基于DDPM数据驱动的核电厂焊缝影像缺陷检测方法

火旭鑫; 单秉昆; 赵巍

doi:10.7512/j.issn.1001-2303.2026.10.03

重点关注 | 浏览量 : 0 下载量: 0 CSCD: 0

PDF
导出
分享
收藏
专辑

基于DDPM数据驱动的核电厂焊缝影像缺陷检测方法
Research on Intelligent Identification Method for Weld Defects in Nuclear Power Plants based on Scene Migration
2026年56卷第10期页码：19-30
收稿：2026-03-29，

修回：2026-04-30，

纸质出版：2026-10-20
DOI： 10.7512/j.issn.1001-2303.2026.10.03
稿件说明：

移动端阅览

火旭鑫，单秉昆，赵巍.基于DDPM数据驱动的核电厂焊缝影像缺陷检测方法［J］.电焊机，2026，56（10）：19-30. DOI： 10.7512/j.issn.1001-2303.2026.10.03.

HUO Xuxin, SHAN Bingkun, ZHAO Wei.Research on Intelligent Identification Method for Weld Defects in Nuclear Power Plants based on Scene Migration[J].Electric Welding Machine, 2026, 56(10): 19-30. DOI： 10.7512/j.issn.1001-2303.2026.10.03.

摘要

针对核电厂焊缝射线图像中样本获取受限、跨场景成像差异显著以及缺陷形态与尺度多样等难题，提出一种面向核电焊缝射线检测的场景迁移缺陷识别方法。首先，利用去噪扩散概率模型在多场景焊缝数据上进行预训练，并结合目标场景数据进行迭代微调构建目标风格生成集，以缓解样本少和域偏差对模型训练的不利影响；其次，设计共享主干与特征金字塔网络颈部的多分支检测结构，将基于锚框和无锚框的预测机制进行互补融合，在保持通用特征表达能力的同时增强对核电场景重点缺陷的适配性；最后，在推理阶段引入自适应窗宽窗位增强、宽向重叠分块推理及结果融合策略，以适配长条形、高分辨率焊缝射线图像的工程应用需求。与主流单阶段检测模型相比，在交并比（IoU）阈值为0.5时，多场景下模型平均精度（mAP@0.5）提升约1.9~5.8个百分点。该方法在核电厂场景下达到了94.1%的缺陷检出率和3.7%的定量偏差率，与专业人员评定水平基本持平，且评片效率提升约12倍，符合辅助评定的实际工程需求。

Abstract

To address the challenges of limited sample acquisition

significant cross-scene imaging differences

and diverse defect shapes and scales in nuclear power plant weld radiographic images

a scene transfer defect recognition method for nuclear power plant weld radiographic inspection is proposed. Firstly

a denoising diffusion probabilistic model is pre-trained on multi-scene weld data and iteratively fine-tuned with the target scene data to construct a target style generation set

thereby alleviating the adverse impact of domain deviation and limited samples on model training. Secondly

a multi-branch detection structure with a shared backbone and feature pyramid network neck is designed

which fuses anchor-based and anchor-free prediction mechanisms

to enhance the adaptability to key defects in nuclear power plant scenes while maintaining the general feature expression ability. Finally

in the inference stage

adaptive window width and window level enhancement

wide-directional overlapping block inference

and result fusion strategies are introduced to meet the application requirements of long

high-resolution weld radiographic images. Compared with mainstream single-stage detection models

the proposed method achieves an improvement of 1.9 to 5.8 percentage in mean Average Precision at IoU threshold 0.5 (mAP@0.5) in multi-scenario condition. The method attains the defect detection rate of 94.1% and the quantitative deviation rate of 3.7% in the nuclear power plant scenario

which are comparable to the evaluation level of professional inspectors. Moreover

the film evaluation efficiency is improved by 12 times

meeting the practical engineering requirements for assisted evaluation.

关键词

Keywords

references

兰天宇，高延峰，孙艺瑕 . 基于CLAHE和改进YOLOv8的焊缝冷阴极X光缺陷检测［J］. 热加工工艺， 2026 ， 55 （ 2 ）： 117 - 124 .

LAN T Y ， GAO Y F ， SUN Y X . Research on Weld Cold Cathode X-ray Defect Detection based on CLAHE and Improved YOLOv8 ［J］. Hot Working Technology ， 2026 ， 55 （ 2 ）： 117 - 124 .

