2025年11月13日，北京理工大学重庆创新中心研究所所长李琰在深圳核博会核电厂在役检查论坛发表《焊缝射线检测AI缺陷识别评判技术》主旨报告。
报告围绕核电厂焊接接头射线检测的数字化与智能评片展开，提出从底片数字化、AI缺陷识别到报告输出与质量数据关联的全流程系统架构。团队在小目标、低对比度与长尾缺陷等难点下，通过“通用模型+场景微调”、规则/强化学习降误报，并引入焊接与检测知识的大语言多模态模型，使定性更接近人工评片思维，最后给出模型分级、考试评价与应用落地方案。
关键点：
1. 报告开场与研究主题：核电焊接射线智能评片（00:00）
介绍主讲人李延及报告主题，聚焦核电厂管道焊接接头的射线检测，分享近年来在AI评图、缺陷评判与相关工程应用方面的工作。
2. 团队与平台能力：数字射线装备、实验室与自动化检测线（00:34）
介绍北京理工大学智能焊接团队的方向：AI赋能焊接接头检测；建设工业射线数字化实验室，研发数字射线装备；在制造厂落地无人全自动DR数字射线检测线，并在主流发电装备企业投入使用；同时兼顾胶片体系在核电在役检查中的应用。
3. 行业痛点与技术路线：底片存储难、缺陷评定难到全流程智能化（01:34）
指出传统胶片射线检测的两大难题：胶片存储与缺陷评定，难以实现在线评价；提出两条数字化路径：数字射线天然数字化、胶片通过底片数字化方案；在数字底片基础上实现缺陷智能识别、评估与报告输出，构建AI驱动的全流程系统。
4. 系统架构与目标分级：从辅助评片到高度自动评片（02:30）
给出核电在役检查智能评片系统架构：底片扫描/数字化存储、委托信息管理、AI辅助评验、质量数据与焊接数据关联形成全流程质量管理；借鉴自动驾驶/大模型分级思想，定义L1-L3为辅助评片，L4为高度辅助甚至替代人工的自动评片，并提出定量指标。
5. 场景模型与通专融合：不同接头/透照/工艺需要不同模型（03:57）
强调模型不通用：接头形式（小径管、堆焊、插套等）、透照方式（垂直/倾斜）与焊接方法（手工/自动）都会造成影像差异；提出“通专融合”策略：先训练通用模型，再针对具体电站/材料/场景微调；研发目标强调“查漏降误”——在漏检率为零基础上尽量降低误报。
6. 数据与标注体系：小样本缺陷构造、精细化管理与标注规范（05:20）
数据是关键：工业现场裂纹、微未焊透等缺陷样本稀少，需通过焊接模拟与人工缺陷构造补充；对缺陷样本按焊缝/接头形式/缺陷类型精细化管理；建立胶片到数据集的标准化流程，并考虑不同标准（如RCC-M、GB/T 4713等）对缺陷分类差异；制定标注规范（重叠边界、未焊透伴随条状气孔等），并开源适配射线“小目标、低对比度”的标注平台。
7. 视觉识别难点与效果：小目标、对比度不均、长尾分布与误报问题（08:05）
指出射线图像识别难点：小目标、对比度不均衡与长尾数据，裂纹在对比度和尺寸上最难；采用小目标检测、特征融合、多目标检测网络、注意力机制、增加浅层特征、分阶段训练、重采样、超分辨等策略；实测在大修场景可做到不漏检，但定性准确率约94%且存在围影像导致的误报，说明仅靠视觉模型在定性与排除伪影方面仍不足。
8. 引入语言智能：多模态模型学习焊接/检测知识，提升定性与降误报（10:19）
提出人工评片不仅看图，还依赖委托信息、焊接工艺与检测工艺背景知识（缺陷易发位置、透照方式影响、缺陷机理等）；因此引入语言智能构建多模态：围绕图像用语言提问与推理，开发7B多模态模型（将语言模型与图像特征关联），把缺陷特征、位置、产生原因、服役影响等知识喂给模型；通过类“思维链”的排除式推理，更接近人工评片思路，从而提高定性准确率并显著降低误报。
9. 行业大模型必要性与评测：NDE/焊接领域知识缺口与自研方向（12:32）
强调不能直接用通用大语言模型完成评片：其缺乏热处理、焊接与无损检测领域知识；构建无损检测大模型考试题（约110题，对标特种设备相关知识）测试主流模型，发现通用模型计算能力强但领域工艺计算仍有缺陷，部分国内模型不足更明显；据此认为有必要自研领域大模型，并将目标定位为“焊接大模型”（无损检测是焊接体系的一部分）。
10. 后处理与融合策略：规则过滤、强化学习与“眼睛+大脑”协同（13:49）
针对误报：在后处理阶段利用行业/场景规则过滤围影像；引入基于人类反馈的强化学习指导模型保留/剔除检测框以进一步降误报；提出无监督与有监督串联：先做有无缺陷筛查，再做定性/定位/定量；并形成协同分工——视觉模型负责“找缺陷”（像眼睛，保证零漏检），语言模型结合工艺与委托信息负责“判缺陷”（像大脑，提升定性与降低误报）。
