DB65T 4975-2025管道数字射线图像自动识别系统通 用技术规范

管道数字射线图像自动识别系统通用技术规范2026-01-25实施2026-01-25实施新疆维吾尔自治区市场监督管理局发布I前言 1范围 12规范性引用文件 13术语和定义 14图像识别技术要求 25数字射线图像自动识别系统 36实施步骤 67测试及性能要求 68结果评价 8附录A(规范性)数据标注 9附录B(资料性)管道数字射线图像缺陷样例 附录C(规范性)人工智能模型训练实验的最低硬件配置、软件配置和数据预处理要求 附录D(资料性)测试数据记录 附录E(规范性)测试报告的记录与存储 第1部分：标准化文件的结构和起草规则》的规定本文件由新疆维吾尔自治区市场监督管理局提出、归口并组织实施。本文件主要起草单位：新疆维吾尔自治区质量基础发展研究院、招商新疆特种设备检验技术研究院有限公司、北京工业大学、上海建桥学院、新疆生产建设兵团质量技术评价中心、阿克苏地区特种设备检验检测所、阿勒泰地区特种设备检验检测所、中国特种设备检测研究院、宁波市特种设备检验研究院、广东省特种设备检测研究院、石河子特种设备检验检测所。周云亦、王晓岚、张玉媛、沈峥、张高平、魏治杰、张蕾、刘瑞瑞、安波、杨蕊。本文件实施应用中的疑问，请咨询新疆维吾尔自治区质量基础发展研究院。对本文件的修改意见建议，请反馈至新疆维吾尔自治区市场监督管理局(乌鲁木齐市新华南路167号)、新疆维吾尔自治区质量基础发展研究院(乌鲁木齐市高新区河北东路188号)。新疆维吾尔自治区质量基础发展研究院联系电话传真邮编：1通用技术规范本文件规定了管道焊接缺陷数字射线图像自动识别应用中数字射线图像的预处理、特征提取、特征描述、识别等技术要求。本文件适用于工业管道、长输油气管道、城镇燃气管道及在役管道等环焊缝数字射线(DR)图像智能识别。胶片扫描图像缺陷智能识别可参照本文件执行。本文件不适用于计算机断层扫描(CT)等其他成像方式的图像缺陷识别。2规范性引用文件本文件没有规范性引用文件。3术语和定义GB/T12604界定的以及下列术语和定义适用于本文件。一种对黑白图像明暗程度的定量描述方法。图像质量imagequality图像在清晰度、色彩还原、噪声水平、对比度等方面满足特定要求的程度。图像处理imageprocessing用计算机对图像进行分析，以达到所需结果的技术。组成数字图像的最小单元。数据标注dataannotation对图像等待标注数据进行归类、整理、编辑和标记等操作，为待标注数据增加标签，生成满足人工智能训练要求的机器可读数据编码。标识数据的特征、类别和属性等，用于建立数据及人工智能训练要求所定义的机器可读数据编码间的联系。2标注任务annotationtask对于给定的数据集，生成和优化深度学习模型参数设置的过程。对于给定的数据集，采用训练后的深度学习模型进行预测，由此评图像格式应为BMP、JPEG、JPEG2000和PNG中的任一种。若图像为灰度图时，图像灰度级应为2564.2亮度和对比度缺陷区域完整，轮廓清晰，应无编辑修改性处理，几何失真应≤5%,高斯模糊应≤0.24。a)黑度值应在2.0～4.0范围内；b)在管道数字射线图像数据库建设时，所有采集的底片图像应经过黑度测试，黑度值应符合规5数字射线图像自动识别系统5.1系统逻辑架构5.2管道数字射线图像数据库的建立a)建立数据集所使用的管道射线数字图像可来自于实验室仪器平台以及其他来源(如外部数据库等);b)每张原始图片包含的缺陷数量应不少于1个；4c)原始图片应可进行像素大小调整，使得图片大小符合人工智能模型输入规格要求。调整后的图片应进行像素预处理(如均一化、标准化、灰度化等),降低不同数据源所带来的像素差异d)按所选人工智能模型的数据输入规范选择符合要求的数据标注格式，标注图像形成数据集，数据标注应符合附录A的规定；f)标注结果应为带有缺陷类别标签的数据，以及标签对应的图像空间位置。