杨莉华，赵金宪，李金晓，等 . 基于AM-TransUNet的X射线图像中铜管钎焊缺陷分割算法［J］. 焊接学报， 2025 ， 46 （ 7 ）： 100 - 106 .

YANG L H ， ZHAO J X ， LI J X ， et al . Defect segmentation algorithm for copper pipe soldering in X-ray images based on AM-TransUNet ［J］. Transactions of The China Welding Institution ， 2025 ， 46 （ 7 ）： 100 - 106 .

邓聪，罗伟坚，李绪丰 . 人工智能技术在射线检测底片评定系统中的应用［J］. 无损检测， 2022 ， 44 （ 8 ）： 65 - 68 .

DENG C ， LUO W J ， LI X F . Application of artificial intelligence technology in radiographic inspection film evaluation system ［J］. Nondestructive Testing ， 2022 ， 44 （ 8 ）： 65 - 68 .

王智，李阳，宋卫臣，等 . 基于深度学习的焊缝缺陷射线检测［J］. 无损检测， 2025 ， 47 （ 10 ）： 58 - 65 .

WANG Z ， LI Y ， SONG W C ， et al . Deep learning-based radiographic detection for weld defects ［J］. Nondestructive Testing ， 2025 ， 47 （ 10 ）： 58 - 65 .

王树森，李萍，黄大伟，等 . 基于深度学习的焊缝缺陷X射线检测图像识别与增强［J］. 无损检测， 2024 ， 46 （ 6 ）： 17 - 23 .

WANG S S ， LI P ， HUANG D W ， et al . Image recognition and enhancement of X-ray detection of weld defects based on deep learning ［J］. Nondestructive Testing ， 2024 ， 46 （ 6 ）： 17 - 23 .

Zhang M ， Feng M ， Chen C ， et al . Weld defect detection： deep learning-based image processing and the mechanisms of defect formation ［J］. Archives of Computational Methods in Engineering ， 2026 ， 33 （ 3 ）： 3525 - 3563 .

Zhang R ， Liu D ， Bai Q ， et al . Research on X-ray weld seam defect detection and size measurement method based on neural network self-optimization ［J］. Engineering Applications of Artificial Intelligence ， 2024 ， 133 ： 108045 .

Zuo F ， Liu J ， Fu M ， et al . An end-to-end intelligent welding defect detection system for low-quality X-ray images with adaptive progressive learning ［J］. Expert Systems with Applications ， 2025 ， 279 ： 127428 .

Lin T Y ， Dollár P ， Girshick R ， et al . Feature pyramid networks for object detection ［C］// Proceedings of the IEEE conference on computer vision and pattern recognition ， 2017 ： 2117 - 2125 .

Xu H ， Yan Z H ， Ji B W ， et al . Defect detection in welding radiographic images based on semantic segmentation methods ［J］. Measurement ， 2022 ， 188 ： 110569 .

Wang X ， He F ， Huang X . A new method for deep learning detection of defects in X-ray images of pressure vessel welds ［J］. Scientific Reports ， 2024 ， 14 （ 1 ）： 6312 .

Li B ， Ma Z ， Qi T ， et al . X-ray weld defect detection based on data augmentation and improved YOLO v7 ［C］// Third International Conference on Advanced Manufacturing Technology and Manufacturing Systems （ICAMTMS 2024）， SPIE ， 2024 ， 13226 ： 444 - 450 .

Yang K ， Liu Y ， Zhang S ， et al . Surface defect detection of heat sink based on lightweight fully convolutional network ［J］. IEEE Transactions on Instrumentation and Measurement ， 2022 ， 71 ： 1 - 12 .

岳忠牧，张喆，吕武，等 . De-DDPM：可控、可迁移的缺陷图像生成方法［J］. 自动化学报， 2024 ， 50 （ 8 ）： 1539 - 1549 .

YUE Z M ， ZHANG Z ， LV W ， et al . De-DDPM： A controllable and transferable defect image generation method ［J］. Acta Automatica Sinica ， 2024 ， 50 （ 8 ）： 1539 - 1549 .

Xu R ， Chiu Y T ， Chen T I ， et al . Training-Free Industrial Defect Generation with Diffusion Models ［C］// Proceedings of the IEEE/CVF Interna tional Conference on Computer Vision ， 2025 ： 24214 - 24223 .