术二：本项目针对静态射线图像中的焊缝缺陷细粒度分类，设计了如图6所示的检测分类一体化模型，即纹理增强引导的检测网络(TEGDNet)来检测纹理信息不足的缺陷，如弱纹理、强干扰、尺度变化和微小目标。TEGDNet包括用于特征提取和增强的编码器结构和基于超分辨率重建的解码器结构。实验证明，本项目的方法使用少于4M的参数实现了出色的检测结果，而mAP50提高了3.2%，mAP75(通常难以提高)与基线相比提高了1.2%。此外，本项目通过消融实验验证了每个模块的有效性，所提出的检测方法在实际管道焊缝检测中显示出巨大的潜力。

图6 静态焊缝缺陷细粒度分类方法

关键技术三：针对螺旋焊缝射线图像中“缺陷极小、纹理干扰强、缺陷与焊缝结构耦合”的难点，本项目提出了如图7所示的微小缺陷细粒度分割框架 SDCT。模型在编码端通过语义区分编码器提取多层特征，并结合语义原型学习增强缺陷与背景的可分性；同时引入对比变换模块（CTM）强化缺陷线索、抑制干扰。解码端采用渐进式迭代解码（PID），并通过跨尺度加权模块（CSWM）自适应融合多尺度特征，逐步细化分割结果，最终输出更准确的像素级缺陷掩膜，为缺陷评估与二次修复决策提供依据。

图7 微小缺陷细粒度分割方法

核心数据集：为构建复杂工况下的螺旋焊管焊缝缺陷数据集，在生产线上使用X射线无损检测系统采集数据：钢管进入暗室后完成轴线对位，并调整探测器位置，使X射线源—焊缝—成像板尽量共面，稳定获取并保存焊缝射线视频。连续5个月采集到多规格钢管视频后，本项目通过逐帧抽取筛选，结合专家复核确定缺陷类别，并用Labelme完成缺陷框选与掩膜标注，构建了螺旋焊缝分割数据集T-SWX-ray和螺旋焊缝目标检测数据集NEU-Weld-2000。图8展示了两类典型难例：密集分布的极小缺陷以及干扰背景下的微小缺陷，体现目标小、易受噪声影响的检测挑战。

图8 典型焊缝缺陷标注图

可视化交互软件：本项目开发了面向螺旋焊缝射线图像的智能缺陷检测评估软件，实现从检测到报告的工程化闭环。如图9和视频10所示，软件在检测界面完成图像加载与缺陷识别后，可一键触发“报告生成”，系统会对每帧/每张图像的检测结果自动汇总，输出结构化日志并生成可视化检测报告。报告中自动统计并展示缺陷个数、位置、类别、面积等关键指标，便于本项目进行快速复核与结果对比，同时支持检测记录留存与质量追溯，如图11展示，帮助现场形成“筛分—判定—归档”的离线和在线两种闭环管理方式，从而提升检测效率与规范性。

图9 螺旋焊缝射线图像的智能缺陷检测评估软件

图10 视频1

图11 某螺旋钢管厂应用现场

项目亮点

本项目构建了面向复杂工况的螺旋焊管焊缝缺陷多任务数据集 T-SWX-ray(缺陷分割)和NEU-WELD-2000(检测)以及焊缝分割数据集：依托生产线 X 射线检测系统，连续几个月采集多规格螺旋焊管焊缝射线视频，并逐帧抽取筛选、结合专家复核确定缺陷类别，使用 Labelme 完成缺陷框选与掩膜标注。数据集中既包含“密集分布的极小缺陷”，也包含“干扰背景下的微小缺陷” ，真实呈现目标小、易受噪声与纹理干扰的检测挑战，为后续算法训练与评估提供可靠支撑。

本项目围绕焊缝缺陷检测的关键难点提出了三类核心方法：其一，提出结合对应机制与标准化流的快速筛查方法 RSM，仅用无缺陷样本学习正常分布，通过双解码器实现语义重建与多尺度分布建模，完成疑似缺陷的快速判别与定位；其二，针对静态射线图像的细粒度分类，基于主干网络提取特征并预测热力图、偏移、尺寸与角度等参数，输出贴合焊缝走向的旋转框，实现“定位+类别”一体化识别；其三，针对微小缺陷细粒度分割提出 SDCT 框架，融合语义区分与对比变换，并采用渐进式迭代解码与跨尺度加权融合，逐步细化像素级掩膜，提升微小缺陷在强干扰背景下的分割精度。

本项目开发了智能缺陷检测评估软件并完成算法工程化集成：软件支持焊缝射线图像/视频的加载、检测、可视化展示与一键报告生成，将检测结果自动汇总为可追溯的评估报告，输出缺陷个数、位置、类别、面积等关键指标，并保留结构化日志用于快速复核与质量追踪，帮助现场形成“筛分—判定—归档”的闭环流程，提升检测效率与管理规范性。

知识产权与论文成果

(1) 软件著作权及发明专利：

软著：《螺旋焊接管道焊缝缺陷检测软件V1.0》

专利：《一种面向螺旋钢管焊缝内部极小缺陷的细粒度分割方法》

(2) 代表性论文：

[1] A rapid screening method for suspected defects in steel pipe welds by combining correspondence mechanism and normalizing flow[J]. IEEE Transactions on Industrial Informatics, 2024.

[2]TRDM: A Two-stage Real-time Discrimination Method for Spiral Weld Defects under Dynamic Distorted Imaging[J]. IEEE Transactions on Automation Science and Engineering, 2025.

[3]TEGDNet: Texture Enhancement Guided Detection Network for spiral welded pipeline defect detection[J]. Measurement, 2025.

[4]Fine-grained tiny defect detection in spiral welds: a joint framework combining semantic discrimination and contrast transformation[J]. IEEE Transactions on Instrumentation and Measurement, 2025.

学术贡献

针对螺旋焊管 X 射线检测中“人工评片为主、智能算法辅助复核”的实际流程，构建并公开多类焊缝检测数据集，覆盖异常筛分、缺陷检测与极小缺陷精细分割等典型应用场景。

数据集来源于实际现场检测数据，保留真实噪声、动态模糊、背景干扰、极小缺陷和成像波动等复杂因素，可用于算法在工程条件下的对比评测与验证，可更真实地反映工业现场中焊缝检测面临的挑战。为相关算法在工程场景下的研究与评估提供了统一、可复现的数据基础，同时为智能检测技术在质量复核场景中的落地提供数据支撑。以下是公开数据集链接：

[1] T-SWX-ray Dataset:

https://github.com/SD-Weld/SDCT

[2] NEU-Weld-2000 Dataset:

https://github.com/VDT-2048/TEGDNet

[3] WES and DIS Dataset:

https://github.com/SD-Weld/MTDF

PS: 图1来源于网络

供稿 | 崔文琦 张宇 孟飞

推文编辑 | 刘宇桐

责任编辑 | 宋克臣

欢迎报考

东北大学机器视觉与机器人实验室！

实验室主页：http://team.neu.edu.cn/MVR

宋老师主页：http://faculty.neu.edu.cn/songkechen

长按识别二维码

关注 MVR 公众号

微信扫一扫关注该公众号

继续滑动看下一个