缺陷图像空间位置g)数据库标注的管道数字射线图像总数量应大于10000张，且应涵盖所有常见管道缺陷类别。对于裂纹、夹渣、气孔等典型缺陷标注数量不少于1500张，对于未熔合等非典型缺陷标注数量不少于100张；h)对标注图像进行扩增，包括图片翻转、旋转、调整对比度行评价。在此基础上，对模型质量进行评估，采用测试集对人工智能模型及系统功能进行测试，测试人工智能模型及模型设计、代码实现、计算结果的正确性等。针对不同任务(如下，包含但不限于),依据数据集基准a)回归任务：采用人工智能模型预测结果的平均绝对误差、均方误差、均方根误差等参数进行测试；c)分类任务：采用人工智能模型及系统分类结果的准确率和错误率等进行测试，也采用ROC曲在满足附录C规定的实验条件下，对人工智能模型及系统进行实验研究，训练阶段的时间消a)数据规模设置：采用不同规模的训练集，分别为小规模(1000个样本)、中规模(5000个样本)和大规模(10000个样本及以上);5b)训练过程：针对每种规模的训练集，独立运行3次训练过程，取其平均值作为最终结果；a)测试过程：对人工智能模型及系统进行多次测试，每次独立运行5次，取其平均值作为最终a)数据规模设置：采用不同规模的训练集，分别为小规模(1000个样本)、中规模(5000个样本)和大规模(10000个样本及以上);b)训练过程：针对每种规模的训练集，独立运行3次训练过程，取其平均值作为最终结果；1)最大存储占用(内存/显存/硬盘等);3)最大带宽占用(硬盘吞吐、网络流量等);a)测试过程：对人工智能模型及系统进行多次系统测试，每次独立运行5次，取其平均值作为6d)数据简化与降采样：通过降采样降低图像分辨率，以减少数据量并降低计算负担。在降采样特征模型对输入待测图像提取缺陷特征并将缺陷分门别类地识别出a)系统利用特征模型对输入图像中的缺陷进行识别，生成识别结果并保存；b)识别结果包括在图像中显示识别出a)识别模块运行完毕，系统自动输出识别结果，包括图像上识别出缺陷的边界框、缺陷的类别和置信度；a)系统对输入图像的自动识别结果(包括系统按照阈值筛选所得结果)分为检出缺陷和未检出b)点击查看检出缺陷的图像所在的文件夹，系统在每张图像上标注检出的缺陷的边界框，并在边界框右上方标注缺陷类别，以及系统判定是该缺陷的置信度，操作人员可根据边界框，缺a)系统正式投入使用前应利用真实样本对系统性能进行测试，性能符合7.7中的要求，则任务b)测试人员应为经过相关专业培训并通过考核取得证书的人员；7c)测试人员应按8:1:1的要求采集管道数字射线图像分别作为训练集、验证集和测试集，以每一处缺陷的位置作为一个“样本”,完整记录数据集中真实缺陷的位置和缺陷类别。将测试集的图像输入系统识别后，以预测出的每一个边界框作为一个“样本”,人工判断预测样本e)测试报告的记录与存储应符合附录E的要求，测试结精度计算按式(1)进行：召回率计算按式(2)进行：r——召回率；平均精度均值计算按式(3)进行：mAP——平均精度均值；7.5参数量的计算参数量计算按式(4)进行：8Params——参数量；7.6计算量的计算计算量计算按式(5)进行：7.7性能要求a)平均精度均值：各类管道缺陷的平均精度均值不低于90%;f)识别日期。(规范性)数据标注A.1数据标注流程框架数据标注流程框架包括标注任务前期准备工作、标注任务中、标注结果输出，具体见图A.1。图A.1数据标注流程框架图A.2数据标注流程A.2.1定义所需标注数据和预估数据量数据标注前应完成以下5项准备工作：a)分析数据。明确人工智能模型训练过程中所需的标注数据类型、量级、用途等。分析维度包括：业务场景的针对性、标注样本的平衡性、前期经验及改进措施的借鉴等；b)整理数据。