11. 模型评价与标准化：像“资格考试”一样给模型分级与评估风险（15:36）
提出模型需要类似人员资格认证的评价体系，单靠影像指标可能不客观；构建模型“考试题”，对比人与模型差异，划分典型结果：全对（定性/定位/定量正确）、漏检、误检（含定性错或定位错等），并用混淆矩阵分析；计算指标后把模型分为四个等级，给出各等级潜在使用风险（漏检/误报等）；相关方法在核能行业协会推进系列标准（先从射线开始，后续扩展到超声等），处于报批阶段。
12. 系统落地与应用：边缘-云协同、报告生成与全自动检测愿景（17:42）
展示完整应用流程：底片扫描、委托信息录入、图像质量复核、分级审核与电站人员审核；搭建边缘-云协同架构（边端评片、云端图像与数据管理）；实现缺陷识别、评级与出报告，并用大模型对标准文本进行加工辅助报告生成；进一步展示在发电装备领域的全自动焊接检测Agent（器具自动摆放、自动识别缺陷），以及数字射线场景下本地化低成本部署的大模型交互（推荐检测工艺、检索标准），指向全流程全自动化。
时间线：
00:00 - 开场介绍主讲人、报告主题与研究方向：核电焊接射线检测的AI评图与评判技术。
00:34 - 介绍团队能力与产业落地：数字射线装备、实验室、自动化DR检测线与核电在役检查应用。
01:34 - 阐述胶片存储与缺陷评定痛点，提出底片数字化与智能识别评估的全流程技术路线。
02:30 - 给出系统架构与研发目标分级：从辅助评片到高度自动评片，并提出评价指标框架。
03:57 - 说明场景差异导致模型需按接头/透照/焊接方法区分，提出通用模型+场景微调与“查漏降误”。
05:20 - 讲解数据构建与标注体系：小样本缺陷补齐、精细化管理、标准差异处理与标注平台。
08:05 - 分析视觉识别难点与模型优化策略，汇报实测效果：零漏检但定性与误报仍需提升。
10:19 - 引入语言智能与多模态推理：结合委托与工艺知识，提升定性准确率并降低误报。
12:32 - 讨论训练领域大模型的必要性与测试方法，定位自研焊接/无损检测知识大模型。
13:49 - 后处理与融合：规则过滤、强化学习、人类反馈；提出视觉找缺陷+语言判缺陷的协同框架。
15:36 - 模型评价与标准化：设计“给模型考试”的评估方法、分级打分与风险评估，推进行业标准。
17:42 - 系统应用展示：边缘-云协同、报告生成与数据管理平台，并展望全流程全自动检测与本地化部署交互。
AI 延伸阅读(下文由AI生成，其内容可能存在偏差，请注意甄别)：
AI赋能核电管道焊缝射线检测：智能评片技术加速工程化应用
北京理工大学重庆创新中心研究所所长李琰围绕核电厂管道焊缝射线检测的AI评片与评判技术，介绍了团队在焊接检测智能化方向的研发进展与工程化实践。该团队长期聚焦“AI赋能焊接”，重点突破焊接接头检测智能化问题，依托工业射线数字化实验室、数字射线装备研发平台以及无人全自动DR数字射线检测线，已在东方电气、哈尔滨电气等装备制造场景中开展应用。面向核电在役检查，传统胶片检测流程存在胶片存储困难、缺陷评定依赖人工、难以在线评价等痛点，推动射线检测从胶片化、人工化向数字化、智能化升级已成为行业迫切需求。
在技术路线方面，团队提出从胶片数字化到智能评片闭环的整体方案。一方面，数字射线检测天然具备数字化基础；另一方面，既有胶片底片可通过扫描和数字化处理转化为可训练、可管理的数据资源。在此基础上，系统进一步实现缺陷智能识别、缺陷评估和报告自动输出，形成覆盖底片扫描、数字化存储、委托信息管理、AI辅助评验、质量数据与焊接数据关联的全流程质量管理体系。
针对智能评片系统的可用性，团队借鉴自动驾驶L0至L5分级以及大模型能力分级思路，建立了射线检测AI评验系统分级框架。其中，L1至L3主要定位为辅助评验，帮助人工提升效率和一致性；L4则面向高度辅助甚至可在特定场景下替代人工的自动评验能力，并通过定量指标对漏检率、误报率、定性准确率等关键性能进行约束。
由于核电管道焊缝检测场景复杂，不同接头形式、透照方式和焊接方法会造成影像特征显著差异，团队强调必须针对不同工况建立不同模型。例如，小径管、堆焊、插套等接头形式，垂直透照或倾斜透照方式，以及手工焊、自动焊等焊接方法，都会影响模型识别效果。因此，团队提出以“设备或接头形式+透照方式+焊接方法”等要素构成场景模型命名和管理规则，避免单一模型在跨场景应用中因泛化失效而产生不可控风险。
