如今,油气管道行业发展迅猛,管道质量影响到油气输送安全,通过对管道进行探伤检测可对管道质量进行严格把关,无损检测可在不损伤管道的前提下进行质量评价,其中,X射线检测相较于其他检测方案具有拍摄成像快、评片成本低、识别准确率高、适用范围广、不受环境限制等优势,是焊缝缺陷检测领域的主要检测方式之一,但也存在一些不可避免的问题。一方面,受硬件设施等因素所限,图像对比度低,受噪声影响,导致缺陷与噪声重叠,背景灰度差小,需要先经过图像处理后再评片。为提高检测人员评片效率,本文围绕基于图像处理技术的缺陷提取展开研究。另一方面,当前以人工评价方式对X射线环焊缝图像进行检测,疲劳状态下容易出现误判漏判,且具有主观性。为避免以上问题,本文围绕基于深度学习的缺陷智能识别展开研究,最终实现人机结合的评价体系。图像处理方面,首先,针对环焊缝图像对比度低和噪声干扰问题,对图像进行对比度提升和降噪处理,针对均值滤波丢失细节信息的问题进行算法改进,通过对比实验证明图像对比度和抑制噪声能力提升。其次,进行缺陷提取,图像缺陷区域容易受到焊接过程、成像过程的外部因素干扰,在图像中出现边缘模糊的情况。因此本文设计了一种基于Otsu阈值分割法和Canny算子相结合的边缘提取策略来获得缺陷区域。实验结果表明,该方案对缺陷边缘提取效果较好。智能识别方面,本文首先实现基于深度信念网络的缺陷识别,并进行性能测试,其次实现基于卷积神经网络的缺陷识别,介绍基本网络结构,对模型进行不同训练次数和激活函数的测试,根据性能择优选择。最后,进行两种神经网络缺陷识别能力对比,证明卷积神经网络对环焊缝图像缺陷识别效果较好。本文通过对X射线图像进行提升对比度、改进滤波算法的降噪处理、设计提取缺陷边缘方案等操作,提高了人工评片的准确率和效率。通过不同神经网络算法间的性能对比,证明基于卷积神经网络的方案对识别缺陷具有更好效果,实现了智能识别,提高了评片效率。