[发明专利]一种基于深度学习的核燃料棒外观缺陷检测方法

权利要求书

1.一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于，所述方法包括通过相机获得核燃料棒外观图片，并通过深度学习的方法进行缺陷检测。

2.根据权利要求1所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于所采用的相机为高清微距相机。

3.根据权利要求1所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于所述核燃料棒为压水堆核燃料棒。

4.根据权利要求1所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于所述检测方法包括4个步骤：

步骤1：图像采集；

步骤2：图像预处理；

步骤3：训练模型；

步骤4：模型评估。

5.根据权利要求4所述的所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于图像预处理包括对图片大小裁剪，数据增强，数据标注。

6.根据权利要求4所述的所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于训练模型中还包括(1)神经网络的构建；(2)激活函数的选取；(3)损失函数的选取。

(1)神经网络的构建：

第一层卷积选择5×5的卷积核，卷积核个数为64，步长为1，填充为2，池化层选择3×3的池化，步长为2；

第一个残差块数量为3，里面的三个卷积层分别为1×1，64维，3×3，64维，1×1,256维；

第二个残差块数量为4，里面的三个卷积层分别为1×1，128维，3×3，128维，1×1,512维；

第三个残差块数量为23，里面的三个卷积层分别为1×1，256维，3×3，256维，1×1,1024维；

第四个残差块数量为3，里面的三个卷积层分别为1×1，512维，3×3，512维，1×1,2048维；

最后一层设置1×1，1000维的全连接层。

(2)激活函数的选取：

卷积层内部选取Relu激活函数：

f(x)＝max(0,x)

全连接层部分采用Softmax函数将神经元输出映射到(0,1)区间内：

其中j＝1,…,k。

(3)损失函数的选取：

设置多任务的损失函数：

其中,λ为平衡权重，默认取10，N_cls为归一化值的批量大小，即N_cls＝256，N_reg为归一化值的锚点数量，即N_reg＝2400，p_i为锚点预测为目标的概率：

是两个类别的对数损失，计算方式如下：

是目标的回归损失，计算方式如下:

R为smooth L1函数：

。

7.根据权利要求4所述的所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于从数据集中抽取20％作为测试集，剩下80％作为训练集，测试集用于模型评估，不参与训练。

8.根据权利要求4所述的所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于参与数据标注的检测人员工作多年，经验丰富，并且标注后的图片需要另一名检测人员进行逐一复核。

9.根据权利要求4所述的所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于模型评估采用假阳率(FPR)和真阳率(TPR)来衡量模型还坏，检测结果以图片形式输出，包括缺陷类型，缺陷位置和置信度。