DB65/T 4975-2025 管道数字射线图像自动识别系统通用技术规范

　　ICS35.240CCS L67

　　新疆维吾尔自治区地方标准

　　DB65/T4975—2025

　　管道数字射线图像自动识别系统通用技术规范

　　Generaltechnicalspecificationfordigitalraypipelineimageautomaticrecognition system

　　2025-11-25发布

　　新疆维吾尔自治区市场监督管理局发布

　　DB65/T4975—2025

　　目次

　　前言 II

　　1范围 1

　　2规范性引用文件 1

　　3术语和定义 1

　　4图像识别技术要求 2

　　5数字射线图像自动识别系统 3

　　6 实施步骤 6

　　7 测试及性能要求 6

　　8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 13

　　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 15

　　附录D(资料性)测试数据记录 16

　　附录E(规范性)测试报告的记录与存储 17

　　DB65/T4975—2025

　　前

　　本文件按照GB/T1.1—2020《标准化工作导则

　　言

　　第1部分：标准化文件的结构和起草规则》的规定 起草。

　　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。

　　本文件主要起草人：时亚南、范效礼、李强、张婷、刘兆英、王丰超、陈迎春、毛民·阿斯哈尔、陈飞、罗杰、仲芳、张荣国、张文华、阿丽娜·赛热克江、高鹏、王昕、张小垒、吴刚、吴婷婷、王远、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)。

　　新疆维吾尔自治区市场监督管理局 联系电话：0991-2818750;传真：0991-2311250;邮编：830004;

　　新疆维吾尔自治区质量基础发展研究院 联系电话：0991-2846761;传真：0991-2817472;邮编：830011

　　管道数字射线图像自动识别系统通用技术规范

　　1范围

　　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。

　　3.1

　　灰度grayscale

　　一种对黑白图像明暗程度的定量描述方法。

　　注：由模/数转换器(A/D) 的位数来决定。A/D转换器的位数越高，灰度位数越高。

　　3.2

　　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。

　　3.3

　　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。

　　3.4

　　像素pixel

　　组成数字图像的最小单元。

　　3.5

　　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。

　　3.6

　　标签label

　　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。

　　DB65/T 4975—2025

　　3.7

　　标注任务annotationtask

　　按照数据标注规范对指定数据集进行标注的过程。

　　3.8

　　标注工具annotation tool

　　数据标注人员完成标注任务产生标注结果时所需的工具和软件。

　　注：标注工具可生成标签并提供参考模板。

　　3.9

　　半自动标注 semi-automaticannotation

　　使用人工结合自动化工具的方式进行数据标注。

　　3.10

　　训练training

　　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。

　　3.11

　　验证validation

　　对于给定的数据集，采用训练后的模型进行预测，由此进行选择并优化训练模型结构和超参数的过程。

　　3.12

　　测试testing

　　对于给定的数据集，采用训练后的深度学习模型进行预测，由此评估训练模型性能的过程。

　　3.13

　　边界框boundingbox

　　经过特征模型分析后，在图像中框出认为是缺陷的区域。

　　3.14

　　置信度confidence

　　识别图像中的缺陷时返回的该边界框内区域是缺陷的概率数值。

　　3.15

　　平均精度均值mean average precision

　　模型对于多个类别的平均精确度。

　　3.16

　　参数量parameters

　　随着训练可以不断进行自我调节大小的参数的数量。

　　注：单位通常为Million,简称为M。

　　3.17

　　计算量computation

　　运行一次模型需要的浮点运算的次数。

　　注：单位通常为FloatingPointOperations,简称为FLOPs。

　　4图像识别技术要求

　　4.1图像格式

　　DB65/T 4975—2025

　　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256 级。

　　4.2 亮度和对比度

　　图像亮度均匀，其像素值在128±20之间，对比度可以调整到使得缺陷区域与正常区域的灰度级差异在30～50之间，无过曝光和无欠曝光。

　　4.3 管道区域

　　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。

　　4.4黑度要求

　　为确保底片图像质量，黑度值范围应满足以下要求：

　　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，黑度值应符合规定范围的要求，否则视为不合格底片图像，不应作为标准样本使用。

　　5 数字射线图像自动识别系统

　　5.1系统逻辑架构

　　图1给出了管道数字射线缺陷识别系统的逻辑架构图。

　　图1逻辑架构图

　　5.2 管道数字射线图像数据库的建立

　　用于特征模型构建的数据集的建立应符合如下要求：

　　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;

　　DB65/T4975—2025

　　c)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性;

　　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;

　　e) 标注者应为有丰富管道缺陷检验经验的工作者;

