章 濟(jì)，許小進(jìn)，葉 琛，謝晨江，王菁華

（國核電站運(yùn)行服務(wù)技術(shù)有限公司 設(shè)備與維修業(yè)務(wù)部，上海 200233）

0 引言

核電站燃料更換期間，對燃料組件的檢查需要極其仔細(xì)，以防止影響入堆復(fù)用，對有異常的組件還要進(jìn)行啜吸檢查。當(dāng)前采用的檢測方法為人工目測法，即由取得無損檢測目視二級證的操作工人查看耐輻照水下相機(jī)的四路視頻，即對應(yīng)著組件四個(gè)面的視頻。然而，一般人難以長時(shí)間地專注于一件事情，而此過程又極其考驗(yàn)人的注意力和反應(yīng)速度。鑒于計(jì)算機(jī)圖像處理和機(jī)器學(xué)習(xí)技術(shù)的進(jìn)步，現(xiàn)在可以通過自動(dòng)圖像處理技術(shù)來補(bǔ)充人工檢查的不足之處，識別更多異常。應(yīng)用此類工具可以提高檢查效率。

韓國核燃料公司KNF 在法國和西班牙的技術(shù)支持下成功開發(fā)自己的池邊檢查設(shè)備，并已經(jīng)有10余年的應(yīng)用經(jīng)驗(yàn)。國內(nèi)某公司通過引進(jìn)韓國池邊檢查設(shè)備，在秦山二期核電站成功應(yīng)用于燃料組件水下外觀、尺寸測量及包殼氧化膜測量。

近年來有許多論文對輻照環(huán)境的水下圖像處理技術(shù)進(jìn)行研究。文獻(xiàn)[1]采用改進(jìn)Faster R-CNN模型的卷積層算法，對數(shù)據(jù)進(jìn)行訓(xùn)練，最終得到訓(xùn)練模型，以假陽率（FPR）和真陽率（TPR）來衡量檢測結(jié)果。文獻(xiàn)[1]所述的一種基于深度學(xué)習(xí)的核燃料棒外觀缺陷檢測方法，是目前熱門的研究方向，與本文的缺陷自動(dòng)識別技術(shù)有較大的相似之處。不同之處在于，本文的訓(xùn)練圖片來自國核運(yùn)行自制燃料棒缺陷，包括磨損（深度120 μm、350 μm）、裂紋、環(huán)形槽、腫脹、劃痕，以及國內(nèi)外電廠收集的燃料棒缺陷圖片，此外，本文還使用了真實(shí)的國內(nèi)核電站燃料檢查視頻。因此在實(shí)現(xiàn)上與文獻(xiàn)[1]有顯著區(qū)別。

文獻(xiàn)[2]利用FSIM 圖像質(zhì)量評估算法來進(jìn)行幸運(yùn)塊選擇，構(gòu)建時(shí)域?yàn)V波算法器，再使用基于經(jīng)驗(yàn)?zāi)Ｐ偷目臻g解卷積進(jìn)行圖像去模糊，實(shí)現(xiàn)湍流圖像復(fù)原，與本文的水下視頻處理有較大相似。區(qū)別在于，本文使用湍流圖像盲反卷積模型，并以共軛梯度數(shù)值優(yōu)化方法交替迭代求解復(fù)原圖像。

文獻(xiàn)[3]將水下視頻影像分割成圖像幀文件，然后將其導(dǎo)入圖像識別系統(tǒng)進(jìn)行識別處理，輸出帶有框選標(biāo)記的檢測圖像幀。當(dāng)匹配結(jié)果滿足預(yù)設(shè)條件時(shí)，輸出魚類信息。本文受此啟發(fā)開始研究水下輻照環(huán)境的缺陷智能識別算法，將先進(jìn)的圖像處理技術(shù)用于實(shí)現(xiàn)燃料組件外觀的智能檢查。

