焊缝气孔是焊接）RD（线射字数结构中常见的内部缺陷，易引发应力集中、降低疲劳寿命，严重威胁压力容器、桥梁等关键装备的运行安全。数字射线（DR）无损检测凭借数为，析解字化成像、实时分析、高分辨率等优势，成为焊缝气孔识别的核心技术。本文围绕焊缝气孔的DR检测识别方法，从基础原理到实际应用环节展开详细解析，为工业检测中的缺陷精准识别提供技术参考。考参术技供提。
数字射线检测的基础原理
数字射线（DR）检测利用射线穿透性与衰减特性实现缺陷成像：射线源发射的X/γ射线穿过工件，焊缝中的气孔因密度远低于母材（气体密度约0.001g/cm³，钢材约7.85g/cm³），对射线衰减能力弱。
衰减后的射线被平板探测器（FPD）接收，转化为电信号并经模数转换生成数字图像。在DR图像中，气孔通常表现为“圆形或近圆形的高灰度亮斑”（黑底白像模式），灰度值显著高于母材——这是气孔识别的核心视觉特征。
图像标定与校准：检测精度的基础保障
DR检测精度依赖图像标定与校准，需完成两步：几何标定——用已知尺寸的校准块（如带Φ1mm、Φ2mm小孔的钢块）拍摄图像，计算像素与实际尺寸的比例（像素间距），例如Φ2mm孔对应20像素，则像素间距为0.1mm/像素；
灰度校准——拍摄“暗场”（无射线的本底噪声）与“平场”（均匀射线的灵敏度校正）图像，去除探测器暗电流与像素响应不均，确保气孔灰度值准确反映其衰减特性。
图像预处理：降噪与特征增强
原始DR图像受量子噪声（光子涨落）、电子噪声（电路干扰）影响，气孔边缘模糊、对比度低。预处理核心是“降噪+增强”：降噪用中值滤波（去椒盐噪声，保边缘）或高斯滤波（平滑高斯噪声）；增强用灰度拉伸（扩展灰度范围至0-255）或直方图均衡化（调整灰度分布，提升对比度）。
例如，某焊缝原始图像中气孔灰度仅比母材高12级，经直方图均衡化后对比度提升至35级，气孔轮廓清晰可辨——预处理是后续识别的基础。
气孔特征提取：形状、灰度与边界特征
气孔的核心特征分三类：形状特征（圆形度≤18、长宽比≤1.5，因气体逸出呈近圆形）；灰度特征（灰度均值高于母材、方差小，内部均匀无波动）；边界特征（边缘光滑连续，无锯齿或分支，区别于裂纹的粗糙边缘）。
例如，夹渣圆形度通常＞20、长宽比＞2.0、灰度方差大（成分复杂），可通过这些特征与气孔明确区分。
机器学习算法：从传统到深度学习的进化
特征提取后，机器学习实现分类识别。传统方法如支持向量机（SVM）——用最优超平面分离特征，准确率约90%；随机森林——多决策树投票，准确率提升至92%，但需手动提取特征，依赖经验。
深度学习（如CNN卷积神经网络）无需手动特征，通过卷积层自动提取局部特征（边缘、纹理），池化层压缩维度，全连接层分类。例如，ResNet-50模型气孔识别准确率达96%；U-Net语义分割模型可直接分割气孔区域，准确率97%，适用于不规则气孔。
需注意：深度学习需数千张标注数据，传统方法适合小数据集——工业场景需根据数据量选择。
缺陷定位与量化：质量评估的关键参数
识别气孔后需定位与量化：定位通过“图像坐标→工件坐标”转换，以焊缝中心为原点，用像素间距将像素坐标（如（100,200））转为实际位置（如焊缝左侧10mm、深度20mm）；
尺寸量化基于像素间距计算：最大直径（最长轴像素×间距）、最小直径（最短轴像素×间距）、面积（像素面积×间距²）。例如，15×12像素的椭圆气孔，像素间距0.1mm，则实际尺寸为1.5mm×1.2mm，面积约1.413mm²——这些参数需符合GB/T 3323-2005等行业标准。
干扰因素排除：伪缺陷的识别与规避
DR检测中伪缺陷易导致误判，需重点排除：散射线伪缺陷（雾状灰度不均）——用铅板屏蔽；探测器坏点（固定亮斑）——通过校准标记坏点；焊接飞溅（表面亮斑）——结合超声检测（飞溅深度为0，气孔为内部缺陷）；
底片污染（划痕、污渍）——对比前后图像，排除静态伪缺陷。例如，某亮斑经深度测量为0，判定为飞溅而非气孔。