　　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。缺陷图像空间位置标注可参考图B.1～图B.5;

　　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、调整对比度及亮度等，最终形成数据集。

　　5.3特征模型选择

　　可选择深度学习目标检测模型，或其他适当的人工智能模型对数据集进行特征学习。选择的模型应为能够将管道缺陷与背景杂质相区分的模型架构。

　　5.4模型训练与评估

　　5.4.1模型训练与评估概述

　　按8:1:1的比例将数据集划分成互斥的训练集、验证集、测试集，利用训练集对所选模型进行训练;借助验证集对训练过程中的模型效能进行监测与评估;通过测试集对模型训练完成后的性能泛化指标进行评价。在此基础上，对模型质量进行评估，并对参数进行测试和优化，最终形成特征模型。

　　5.4.2正确性

　　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系统的数据精度的满足性，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),依据数据集基准采用不同测试方式进行测试：

　　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;

　　b) 检索任务：采用人工智能模型检索结果的精确率和召回率，还可采用F1值、ROC曲线、平均精度均值等进行综合评估;

　　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曲线等进行综合评估。

　　5.4.3效率

　　5.4.3.1时间消耗

　　5.4.3.1.1训练阶段

　　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，训练阶段的时间消耗数据规模设置、训练过程及统计指标如下：

　　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);

　　DB65/T 4975—2025

　　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;

　　c)统计指标：

　　1)训练收敛的平均耗时;

　　2)每轮训练的平均耗时;

　　3) 绘制运行时间随数据规模变化的曲线。

　　5.4.3.1.2测试阶段

　　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，测试阶段的时间消耗测试过程及统计指标如下：

　　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结果;

　　b)统计指标：统计单个图像处理的平均耗时。

　　5.4.3.2资源消耗

　　5.4.3.2.1训练阶段

　　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，训练阶段的资源消耗数据规模设置、训练过程及统计指标如下：

　　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;

　　c)统计指标：

　　1) 最大存储占用(内存/显存/硬盘等);

　　2)平均存储占用;

　　3) 最大带宽占用(硬盘吞吐、网络流量等);

　　4)平均带宽占用;

　　5) 最大计算资源占用(CPU、GPU等) ;

　　6)平均计算资源占用;

　　7) 绘制上述指标随数据规模变化的曲线。

　　5.4.3.2.2测试阶段

　　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，测试阶段的资源消耗测试过程及统计指标如下：

　　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，取其平均值作为最终结果;

　　b) 统计指标：

　　1)单个图像处理的平均最大存储占用;

　　2) 单个图像处理的平均存储占用;

　　3) 单个图像处理的最大带宽占用;

　　4) 单个图像处理的平均带宽占用;

　　5) 单个图像处理的最大计算资源占用;

　　6) 单个图像处理的平均计算资源占用。

　　5.5图像预处理

　　DB65/T 4975—2025

　　预处理阶段的目的是优化图像质量，为后续的特征提取和模型训练提供高质量的数据基础。在预处理阶段，首先对图像进行干扰信息的消除处理，具体包括：

　　a)噪声抑制：宜用滤波器对图像进行处理;

　　b) 亮度与对比度调整：通过直方图均衡化或标准化方法，改善图像亮度和对比度的不均匀性;

　　c) 特征信息增强：对图像中的边缘、纹理和形状信息进行增强处理;

　　d) 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。在降采样过程中，应保留重要信息，以确保图像处理和分析的有效性。

　　5.6分析识别

　　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来。

　　6实施步骤

　　6.1图像输入与识别

　　图像输入与识别的过程应符合以下要求：

　　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缺陷的边界框，缺陷的类别，并提供置信度;

　　c)若系统具有自选阈值功能，将置信度大于阈值的缺陷图像作为筛选结果进行保存。

　　6.2统计输出

　　识别结果统计输出的过程应符合以下要求：

　　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;

　　b) 系统将识别出缺陷的图像与未识别出缺陷的图像分类存放;

　　c)系统统计识别出缺陷的个数并记录存档。

　　6.3结果判读

　　识别结果判读的过程如下：

　　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缺陷两类，图像分别存入两个独立的文件夹;

　　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，缺陷类别和置信度对识别结果进行验证。

　　7测试及性能要求

　　7.1测试要求

　　系统测试的过程要求如下：

　　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，则任务识别结果具有可信度;

　　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;

　　DB65/T4975—2025

　　c) 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”,人工判断预测样本是否为真实缺陷，缺陷类别是否正确，记录数据，并与测试前数据进行比较;

　　d) 测试数据记录可参考附录D, 以便于记录、存档和后续查询;

　　e) 测试报告的记录与存储应符合附录E的要求，测试结果输出时需满足文件结构的规范性。

　　7.2精度的计算

　　精度计算按式(1)进行：

　　式中：

　　P——精度;

