[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

说明书

本发明公开了一种基于深度学习的核燃料棒外观缺陷检测方法。该方法包括四个步骤，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。本发明针对核燃料棒外观缺陷检测任务，采用高清微距相机进行数据采集和检测，并且设计小目标检测神经网络，配合目标检测框架Faster R‑CNN，使得对核燃料棒外观缺陷检测任务的效率和准确率大大提高。

技术领域

本发明属于人工智能技术和燃料棒外观检测领域，具体为一种基于深度学习的和燃料棒外观缺陷检测方法。

背景技术

工业领域安全生产及安全运行至关重要，如在核电发展历程中，核安全一直是人们所关心的重点问题。虽然核电厂已经采取了一系列的措施来避免事故的发生，但核电历史发展总是存在大小核事故，部分核事故造成了放射性物质泄露的严重后果。核燃料棒作为核反应堆的能量来源，在堆内扮演着至关重要的角色。核燃料棒在生产环节、运输环节、安装环节和换料环节都有可能与其他物体发生碰撞或者刮擦，加之在役期间核燃料组件长期处于高温、高压及强中子辐射场等复杂环境条件下，燃料棒中的芯块会出现肿胀，变形甚至导致包壳破裂。因此，核燃料棒的役前检查和在役检查是核电站营运单位保证核电站安全运行必须采取的重要措施，也是国家法定的核安全检测活动。

目前使用核燃料棒外观缺陷检测方法采用的是人工目视检测，此方法是一个费时、乏味和主观的过程，1.核燃料棒缺外观陷附近有干扰，影响判断结果；2.有些缺陷细小且与背景对比度低，再加上光线扰动，容易造成漏检和误判；3.无损检测数据少，数据分散，应用场景差异较大。更重要的是从人工角度：1.判断具有主观性，经验为主；2.耗费时间，效率低；3.判断过程乏味冗长易产生视觉疲劳，造成漏检或误检。因此核燃料棒外观缺陷检测过程完全依靠经验及人眼判断，存在一定程度主观及客观影响导致误判或遗漏，且非常依赖工程经验丰富人员的操作且经验难以实时传承与分享。

本发明提出一种基于深度学习的核燃料棒外观缺陷检测方法，通过改进FasterR-CNN模型的卷积层和训练超参数，由此来提升检测效率和准确率，降低漏检率和误检率。

发明内容

本发明的目的就是为了克服上述现有技术存在的问题，提出一种基于深度学习的核燃料棒外观缺陷检测方法，可以代替人工目视检测，其检测效率高、准确率高，显著降低误判率和漏判率。

为解决以上技术问题，本发明的目的通过以下技术方案来实现：

一种基于深度学习的核燃料组件外观缺陷检测方法，该方法包括以下步骤：步骤一：图像采集；步骤二：图像预处理，步骤三：训练模型；步骤四：模型评估，其特征在于包含以下步骤：

步骤一：图像采集过程，包括相机、光源和拍摄环境的选取，本发明采用高清微距相机，环形漫射光源，拍摄环境与实时检测环境保持一致性；

步骤二：图像预处理过程，包括图像大小裁剪、数据增强以及数据标注。图像大小裁剪过程，将所拍摄的图片均裁剪为224×224且带有缺陷的图片数据增强过程，是将所有已裁剪的图片进行随机翻转、缩放变形、添加噪声、对比度变换以及随机擦除处理，是数据数量增大，泛化性能更好。数据标注包括对图片中缺陷的位置及缺陷类型进行标注，并生成每张图片对应的XML文件，且参与图像标注人员均为工作多年，经验丰富的检测人员，每张图片标注之后需要另一名检测人员进行复核；

步骤三：训练模型过程，包括改进Faster R-CNN模型中的卷积神经网络结构以及训练超参数，将数据进行训练，最终模型以.pb文件形式保存于./model文件夹中。训练超参数包括学习率、冲量、权重衰减值、批量大小。

步骤四：模型评估过程，使用未参与训练模型的数据作为模型评估的测试集，最终模型在测试集的表现优异，具体以假阳率(FPR)和真阳率(TPR)来衡量检测结果，假阳率反映在所有实际为阴性的样本中，被错误地判断为阳性之比率，真阳率反映在所有实际为阳性的样本中，被正确地判断为阳性之比率。