本文研究的背景是燃料組件從壓力容器到乏燃料水池轉(zhuǎn)移期間，在升降機(jī)提取燃料的同時(shí)，找出燃料組件的外觀問題。每個(gè)組件的提升過程只有3 min，即從上管座到下管座的時(shí)間，共計(jì)157 組。針對干擾檢查的因素如熱湍流、輻照、肉眼觀察效率低、識別度不高等[4-9]，本文提出圖像處理技術(shù)研究，采用人工智能算法的卷積神經(jīng)網(wǎng)絡(luò)、基于小樣本的圖像識別[10]、多特征加速識別技術(shù)，最終達(dá)到自動(dòng)識別缺陷的目的。

1 硬件構(gòu)成

四面外觀檢查系統(tǒng)的硬件主要包括臺架和相機(jī)。臺架設(shè)計(jì)采用上、下板可以滑動(dòng)壓接、吊運(yùn)時(shí)可隱藏一半高度、中間靠鋼絲繩柔性連接的設(shè)計(jì)理念[11-12]。臺架可以在乏池區(qū)域靈活擺放、移動(dòng)或永久安裝，相機(jī)為4 臺自帶水下燈模塊的水下攝像機(jī)，如圖1 所示。該四面檢查裝置安裝在乏燃料水池運(yùn)輸通道上方，每個(gè)攝像機(jī)垂直于燃料組件的4個(gè)面定向，在升降機(jī)提取燃料的同時(shí)執(zhí)行檢查。4個(gè)攝像頭中的一個(gè)可調(diào)節(jié)，用于觀察組件底部。相機(jī)采用瑞典Ahlberg 公司專為高輻照燃料近距離檢查而開發(fā)的Z160 相機(jī)，它可以用于四面燃料檢測系統(tǒng)、新燃料升降機(jī)等需要高質(zhì)量彩色高清或標(biāo)清圖像的環(huán)境，分辨率為720 p，可以耐輻照劑量率10 000 Gy·h-1，累計(jì)200 000 Gy，鏡頭為10倍光學(xué)變焦。相機(jī)搭配了用于視頻記錄、存儲、回放的控制柜系統(tǒng)以及監(jiān)視器和視頻編碼器，支持錄像+live video模式[13-16]。

圖1 四面外觀檢查硬件

2 圖像預(yù)處理層

圖像處理軟件通過接口協(xié)議同步調(diào)取視頻流，再進(jìn)行圖像處理，對輻照雪花點(diǎn)、水流擾動(dòng)、高速運(yùn)動(dòng)狀態(tài)下的特征捕捉等問題進(jìn)行預(yù)先處理[17-19]。處理步驟如圖2 所示。

圖2 軟件架構(gòu)設(shè)計(jì)路線圖

圖像預(yù)處理層包含噪聲和湍流的圖像處理，這是為了防止視頻噪聲對后續(xù)缺陷檢測模塊造成誤檢和錯(cuò)檢。預(yù)處理層采用Google Camera 的HDR+多幀融合技術(shù)[20-23]，區(qū)分視頻主體與背景。根據(jù)湍流的特性，使用湍流圖像盲反卷積模型，并以共軛梯度數(shù)值優(yōu)化方法交替迭代求解復(fù)原圖像，得到一組去除噪聲和熱湍流之后的清晰化視頻。由于湍流的擾動(dòng)在較為固定的環(huán)境下所造成的噪聲尺度相對類似，其信號擾動(dòng)在頻域上較為穩(wěn)定，因此通過修正圖像在頻域上的特征可以實(shí)現(xiàn)湍流去除，如圖3 所示。將得到的經(jīng)過處理的圖像，與未經(jīng)處理的圖像共同呈現(xiàn)，是為了說明每種功能的效果，也是基于核安全文化中的保守決策，并不影響原始視頻的存儲。

圖3 水下圖像清晰化處理視頻截圖

3 圖像增強(qiáng)

現(xiàn)有的燃料棒缺陷圖片在國內(nèi)數(shù)量甚少。針對這一行業(yè)痛點(diǎn)，本文設(shè)計(jì)了小樣本容量的圖像訓(xùn)練方法，通過數(shù)據(jù)增強(qiáng)技術(shù)來滿足圖像訓(xùn)練的要求。難點(diǎn)在于，數(shù)據(jù)太少即意味著圖像訓(xùn)練過程可能出現(xiàn)過擬合。為了避免此現(xiàn)象的發(fā)生，對訓(xùn)練樣本圖片進(jìn)行多樣化的幾何變換，如隨機(jī)翻轉(zhuǎn)、縮放、添加噪聲、多角度拍攝等[24]。此外，還通過對缺陷圖片采用顏色變換策略，來提升模型的泛化能力。