　　TP真正例;

　　FP——假正例。

　　7.3召回率的计算

　　召回率计算按式(2)进行：

　　式中：

　　r——召回率;

　　TP——真正例;

　　FN假反例。

　　7.4 平均精度均值的计算

　　平均精度均值计算按式(3)进行：

　　式中：

　　mAP——平均精度均值;

　　N ——管道缺陷类别数;n——插值数;

　　P(r)—— 精度一召回率曲线;R ——召回率。

　　7.5 参数量的计算

　　参数量计算按式(4)进行：

　　DB65/T4975—2025

　　Params =Co×k²×Ci… …(1)

　　式中：

　　Params——参数量;

　　C。——输出通道数;

　　k² ——卷积核;

　　Ci——输出通道数。

　　7.6计算量的计算

　　计算量计算按式(5)进行：

　　Comp=H×W×Ci×k²×Co ……… …(1)

　　式中：

　　Comp ——计算量;

　　H——特征图的高;

　　W——特征图的宽;

　　C: ——输入通道数;

　　k²——卷积核;

　　C。——输出通道数。

　　7.7性能要求

　　测试后的管道数字射线图像自动识别系统性能应达到如下要求：

　　a) 平均精度均值：各类管道缺陷的平均精度均值不低于90%;

　　b) 参数量：特征模型的参数量不高于45M;

　　c) 计算量：特征模型的计算量不高于35GFLOPs。

　　8 结果评价

　　8.1 图像标注

　　图像评定过程中，对缺陷位置、大小、类型等描述性内容可在图像上做文字标注;标注后的图像应与原始图像一并保存。

　　8.2识别报告

　　识别报告至少应包括下述内容：

　　a)委托单位;

　　b)被检工件：名称、编号、规格、材质;

　　c)识别设备：名称、型号;

　　d) 识别结果及管道缺陷信息;

　　e)识别人员签字;

　　DB65/T4975—2025

　　f)识别日期。

　　附录A(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。

　　标注任务前期准备工作

　　定义所需标注数据

　　确定标注说明规则

　　确定标注人员

　　标注工具选择

　　标注任务中

　　标注任务创建

　　标注任务分发

　　标生任务开展

　　标注任务回收

　　标注结果输出

　　标注结果输出交付要求

　　标注数据交付和验收

　　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;

　　DB65/T 4975—2025

　　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.2.3.1标注任务创建

　　创建任务包括：

　　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)、任务描述等;

　　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;

　　c)将数据上传至指定文件夹或者相应的标注管理平台;

　　d)进行版本控制。

　　A.2.3.2 标注任务分发

　　根据任务发布者确定的参数及需求，将标注任务分发给标注人员。标注任务发布者在发布数据时，应明确与标注任务相关的参数：

　　a)参与标注人数;

　　b)任务中子任务数量;

　　c)数据标注人员每人每天工作量;

　　d)回收子任务时间点;

　　e)任务结束时间点。

　　A.2.3.3 标注任务开展

　　标注任务中数据标注方法包括全人工标注和半自动标注两种方式，标注任务的开展情况、注意事项及标注人员培训与反馈机制如下：

　　a)全人工标注：

　　1) 完全依靠人工进行标注，确保标注数据的精准性;

　　2) 当标注数据量较大时，需合理安排人力，避免因工作量过大导致效率降低;

　　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)。

　　b)半自动标注：

　　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;

　　2) 半自动标注适用于标注数据量较大且标注任务较简单的情况;

　　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，并根据实际情况调整标注策略。

　　c) 标注人员培训与反馈机制：

　　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、标注任务目的、标注内容和标准;

　　2) 在标注前期，建立标注者与标注数据开发者之间的反馈机制，确保双方信息同步;

　　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注数据开发者，确认标注结果正确无误后，再批量开展数据标注任务;

　　DB65/T 4975—2025

　　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标注规则或提供指导，以确保标注质量。

　　A.2.3.4标注任务回收

　　在项目协定的任务将要完成时，项目负责人需回收标注作业，且需保证已分配的任务能被完整交付。回收环节中需注意个别情况和变化的出现，如果标注人员未能按时交付，则需由候补成员继续完成剩余任务，以保证标注任务进度。

　　A.2.4 标注结果质量检查和控制

　　A.2.4.1质量检查

　　数据标注质量检查技术要求如下：

　　a) 逐条检查技术要求：

　　1) 应对全部标注子任务实施100%覆盖的逐条核查;

