燃料棒表面污垢的检测方法、系统、电子设备及存储介质与流程

摘要: 本技术涉及核燃料表面状态检测,尤其涉及一种燃料棒表面污垢的检测方法、系统、电子设备及存储介质。背景技术:1、核燃料组件在反应堆内长期服役过程中,燃料棒包壳表面可...
燃料棒表面污垢的检测方法、系统、电子设备及存储介质与流程

本技术涉及核燃料表面状态检测,尤其涉及一种燃料棒表面污垢的检测方法、系统、电子设备及存储介质。

背景技术:

1、核燃料组件在反应堆内长期服役过程中,燃料棒包壳表面可能形成灰褐色污垢沉积,其分布范围、颜色及纹理状态能够反映燃料组件的运行情况。为准确掌握污垢沉积程度,需要对燃料棒表面状态进行检测和分级,为燃料组件安全评价及检修决策提供依据。

2、现有的核燃料棒表面状态检测依赖于操作人员通过水下耐辐照摄像机观测燃料组件表面,并由检测人员观察燃料组件表面的颜色、形态及污垢分布情况。检测人员根据预先制定的检查标准和个人经验,对观察到的表面痕迹进行分析,进而判断污垢沉积是否处于可接受范围。

3、由于现有技术主要依赖操作人员对采集图像进行人工分析和分级判定,因此污垢检测结果容易受到个人经验及主观判断因素的影响,导致检测结果一致性较差,难以实现燃料棒表面污垢状态的客观、稳定和自动化分级检测。

技术实现思路

1、基于上述现有技术的不足,本技术提供了一种燃料棒表面污垢的检测方法、系统、电子设备及存储介质,以解决现有技术中燃料棒表面污垢检测结果主观性强、难以实现客观准确分级的问题。

2、为了实现上述目的,本技术提供了以下技术方案:

3、本技术第一方面提供了一种燃料棒表面污垢的检测方法,包括:

4、通过耐辐照检查摄像机获取燃料棒表面图像,并对所述燃料棒表面图像进行图像预处理,得到预处理图像;

5、对所述预处理图像进行活性区域定位,得到目标检测区域;

6、从所述目标检测区域中确定颜色特征和纹理特征;

7、将所述颜色特征和所述纹理特征输入到预先训练好的分类模型中,得到分类结果;其中,所述分类模型预先利用多个样本燃料棒表面污垢及对应的污垢类别标签训练得到;所述分类模型至少包括历史样本相似度匹配机制,历史样本相似度匹配机制用于结合历史样本特征库对样本分类结果进行修正;

8、根据所述目标检测区域,确定污垢面积、颜色差异和纹理参数;

9、根据所述污垢面积、所述颜色差异和所述纹理参数,对所述分类结果进行异常判定,得到燃料棒表面污垢检测结果。

10、可选地,在上述的燃料棒表面污垢的检测方法中,所述对所述燃料棒表面图像进行图像预处理,得到预处理图像,包括:

11、对所述燃料棒表面图像进行自适应直方图均衡化处理,得到第一增强图像;

12、对所述第一增强图像进行高斯滤波处理,得到降噪图像;

13、对所述降噪图像进行伽马校正处理,得到所述预处理图像。

14、可选地,在上述的燃料棒表面污垢的检测方法中,所述对所述预处理图像进行活性区域定位,得到目标检测区域,包括:

15、将所述预处理图像输入至语义分割网络中,并通过语义分割网络中的编码器对所述预处理图像进行逐级特征提取,得到不同分辨率的多尺度特征图;

16、通过所述编码器根据跳跃连接结构,对所述多尺度特征图进行融合,得到燃料棒区域分割结果;

17、根据所述燃料棒区域分割结果,识别所述预处理图像中的结构定位特征;

18、根据所述结构定位特征确定燃料棒活性区域;

19、从所述燃料棒区域分割结果中提取所述燃料棒活性区域,并从所述燃料棒活性区域排除非检测区域,得到所述目标检测区域。

20、可选地,在上述的燃料棒表面污垢的检测方法中,所述从所述目标检测区域中确定颜色特征和纹理特征,包括:

21、将所述目标检测区域由rgb颜色空间转换至hsv颜色空间,并根据h、s、v三个颜色通道,计算颜色统计特征;其中,所述颜色统计特征至少包括各个颜色通道的均值和标准差;

22、统计所述h颜色通道处于预设色调区间的像素占比,根据所述像素占比和所述颜色统计特征,确定颜色特征;

23、分别计算多个预设方向的纹理统计特征;其中,所述纹理统计特征至少包括各个所述预设方向的均值和标准差;

24、采用局部二值模式算子提取所述目标检测区域的局部纹理特征;

25、融合所述纹理统计特征和所述局部纹理特征,得到纹理特征。

26、可选地,在上述的燃料棒表面污垢的检测方法中,所述分类模型的训练方法,包括:

27、获取核燃料棒表面污垢专项数据集和初始分类模型;其中,所述核燃料棒表面污垢专项数据集包括多个燃料棒表面污垢样本及其对应的污垢类别标签;

28、根据所述污垢类别标签调整所述初始分类模型的分类输出层,得到待训练分类模型;

