面向广泛焊接放射性检查的基座模型驱动分割：WRT-SAM
计算机视觉与模式识别
2025-02-18 v1
摘要
放射性检查是一种基于高分辨率成像能力的基本无损评估技术，用于识别焊接缺陷并评估工业应用中的质量。过去十年，深度学习技术显著推进了焊接缺陷在放射性图像中的识别。然而，依赖在单一情景数据集上进行小规模、任务特定模型训练的常规方法在跨情景泛化方面表现不佳。最近，Segment Anything Model (SAM) 这种在大规模数据集上训练的视觉基座模型，展现出卓越的零样例泛化能力。对 SAM 进行针对特定领域数据微调，已在医学图像分割和异常检测等领域取得有前景的成果。鉴于目前尚无人将 SAM 应用于通用焊接放射性检查图像，本文首次引入基于 SAM 的焊接放射性缺陷分割方法。我们提出了 WRT-SAM，一种新型焊接放射性缺陷分割模型，通过适配器集成方式引入 SAM，并配合专门的提示生成器架构实现模型化。为提高对灰度焊接放射性图像的适应性，我们引入频率提示生成器模块，增强模型对频率域信息的敏感性。此外，为解决焊接缺陷的多尺度特性，我们引入多尺度提示生成器模块，使模型能够有效地跨不同尺度提取和编码缺陷信息。广泛的实验评估表明，WRT-SAM 在召回率达到 78.87%、精确率达到 84.04%、AUC 达到 0.9746，创新性地达到了最新的状态标准 (SOTA)，并展现出在多样化放射性检查场景中实际部署的优越零样例泛化性能。
引用
@article{arxiv.2502.11338,
title = {WRT-SAM: Foundation Model-Driven Segmentation for Generalized Weld Radiographic Testing},
author = {Yunyi Zhou and Kun Shi and Gang Hao},
journal= {arXiv preprint arXiv:2502.11338},
year = {2025}
}