　　2) 重点保障数据格式主观性强、管道数字射线图像缺陷类型复杂任务的检查深度。

　　b)按比例抽查技术要求：

　　1) 样本量应符合统计学置信度要求，能代表整体数据分布特征;

　　2) 审核人员应具备专业培训资质并通过考核认证;

　　3)抽查结果应建立完整的质量评估报告和问题追溯机制。

　　c) 抽样检验分类技术要求：

　　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、位置便利抽样等) ;

　　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本;

　　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化抽样方案;

　　d) 模型验证技术要求：

　　1) 应采用人工智能技术实现质量检查，包括但不限于：已训练模型自动检查，迁移学习/在线学习辅助检查;

　　2) 模型验证结果不应作为唯一质量判定依据;

　　3) 应建立人工复核机制验证模型输出可靠性;

　　4) 全自动检查系统需提供可解释性质量评估报告。

　　A.2.4.2 质量控制

　　标注数据质量控制技术要求如下：

　　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

　　1) 在任务进行期间，将若干已知结果的测试管道数字射线图像随机混入常规标注子任务中;

　　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

　　DB65/T4975—2025

　　1) 定期对标注人员的操作规范性进行检查，确保其符合标注流程和标准;

　　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，立即对相关标注人员发出预警和警告;

　　A.2.5管道数字射线图像类型数据标注结果输出交付要求

　　管道数字射线图像标注任务的数据结果为带有标签的数据，包含标签的具体内容，及此图像标签对应的图像空间位置(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;

　　b) 文件路径：待标注图像的名称或路径;

　　c) 置信度：各标签的置信度;

　　d) 每个标签中可能包含多个对象，对于每个对象需要定义：

　　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。

　　DB65/T 4975—2025

　　附录B

　　(资料性)

　　管道数字射线图像缺陷样例

　　图B.1～图B.5给出了管道数字射线缺陷图像空间位置标注样例。

　　图B.1未熔合

　　图B.2气孔

　　图B.3未焊透

　　图B.4 裂纹

　　图B.5夹钨 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

　　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应符合表C.1规定。

　　表C.1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

　　序号 类别 具体要求

　　1

　　硬件配置 CPU:多核高频处理器，如Intel Core i7或AMD Ryzen7系列。 GPU:支持CUDA的NVIDIA GPU,如GeForce GTX 1060(6GB显存)或更高性能的型号 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),建议容量至少为1TB 电源：根据GPU的功率需求选择合适的电源，如单张GTX 1060显卡建议电源功率不低于500W

　　2

　　软件配置 操作系统：Linux操作系统，如Ubuntu或CentoS 深度学习框架：TensorFlow、PyTorch或Keras 科学计算库：NumPy、Pandas和SciPy 数据处理库：Scikit-1earn、OpenCV

　　3

　　数据预处理 归一化：将数据缩放到特定范围(如0～1或-1～1) 数据增强：对于图像数据，使用旋转、翻转、缩放等技术 数据清洗：去除异常值、处理缺失值等 特征工程：根据具体任务选择和提取有用的特征，减少数据维度

　　DB65/T 4975—2025

　　附录D

　　(资料性)

　　测试数据记录

　　表D.1给出了测试数据记录的数据库样例。

　　表D.1测试数据记录的数据库样例

　　序号 中文名称 字段名称 类型及长度 允许空 信息类描述 1 识别管道代码 PipelineID Char20 否 产生该信息的识别管道代码 2 识别时间 Recognition Time Recogtime 否 系统识别管道缺陷时间 3 管道图像1 OverallPic Blob 否 管道整体图像信息 4 管道图像2 CloseupPic Blob 否 管道特征图像信息 5 管道图像3 DefectType Blob 否 管道缺陷类型图像信息 6 管道图像4 Pic2 Blob 是 管道预留图像信息 7 管道图像5 Pic3 Blob 是 管道预留图像信息

　　DB65/T4975—2025

　　附录E

　　(规范性)

　　测试报告的记录与存储

　　测试报告的记录与存储应符合图E.1的要求：

　　{识别管道代码}

　　{识别时间}

　　(图像名称1}

　　<{图像名称1}>{BASE64编码的图像数据1}{图像名称2}

　　<{图像名称2}>{BASE64编码的图像数据2}{图像名称3}

　　<{图像名称3}>{BASE64编码的图像数据3}{图像名称4}

　　<{图像名称4}>{BASE64编码的图像数据4}{图像名称5}

　　<{图像名称5}>(BASE64编码的图像数据5}

　　注1:(中内容为相应的识别记录数据项内容。

　　注2:此模板内信息为基础信息，可根据识别系统具体应用需求进行扩展。