基于深度學習的核電設備缺陷檢測算法的實現與應用

張力丹 余方劍 董婉祾 崔 宸

（中國核動力研究設計院，四川 成都 610000）

0 引言

隨著全球對能源需求的不斷增長，保障核電安全正面臨巨大的機遇和挑戰，如何高效進行核電設備缺陷檢測已成為重要的研究課題，基于深度學習的機器視覺算法是該領域的關鍵技術[1]。與傳統特征提取算法不同，基于深度學習的算法不需要手動設計特征，而是通過卷積核從圖像數據中提取具有較強魯棒性和深層語義的特征，因此其提取的特征圖具有很強的表達能力[2]。卷積神經網絡已經在許多計算機視覺任務中有突出表現，例如圖像分類、目標檢測以及圖像分割等。目前，基于深度學習的目標檢測算法從結構上主要分為以Fster R-CNN 為代表的兩階段網絡和以單步多框目標檢測（Single Shout Multibax Detector，SSD）或YOLO 為代表的一階段網絡[3]。一階段的目標檢測算法與二階段的“選取候選框+分類驗證”模式完全不同，一階段算法直接將整張圖像作為網絡的輸入，通過主干網絡提取特征圖，輸入分類器進行分類和目標框的預測。Zhang C B 等[4]將最新的YOLOv3 版本應用于橋梁表面缺陷定位， 與原始YOLOv3 網絡相比，其引入了預訓練權重、批量歸一化和Focal loss 損失函數，進一步提高了缺陷檢測率。隨后YOLOv4、YOLOv5 版本相繼出世，進一步提高了檢測精度，彌補了一階段算法精度不足的缺點。

1 算法框架

1.1 數據采集和預處理

該文研究的數據來自某核電站2016—2021 年的缺陷檢查報告和總結報告。首先，進行數據預處理，從上千份檢查報告中提取圖像數據，并對其進行初步的缺陷類別標注，即圖像級分類?！?br>