樣本對象是國核運(yùn)行自制的帶缺陷燃料棒，拍攝缺陷圖片作為訓(xùn)練樣本。拍攝該燃料棒的水下視頻作為測試集。樣本的標(biāo)注工作均由工作多年且經(jīng)驗(yàn)豐富的檢測人員完成。每張圖片標(biāo)注之后由另一名檢測人員進(jìn)行復(fù)核。對得到的缺陷圖片使用谷歌大腦的AutoML 技術(shù)，針對不同的任務(wù)，調(diào)整圖像增強(qiáng)效果，最后達(dá)到為小樣本容量進(jìn)行圖像增強(qiáng)的效果。

4 圖像識別層

圖像識別層的基礎(chǔ)開發(fā)環(huán)境是谷歌公司的開源機(jī)器學(xué)習(xí)平臺Tensorflow。通過Python、C++、Opencv、Pytorch 編制程序?qū)崿F(xiàn)，采用Windows 操作系統(tǒng)、卷積神經(jīng)網(wǎng)絡(luò)、GPU 進(jìn)行加速運(yùn)算。經(jīng)過圖像增強(qiáng)得到的樣本作為整個(gè)圖像識別層的輸入。對該樣本進(jìn)行圖像訓(xùn)練，直到最后算出可靠的訓(xùn)練模型。其中，識別框架采用的是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）算法[25]，即對深度殘差卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)ResNet 進(jìn)行改進(jìn)，再構(gòu)建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和設(shè)置損失函數(shù)。經(jīng)過了500 輪的訓(xùn)練迭代，損失函數(shù)降低，得到可靠的、精度80%以上的訓(xùn)練模型。對圖像識別的判定還加入了多人判別器，該功能在顯示界面設(shè)置為可選擇按鈕。

5 實(shí) 驗(yàn)

對該模型在測試集上進(jìn)行檢驗(yàn)。通過遷移學(xué)習(xí)Transfer learning，把訓(xùn)練的模型在下位機(jī)做輕量化部署，并采用硬件加速識別。本實(shí)驗(yàn)的測試集是一段水下拍攝的帶缺陷的燃料棒視頻。如果檢驗(yàn)發(fā)現(xiàn)模型表現(xiàn)不佳，即不能框選出明顯的自制缺陷，則重新進(jìn)行圖像訓(xùn)練。調(diào)整訓(xùn)練的參數(shù)以及迭代次數(shù)等，直到模型趨于穩(wěn)定為止。最終該模型在測試集的表現(xiàn)優(yōu)異，所有缺陷位置均能夠準(zhǔn)確標(biāo)出，而且每組燃料組件延遲小于1 s。

為了能夠更好地驗(yàn)證該技術(shù)，采用一組在國內(nèi)核電站大修期間拍攝的燃料檢查視頻進(jìn)行驗(yàn)證。由于該核電站的燃料組件服役時(shí)間較短，只有兩年，因此沒有明顯缺陷。最終結(jié)果是，使用該方法，可以在燃料檢查視頻上標(biāo)出疑似的劃痕，實(shí)現(xiàn)每個(gè)組件延遲小于1 s 的類同步圖像處理。

6 結(jié)語

本圖像處理技術(shù)可適用于壓水堆核電站的燃料檢查項(xiàng)目。特別地，針對水下輻照環(huán)境的燃料外觀檢查視頻，能夠?qū)崿F(xiàn)同步圖像處理，輸出帶有框選標(biāo)記的檢測圖像幀，準(zhǔn)確標(biāo)記疑似缺陷的位置。該技術(shù)可提高燃料組件外觀檢查效率，減少燃料缺陷檢查漏檢的潛在風(fēng)險(xiǎn)。