29、对所述燃料棒表面污垢样本进行增强处理,得到增强训练样本,并利用所述增强训练样本对所述待训练分类模型进行迁移学习训练,得到分类模型;

30、将所述增强训练样本输入所述分类模型中,并通过所述分类模型提取所述增强训练样本对应的融合特征向量;

31、计算所述融合特征向量与历史样本特征库中各个类别代表向量之间的余弦相似度,根据各个所述余弦相似度,从所述历史样本特征库确定出多个类别;

32、利用各个所述类别对所述分类模型的输出置信度进行修正,得到训练好的分类模型。

33、可选地,在上述的燃料棒表面污垢的检测方法中,所述根据所述目标检测区域,确定污垢面积、颜色差异和纹理参数,包括:

34、统计所述目标检测区域中污垢像素数,并根据所述污垢像素数与所述目标检测区域的总像素数的比例确定所述污垢面积;

35、从所述纹理统计特征中提取多个所述预设方向对应的均值,并将所述均值确定为纹理参数;

36、分别获取污垢区域与标准区域在所述h、s、v三个颜色通道中的颜色直方图;其中,所述污垢区域由所述污垢像素构成;

37、分别计算各个所述颜色直方图之间的巴氏距离,得到各个所述颜色直方图对应的通道颜色差异;

38、从各个所述通道颜色差异中确定最大通道颜色差异,并将所述最大通道颜色差异确定为所述颜色差异。

39、可选地,在上述的燃料棒表面污垢的检测方法中,所述根据所述污垢面积、所述颜色差异和所述纹理参数,对所述分类结果进行异常判定,得到燃料棒表面污垢检测结果,包括:

40、分别判断所述污垢面积、所述颜色差异及所述纹理参数是否超过对应的预设阈值;

41、当所述污垢面积、所述颜色差异及所述纹理参数中至少一项超过对应的预设阈值时,确定所述分类结果对应的污垢状态为异常状态。

42、当所述污垢面积、所述颜色差异及所述纹理参数均不满足对应的异常判定条件时,确定所述分类结果对应的污垢状态为正常状态;

43、根据所述污垢状态,生成燃料棒表面污垢检测结果。

44、本技术第二方面提供了一种燃料棒表面污垢的检测系统,包括:

45、耐辐照检查摄像机,用于采集燃料棒表面图像;

46、照明模块,用于为所述耐辐照检查摄像机提供照明;

47、控制机箱,用于控制所述耐辐照检查摄像机和所述照明模块完成图像采集;

48、工控一体机,分别与所述耐辐照检查摄像机和所述控制机箱连接,所述工控一体机包括:

49、图像预处理模块,用于获取所述耐辐照检查摄像机采集的燃料棒表面图像,并对所述燃料棒表面图像进行图像预处理,得到预处理图像;

50、区域分割模块,用于对所述预处理图像进行活性区域定位,得到目标检测区域;

51、特征提取模块,用于从所述目标检测区域中确定颜色特征和纹理特征;

52、分类判定模块,用于将所述颜色特征和所述纹理特征输入到预先训练好的分类模型中,得到分类结果,其中,所述分类模型预先利用多个样本燃料棒表面污垢及对应的污垢类别标签训练得到,所述分类模型至少包括历史样本相似度匹配机制,所述历史样本相似度匹配机制用于结合历史样本特征库对样本分类结果进行修正,并用于根据所述目标检测区域确定污垢面积、颜色差异和纹理参数,以及用于根据所述污垢面积、所述颜色差异和所述纹理参数,对所述分类结果进行异常判定,得到燃料棒表面污垢检测结果。

53、本技术第三方面提供了一种电子设备,包括:

54、存储器和处理器;

55、其中,所述存储器用于存储程序;

56、所述处理器用于执行所述程序,所述程序被执行时,具体用于实现如上述任意一项所述的一种燃料棒表面污垢的检测方法。

57、本技术第四方面提供了一种计算机存储介质,用于存储计算机程序,所述计算机程序被处理器执行时,用于实现如上述任意一项所述的一种燃料棒表面污垢的检测方法。

58、本技术提供的一种燃料棒表面污垢的检测方法,通过耐辐照检查摄像机获取燃料棒表面图像,并对燃料棒表面图像进行图像预处理,得到预处理图像,其次对预处理图像进行活性区域定位,得到目标检测区域,然后从目标检测区域中确定颜色特征和纹理特征,接着将颜色特征和纹理特征输入到预先训练好的分类模型中,得到分类结果,其中,分类模型预先利用多个样本燃料棒表面污垢及对应的污垢类别标签训练得到,分类模型至少包括历史样本相似度匹配机制,历史样本相似度匹配机制用于结合历史样本特征库对样本分类结果进行修正,再根据目标检测区域,确定污垢面积、颜色差异和纹理参数,最后根据污垢面积、颜色差异和纹理参数,对分类结果进行异常判定,得到燃料棒表面污垢检测结果。从而通过对燃料棒表面图像进行预处理和活性区域定位,确定颜色特征、纹理特征及目标检测区域,再利用分类模型及历史样本相似度匹配机制修正分类结果,并结合污垢面积、颜色差异和纹理参数进行异常判定,从而提高检测结果的客观性、一致性及分级准确性。