本项目针对船舶建造管子焊缝图像的射线检测自动化识别需求，结合企业提供的缺陷检测数字化图像数据图库，建立图像预处理及缺陷区域提取流程，测试并配置基于深度学习的计算模型，开展缺陷识别模型、模型迭代优化等技术研究，突破人工智能射线数字化检测图像深度学习管路焊缝及缺陷识别关键技术，集成射线数字化检测图像自动识别模块，验证相关图像识别可靠性。并结合船舶射线数字化检测应用场景，形成符合现场射线数字化应用场景的射线数字化检测图像自动识别系统软件。

主要目标：

项目主要目标包括：完成船舶管子焊缝单图单道、单图双道射线数字化检测图像深度学习缺陷识别及分类模型。基于企业提供的缺陷检测数字化图像数据图库、射线检测图像预处理技术、兴趣区域提取技术、深度学习缺陷区域Mask识别技术、缺陷类别识别技术，设计管子单图单道焊缝数字化检测图像缺陷识别及分类程序，并完成单图单道焊缝图像预处理、特征提取、缺陷识别的智能识别流程；设计模型对缺陷区域识别指标、分类准确度达标；设计软件系统，将射线图像的预处理、OCR、缺陷检测模块整合为一个软件。

本项目成果如下：

1.      完成船舶管子焊缝射线数字化检测图像预处理；完成基于生成对抗网络的数据集增强，实现在无缺陷的X射线焊缝图像上通过pix2pix模型生成器神经网络推理添加焊缝缺陷。

2.      使用图像增强技术扩充后的数据集，完成YOLOv8原模型的训练。通过向算法的Backbone模块引入CBAM和GAM注意力机制，向Neck模块引入C2f-CBAM和Shuffle Attention注意力模块；向Head模块添加小目标检测通道，并替换边框损失函数，完成对YOLOv8算法的优化。使用图像增强技术扩充后的数据集训练与测试得到检测性能显著优于YOLOv8原算法的优化方案。

3.      完成焊缝图像的预处理，OCR识别与优化模型，并将已完成的图片预处理、数据集增强、深度学习模型，OCR成果与合适的用户接口集成为一个软件。