用于 TRISO 燃料横截面自动表征的 RU-Net
计算机视觉与模式识别
2025-09-17 v1 人工智能
摘要
在辐照期间，核芯肿胀和缓冲层致密化等现象可能会影响三结构各向同性 (TRISO) 颗粒燃料的性能。辐照后显微成像常被用于识别这些辐照诱导的形态变化。然而，每个燃料致密体通常包含数千个 TRISO 颗粒。手动执行工作以获取这些现象的统计信息既繁琐又带有主观性。为了减少该过程中固有的主观性并加速数据分析，我们使用卷积神经网络 (CNN) 自动分割微观 TRISO 层的横截面图像。CNN 是一类专门为处理结构化网格数据而设计的机器学习算法。近年来，由于其在图像分类、目标检测和图像分割等各种计算机视觉任务中的卓越表现，它们获得了广泛普及。在本研究中，我们生成了一个大型辐照 TRISO 层数据集，包含 2,000 多张 TRISO 颗粒横截面显微图像及其对应的标注图像。基于这些标注图像，我们使用不同的 CNN 自动分割不同的 TRISO 层。这些 CNN 包括 RU-Net（本研究开发），以及三种现有架构：U-Net、残差网络 (ResNet) 和 Attention U-Net。初步结果表明，基于 RU-Net 的模型在交并比 (IoU) 方面表现最佳。使用 CNN 模型，我们可以加速 TRISO 颗粒横截面的分析，显著减少所涉及的手工劳动并提高分割结果的客观性。
引用
@article{arxiv.2509.12244,
title = {RU-Net for Automatic Characterization of TRISO Fuel Cross Sections},
author = {Lu Cai and Fei Xu and Min Xian and Yalei Tang and Shoukun Sun and John Stempien},
journal= {arXiv preprint arXiv:2509.12244},
year = {2025}
}