明确数据与标签文件存放的目录结构，在任务分配与回收时，应按指定的目录进行数据组织；c)明确命名标注说明规则。应明确数据与标签文件的命名方式，命名规则应避免数据更新迭代时的重名，便于数据追踪、标注追踪，且数据文件名与标签文件名应保持一致；d)预估数据量。根据标注人员获取模式、工具选择、标注任务类型、算法选择以及整个项目的成本对所需标注的数据量进行预估；e)标注数据定义与需求量。明确标注数据的定义并确定最终的需求量。A.2.2标注工具选择标注工具应满足以下条件：a)易操作性：标注工具应降低标注人员的操作难度，提供交互方式的自有标注；b)规范性：标注工具的数据导出格式，应满足或可转换到格式要求；c)高效性：标注工具应保证标注任务的完成效率。A.2.3标注任务创建、分发、开展和回收a)明确任务基本信息：包含任务目的、任务需求(任务优先级、标注人员的能力要求等)、任b)任务配置：根据不同的任务需求，匹配不同的标注工具，添加与标注任务相关的标注标签；根据任务发布者确定的参数及需求，将标注任务e)任务结束时间点。3)若对标注结果准确率要求较高，应在标注前对标注人员进行相关任务培训。培训内容包括标注工具或标注管理平台的使用方法及规定、标注任务目的、标注内容和标准(依据不同标注任务制定不同标注计划)。1)采用训练好的模型对目标数据进行初步测试，然后利用标注工具对测试结果进行完善；3)该方法建立在较成熟模型的基础上，若测试结果的准确度不够，可能会增加后续人工修正的工作量。因此，在使用半自动标注时，需提前验证模型的准确性，并根据实际情况1)在全人工标注任务开展前，对标注人员进行系统培训，确保其熟悉标注工具、标注任务3)标注人员在正式开始批量标注前，可对少量样本进行试标注，并将试标注结果反馈给标4)在标注过程中，标注人员应及时反馈遇到的问题，标注数据开发者需根据反馈及时调整1)应对全部标注子任务实施100%覆盖的逐条核查；3)抽查结果应建立完整的质量评估报告和问题追溯机制。1)简单抽样：实施等概率随机抽样，禁止选择性抽样(包括质量偏向抽样、位置便利抽样2)系统抽样：按固定时间间隔或编号区间进行抽样测试，每次从间隔或区间内随机抽取样3)分层抽样：根据加工环境差异(操作者、算法等)划分数据层级，按层级特征制定差异A.2.4.2质量控制a)多人验证1)在任务进行期间，安排不少于2名人员对同一子任务进行标注；2)利用标注工具的功能，自动或人工辅助选择最优、最正确的标注结果；b)埋点数据验证2)对标注人员对埋点数据的标注结果进行验证，评估其标注水平；3)项目负责人根据验证结果监控标注人员水平，及时发现并纠正潜在问题。c)标注人员状态验证2)对标注人员的标注准确率进行实时监测，及时发现操作问题；d)模型验证1)在任务进行期间，使用人工智能方法对标注数据进行验证，计算数据准确率；2)对模型验证结果进行实时监控，一旦发现离群点或明显的准确率降低趋势，立即对相关应的图像空间位置(可选)。输出格式推荐使用易解析、易存储的数据格式，格式包括但不限于json或xml。标注文件应该包含标注详细的标签信息。每个独立的标签应包含以下的信息：a)标签id:每个标签的独立编号；1)对象类型：比如bounding_box或者keypoint;2)对象详情：为对象的空间信息、内容信息，或与其他对象的关系信息。(资料性)图B.3未焊透图B.4裂纹(规范性)类别1CPU:多核高频处理器，如IntelCorei7或AMDRyzenGPU:支持CUDA的NVIDIAGPU,如GeForceGTX1060(6GB显存)或更高内存：至少16GB内存，推荐32GB或更大存储：高速、大容量的固态硬盘(SSD),建议2操作系统：Linux操作系统，如Ubunt深度学习框架：TensorFlow、PyTorch或Keras3归一化：将数据缩放到特定范围(如0～1或-1～1)特征工程：根据具体任务选择和提取有用的