利用深度学习自动检测核燃料通道超声扫描中的缺陷
计算机视觉与模式识别
2021-10-08 v2 图像与视频处理
摘要
核反应堆检查对于确保核设施运行的安全性和可靠性至关重要。在加拿大，超声检测（UT）用于检查压力管的状态，压力管是加拿大氘铀（CANDU）反应堆燃料通道的一部分。目前，UT 扫描的分析通过人工可视化和测量来进行，以定位、表征和处置缺陷。因此，有动机开发一种快速且准确的自动化方法。本文提出了一个概念验证（PoC），利用卷积神经网络（CNN）自动检测核燃料通道 UT 扫描中的缺陷。该 CNN 模型在使用历史 UT 扫描及相应检查结果构建数据集后进行训练。该原型的要求是在 UT 扫描中识别每个缺陷至少一部分的位置，同时最小化误报（FPs）。所提出的 CNN 模型通过自动识别每个缺陷的至少一部分来实现这一目标，随后进行进一步人工分析以识别缺陷的宽度、长度和类型。
引用
@article{arxiv.2102.13635,
title = {Using Deep Learning to Automate the Detection of Flaws in Nuclear Fuel Channel UT Scans},
author = {Issam Hammad and Ryan Simpson and Hippolyte Djonon Tsague and Sarah Hall},
journal= {arXiv preprint arXiv:2102.13635},
year = {2021}
}