CN110097534A - 一种基于深度学习的核燃料棒外观缺陷检测方法 - Google Patents

Abstract

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。

Description

一种基于深度学习的核燃料棒外观缺陷检测方法

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。

只有综合考虑假阳率和真阳率才能够合理的评价此燃料棒检测模型好坏，一般情况下真阳率越高，假阳率也会越高，而理想情况下需要真阳率尽量高，而假阳率尽量低。

本发明与现有技术相比，具有以下优点和效果：

(1)本发明采用人工智能深度学习的方法，摒弃了传统基于人工目视外观检测燃料棒外观缺陷的方法，实现自动化智能检测技术，速度快，鲁棒性强，提高检测效率和检测准确率，有效降低漏检和误检的率。

(2)本发明为了更好的检测金属表面的小缺陷，基于深度残差网络ResNet101，将第一层卷积操作进行修改：选择5×5的卷积核，步长为1，填充为2，这样保持了卷积后的特征图大小与输入图像大小一致。

(3)本发明采用高清微距相机和环形光源，有效降低环境对拍摄的干扰，更加清晰的得到缺陷数据集，并且控制图像采集环境和检测环境一致，使得最终检测效果更优。

(4)本发明利用数据增强的技术使数据量进一步扩大，克服小样本情况下优化算法，有效提升人工智能检测准确率。

(5)本发明使检测人员的工作经验以模型的形式进行保存和继承，并且模型能够随着时间的推移可不断进行学习和优化。

附图说明

图1是本发明所描述方法流程图；

图2是本发明检测模型结构图；

图3是本发明卷积神经网络结构图；

图4是残差块结构图；

图5是本发明核燃料棒检测效果图。

具体实施方式

以下结合附图及实例对本发明进行详细说明。

步骤1，图像采集：

考虑到核燃料棒外观缺陷较小，故采用高清微距相机，为了防止金属表面的反光造成干扰，采用环形漫射光源进行补光，拍摄距离，拍摄背景将来实时检测的拍摄距离，拍摄背景保持一致。将采集到的所有图片共8526张图片以JPEG格式保存。

步骤2，图像预处理：

将采集的8526张图片裁剪为224×224且带有缺陷的图片，然后将这些图片进行数据增强：随机翻转、缩放变形、添加噪声、对比度变换和随机擦除处理，最终得到数据增强后的40360张优质图片，再由工作经验丰富的检测人员进行数据标注，并需要另一名检测人员进行逐一复核。最终每张图片均生成对应的XML文件，共40360个XML文件与40360张图片统一存放于./data文件夹下。

步骤3，训练模型：

本发明采用Windows操作系统，编程语言为Python，深度学习框架Tensorflow，利用显卡NVIDIA 1080ti、显卡运算库CUDA、深度神经网络加速库cuDNN进行加速运算。

目标识别框架采用Faster R-CNN算法,并对深度残差卷积神经网络结构ResNet101进行改进作为自动提取特征的卷积神经网络。卷积层设置方案如下：

以尺寸为224×224的图片作为输入层；

第一个卷积层选择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，这样输出尺寸为112×112，维数为64的图像；

利用深度残差卷积神经网络结构ResNet101的快捷链接方法降低参数，按照ResNet101进行构建残差块。

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，最终输出尺寸为56×56，维数为256的图像；

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，最终输出尺寸为28×28，维数为512的图像；

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，最终输出尺寸为14×14，维数为1024的图像；

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，最终输出尺寸为7×7，维数为2048的图像；

最后一层设置为全连接层连接，因此整个卷积网络一共有1(第一个卷积层)+3×3(第一个残差块)+4×3(第二个残差块)+23×3(第三个残差块)+3×3(第四个残差块)+1(全连接层)＝101层。

对卷积层内部采用Relu激活函数：

f(x)＝max(0,x)

对最后的输出层采用Softmax函数将神经元输出映射到(0,1)区间内：

其中j＝1,…,k。

设置损失函数，预测框相对于锚点的误差：

t_x＝(x-x_a)/w_a

t_y＝(y-y_a)/h_a

t_w＝log(w/w_a)

t_h＝log(h/h_a)

标定框相对于锚点的误差：

其中，x和y表示框的中心坐标，w和h分别表示框的宽和高{x_a,y_a,w_a,h_a}为锚点中心坐标和宽高

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：

构建完神经网络结构和设置完损失函数之后，从事先准备好的./data下的JPEG图片和对应的XML文件中抽取其中20％作为测试集，剩下80％作为训练集，并分别将测试集和训练集转化为Tfrecord文件，测试集不参与训练。调整超参数时将学习率设为0.002，批量大小设为32，在NVIDIA 1080ti GPU的加速之下训练9个小时左右达到收敛。

步骤4，模型评估：

为了能够更好地评估模型，本发明采用真阳率和假阳率两个指标对该模型进行评估。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。

Claims (9)

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。