仪器仪表学报

作者：陈明飞，廖望，王广文，吴义顺，沈宽

单位：陈明飞,中国航发哈尔滨东安发动机有限公司哈尔滨150066,,廖望,2.重庆大学ICT研究中心重庆400044； 3.重庆大学光电工程学院重庆400044,,王广文,2.重庆大学ICT研究中心重庆400044； 3.重庆大学光电工程学院重庆400044,,吴义顺,2.重庆大学ICT研究中心重庆400044； 3.重庆大学光电工程学院重庆400044,,沈宽,2.重庆大学ICT研究中心重庆400044； 3.重庆大学光电工程学院重庆400044,shenk@cqu.edu.cn,

关键词：大尺寸DR图像;CLIP;CLAHE;损失函数;图像增强

基金：国家重点研发计划（2022YFF0706400）资助

X射线数字成像技术（DR）已广泛应用于工业无损检测领域。然而在实际应用中，存在大量的结构不规则、厚度变化范围大的工件。DR检测容易在工件厚度厚的地方呈现曝光不足，在工件厚度薄的地方出现曝光过度的现象，导致DR扫描图像质量差，结构信息严重缺失。伴随探测器像素矩阵增至4K×4K以上，大多数算法难以在消费级设备上处理DR扫描产生的大尺寸图像。同时工业检测场景难以获取大量的成对配对标签。针对大尺寸DR推理与标签稀缺的问题，将对比语言-图像预训练（CLIP）与限制对比度自适应直方图均衡化（CLAHE）先验耦合，构建两阶段轻量级无监督增强框架，全程无需配对或分块操作。该算法在第1阶段初步学习提示向量引导冻结的CLIP图像编码器，通过CLIP增强损失、结构一致性损失，以及CLAHE特征图感知损失指导训练；第2阶段通过排序损失迭代对提示权值迭代精炼，交替更新增强网络直至视觉收敛。实验结果表明，与同期的无监督算法相比，峰值信噪比（PSNR）、感知图像相似度（LPIPS）、结构相似度（SSIM）等指标分别提高1.0dB、1.6%和2.0%，在多个参考指标优于对比方法。在推理时只需加载0.279M的参数，处理5732×2333的大尺寸图像单张耗时约1.5s。仅用380张铸件图像训练的模型即可直接在未训练过的碳纤维线路板以及其他材料的物品上迁移，并展现出良好的泛化能力，为工业检测落地提供实时增强方案。

来源：2026年第2期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2026年第2期