TOI Filter 区域过滤函数
通过标注焊缝区域并训练YOLOv11s模型，实现焊缝内外区域的划分。
import numpy as np def toi_filter(detections, weld_region_mask, threshold=0.7): """过滤焊缝区域外的检测框 Args: detections: List[Dict], 检测框信息(x1,y1,x2,y2,score,cls) weld_region_mask: np.ndarray, 焊缝区域二值掩膜 threshold: float, 面积占比阈值 Returns: List[Dict], 过滤后的检测框 """ filtered = [] for det in detections: x1, y1, x2, y2 = map(int, [det['x1'], det['y1'], det['x2'], det['y2']]) box_mask = np.zeros_like(weld_region_mask) box_mask[y1:y2, x1:x2] = 1 intersection = np.logical_and(box_mask, weld_region_mask) eta = intersection.sum() / box_mask.sum() if eta >= threshold: filtered.append(det) return filtered线性缺陷智能桥接函数
针对分割评定导致的线性缺陷断裂问题，提出以下处理流程：
- 筛选与排序：筛选裂缝、未熔合（LF）等线性缺陷框，按类别和位置排序。
- 合并条件：基于x轴间隙、y轴对齐度及桥接区域灰度特征，合并满足条件的同类别缺陷框。
- 迭代优化：循环合并直至无新操作，输出合并后的缺陷框。
此方法有效解决因图像分块处理导致的线性缺陷截断问题。def linear_defect_bridging(defects, max_x_gap=20, max_y_diff=10, min_gray_diff=30): """合并断裂的线性缺陷框 Args: defects: List[Dict], 线性缺陷检测框 max_x_gap: int, 最大水平间距 max_y_diff: int, 最大垂直偏移 min_gray_diff: int, 最小灰度差异 Returns: List[Dict], 合并后的缺陷框 """ # 按类别和x坐标排序 defects.sort(key=lambda x: (x['cls'], x['x1'])) merged = [] i = 0 while i < len(defects): current = defects[i] j = i + 1 while j < len(defects) and defects[j]['cls'] == current['cls']: next_box = defects[j] # 检查合并条件 x_gap = next_box['x1'] - current['x2'] y_diff = abs((current['y1']+current['y2'])/2 - (next_box['y1']+next_box['y2'])/2) if x_gap <= max_x_gap and y_diff <= max_y_diff: # 计算桥接区域灰度特征 bridge_gray = calculate_bridge_gray(current, next_box) if bridge_gray >= min_gray_diff: # 合并框 current['x2'] = next_box['x2'] current['y1'] = min(current['y1'], next_box['y1']) current['y2'] = max(current['y2'], next_box['y2']) j += 1 else: break else: break merged.append(current) i = j return merged
位置抑制函数
针对未熔合与未焊透的混淆问题，利用位置特征优化分类：
- 未熔合特征：黑线宽度不一，位于焊缝中心至边缘的1/2处，纵向延伸。
- 未焊透特征：位于焊缝根部或中部，可能贯穿整张底片。
规则： - 焊缝中部30%区域中，置信度<0.5的未熔合预测修正为未焊透。
- 焊缝中部30%以外，置信度<0.5的未焊透预测修正为未熔合。
通过位置约束提升两类缺陷的区分准确率。def position_suppression(defects, weld_center_region, conf_thresh=0.5): """基于位置特征修正未熔合/未焊透分类 Args: defects: List[Dict], 缺陷检测框 weld_center_region: Tuple[float,float], 焊缝中部区域(0.35,0.65) conf_thresh: float, 置信度阈值 Returns: List[Dict], 修正后的缺陷框 """ center_start, center_end = weld_center_region for det in defects: if det['cls'] in ['lack_of_fusion', 'incomplete_penetration']: # 计算归一化位置 y_center = (det['y1'] + det['y2']) / 2 / weld_mask.shape[0] if center_start <= y_center <= center_end: if det['cls'] == 'lack_of_fusion' and det['conf'] < conf_thresh: det['cls'] = 'incomplete_penetration' else: if det['cls'] == 'incomplete_penetration' and det['conf'] < conf_thresh: det['cls'] = 'lack_of_fusion' return defects
实现效果
- TOI Filter减少焊缝外误检90%以上。
- 桥接函数使线性缺陷检出完整率提升35%。
- 位置抑制使未熔合/未焊透分类准确率提高22%。
三项后处理机制协同优化，显著提升评片系统的鲁棒性。# 加载焊缝区域掩膜 weld_mask = load_weld_mask('weld_region.png') # 原始检测结果 raw_detections = model.predict(xray_image) # 应用TOI过滤 filtered = toi_filter(raw_detections, weld_mask) # 线性缺陷桥接 linear_defects = [d for d in filtered if d['cls'] in ['crack', 'lack_of_fusion']] bridged = linear_defect_bridging(linear_defects) # 位置抑制修正 final_detections = position_suppression(bridged, weld_center_region=(0.35,0.65))