在核心研发方法上，团队采用“通专融合”的思路，参考医疗AI领域先训练通用能力、再针对专科场景微调的路径，先构建具备基本射线图像理解能力的通用模型，再根据电站类型、材料特性、焊接工艺和检测工艺进行场景微调，以提升模型适配性。研发策略则坚持“查漏降雾”，即以漏检率为零作为底线，在确保不漏检的前提下尽可能降低误报，解决“什么都检出但不该检出”的工程应用难题。
数据体系建设是AI评片落地的基础。团队的数据主要来自工业现场，但裂纹、未焊透等关键缺陷样本稀缺，呈现典型小样本和长尾分布问题。为补强数据，团队利用自身焊接技术能力，通过模拟工况和人造缺陷方式补充样本库，例如通过特定坡口设计或焊接工艺控制制造目标缺陷。同时，团队按焊缝形式、接头形式和缺陷类型进行分层管理，建立从胶片获取、扫描、清洗、标注到数据集生成的标准化流程，并兼顾RCC-M、GB/T 4713等不同标准中缺陷分类口径差异，提升数据训练、评估和追溯的规范性。
射线图像缺陷识别面临小目标、低对比度、图像灰度不均衡和长尾分布等挑战，其中裂纹因尺寸细小、对比度弱而最难识别。为提升模型性能，团队在工程可用导向下采用小目标检测与切片策略、特征增强、网络组合、多目标检测流程、注意力机制、模型容量扩展和图像超分等方法，逐步实现从缺陷有无分类，到缺陷定性与定位，再到缺陷定量与定级的能力提升。
在实际在役检查应用反馈中，视觉模型展现出较强的缺陷检出能力，能够接近“不漏检”的目标，但也暴露出定性准确率仍有提升空间、伪影像排除能力不足、误报偏高等问题。团队分析认为，人工评片并不只依赖图像本身，还会综合委托信息、焊接工艺知识、检测工艺知识和标准规范进行判断，而单纯视觉识别难以覆盖这些“非图像知识”，这也是误报和定性偏差的重要来源。
为此，团队进一步引入多模态方案，将缺陷识别与评估从单一视觉模型升级为视觉与语言联合推理。专用多模态模型Welding Nava 7B将语言模型与射线图像特征关联，使模型能够学习缺陷特征、位置规律、工艺关联和服役影响等专业知识。在推理过程中，模型可按照“位置—形态—边缘—灰度与对比度—与其他缺陷对比—排除法”的链式评估方式给出定性结论，使评片过程更接近人工专家思维，从而降低误报并提升定性准确性。
团队还提出建设面向无损检测与焊接领域的行业大模型。通用大模型虽然具备较强语言能力，但对射线检测工艺计算、无损检测专业规范和焊接知识覆盖不足，难以直接用于工程评片。为评估模型专业能力，团队构建了约110道对标特种设备知识体系的无损检测大模型考试题，用于测试主流模型在NDE问题上的能力差异。随着研发定位升级，团队认为无损检测只是焊接全链条的一部分，最终应构建具备焊接知识增强能力的“焊接大模型”，以支撑更可靠的语言智能和工程决策。
在后处理与误报控制方面，团队通过行业规则和场景规则过滤伪影像及不合理框选，并探索将人类反馈强化学习用于框选优化。通过人工反馈“哪些框应保留、哪些框应删除”，模型可不断减少无效检出，提高缺陷定位和定性结果的可信度。由此形成视觉模型与语言模型协同的工作流：视觉模型负责高召回检出，确保尽可能不漏检；语言模型结合工艺、标准和委托信息负责定性判断与伪影像排除，使系统从“看得见”进一步走向“判得准”。
面向模型准入和工程应用风险，团队提出必须为AI评片系统建立体系化评价与等级认证机制。未来系统可能作为辅助工具甚至在特定条件下替代部分人工，仅依靠影像指标难以全面评价其可靠性。因此，团队设计了包括出题与测试、与人工结果差异分析、混淆矩阵与指标计算、分级打分和风险评估在内的四阶段评价方法，并将结果划分为正确检出、漏检、误检、定性错误或定位错误等类型，以明确偏差来源和适用边界。
在标准化推进方面，相关系列标准已在核能行业协会推进，目前处于报批阶段。标准体系规划将率先从射线检测切入，后续逐步扩展到超声等其他无损检测方法，为AI辅助无损检测的行业应用提供统一依据。系统部署上，团队构建了从底片扫描、委托信息录入、图像质量复核到分级审核的完整业务流程，并采用边缘—云协同架构：边缘侧负责评片与实时处理，云端负责图像与数据管理、全局归档和统计分析，同时利用大模型对标准语言和符号进行加工，辅助生成规范化检测报告。
围绕数据管理与可视化分析，系统可按机组维度管理缺陷数据，跟踪缺陷变化趋势和类别分布，并通过浏览器等多端入口实现人工评片结果与AI评片结果的统一查询、统计和审计。在工程化能力展示中，团队还演示了发电装备全自动焊缝检测Agent，覆盖相机自动摆放与识别、缺陷自动识别等自动化环节。在数字射线检测场景中，界面左侧显示图像，中间实时进行缺陷评定，右侧接入本地化部署的大模型，为工艺推荐、标准检索和交互式判断提供支持，推动检测流程从人工主导逐步迈向端到端全自动。
