（一）|坏像素定义

通常将以下7种状态的像素定义为坏像素。

（a）死像素

指无响应的像素和响应不随射线剂量变化的像素。

（b）过响应像素

像素的灰度值大于其所在的21x21邻域中灰度中值1.3倍的像素。

（c）欠响应像素

像素灰度值小于21x21邻域中灰度中值0.6倍的像素。

（d）噪点像素

在30至100帧序列的无射线照射图像中，像素灰度值的标准偏差超过整个DDA标准偏差中值6倍的像素。

（e）不均匀像素

像素灰度值与9x9邻域的灰度平均值偏差超过±1%的像素。该测试在本底和增益修正图像上完成，要求平均灰度值达到或超过DDA线性范围的75%时进行测试。

（f）残影/延迟像素

X射线关闭后，像素灰度值超过了首个采集图像中9x9邻近内像素灰度中值2倍的像素。

（g）邻近坏点像素

像素的全部8个邻近像素均为坏点，也将视为坏点像素。

技术特征

智能制造工厂的设计多采用现代物流技术通过产品的合理流动来保证生产节拍。

以机器人为代表的柔性机械系统的应用，是智能检测设备制造的必然选择。

在实际案例中，机器人可以抓取零件也可以抓取射线源——探测器；常见的是使用一台机器人，但使用两台及以上机器人进行协同作业经常会出现在大型零部件的检测场合。

目前，采用机器视觉技术对产品类别和摆放姿态进行自动识别，然后自动对机器人进行导航来拾取零件也是一种常见的技术，这样可以使得检测系统更加智能化。

缺陷自动识别技术是射线智能检测设备制造的核心技术，作用是代替检测人员完成缺陷识别、归类、严重性评估和依据产品验收标准做出合格（OK）/不合格（NG）的判定结论。

从严格意义上来讲，具有缺陷自动识别（ADR）功能的检测系统才能被称之为智能检测设备。相对而言，系统采用的其它智能化技术如：零件自动识别、摆放姿态自动识别、故障自动预警等都是增加系统智能化水平的辅助项。

毫无疑问，缺陷自动识别（ADR）技术是智能检测技术面对的一个巨大挑战，所以被誉为智能检测设备皇冠上的翡翠！

评价缺陷自动识别（ADR）技术的两个重要指标是缺陷漏检和误判率，在GB/T 35388-2017的9.3节做了详细的规定。即：不允许存在缺陷（尤其是危险缺陷和超标缺陷）未能识别出来的情况，将伪缺陷识别为真缺陷进而将产品判为不合格（NG）的几率不得超过4%。但该标准没有进一步给出漏检和误判率如何测量和验证的方法。

产品质量可追溯是智慧制造对生产和检验设备提出的基本要求。

智能射线检测设备一般都需要与企业建立的基于产品编码（相当于产品的身份证）的质量追溯系统进行网络连接，实现产品检测设备、过程和参数（如：探测器型号和设置的参数、射线源型号和曝光参数、检测位置、缺陷位置、缺陷类别、缺陷参数、评估结果等)的可追溯性。

根据设备运行规律或数据变化趋势，在设备真正发生故障之前，及时发现设备的异常状况并进行相关的报警推送，我们把这一过程称之为故障预警。故障预警的目的在于在发生故障的早期进行设备的及时保养和采取针对性维护策略，将设备的潜在隐患消除。

采用设备生命周期管理技术，通过采集检测设备中各关键组件的相关参数，建立设备的故障模型并进行预警，是保证智能检测设备开机率的重要措施。