燃料組件四面外觀檢查圖像處理技術研究

章 濟，許小進，葉 琛，謝晨江，王菁華

（國核電站運行服務技術有限公司 設備與維修業務部，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，以防止影響入堆復用，對有異常的組件還要進行啜吸檢查。當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的四路視頻，即對應著組件四個面的視頻。然而，一般人難以長時間地專注于一件事情，而此過程又極其考驗人的注意力和反應速度。鑒于計算機圖像處理和機器學習技術的進步，現在可以通過自動圖像處理技術來補充人工檢查的不足之處，識別更多異常。應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支持下成功開發自己的池邊檢查設備，并已經有10余年的應用經驗。國內某公司通過引進韓國池邊檢查設備，在秦山二期核電站成功應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境的水下圖像處理技術進行研究。文獻[1]采用改進Faster R-CNN模型的卷積層算法，對數據進行訓練，最終得到訓練模型，以假陽率（FPR）和真陽率（TPR）來衡量檢測結果。文獻[1]所述的一種基于深度學習的核燃料棒外觀缺陷檢測方法，是目前熱門的研究方向，與本文的缺陷自動識別技術有較大的相似之處。不同之處在于，本文的訓練圖片來自國核運行自制燃料棒缺陷，包括磨損（深度120 μm、350 μm）、裂紋、環形槽、腫脹、劃痕，以及國內外電廠收集的燃料棒缺陷圖片，此外，本文還使用了真實的國內核電站燃料檢查視頻。因此在實現上與文獻[1]有顯著區別。

文獻[2]利用FSIM 圖像質量評估算法來進行幸運塊選擇，構建時域濾波算法器，再使用基于經驗模型的空間解卷積進行圖像去模糊，實現湍流圖像復原，與本文的水下視頻處理有較大相似。區別在于，本文使用湍流圖像盲反卷積模型，并以共軛梯度數值優化方法交替迭代求解復原圖像。

文獻[3]將水下視頻影像分割成圖像幀文件，然后將其導入圖像識別系統進行識別處理，輸出帶有框選標記的檢測圖像幀。當匹配結果滿足預設條件時，輸出魚類信息。本文受此啟發開始研究水下輻照環境的缺陷智能識別算法，將先進的圖像處理技術用于實現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移期間，在升降機提取燃料的同時，找出燃料組件的外觀問題。每個組件的提升過程只有3 min，即從上管座到下管座的時間，共計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研究，采用人工智能算法的卷積神經網絡、基于小樣本的圖像識別[10]、多特征加速識別技術，最終達到自動識別缺陷的目的。

1 硬件構成

四面外觀檢查系統的硬件主要包括臺架和相機。臺架設計采用上、下板可以滑動壓接、吊運時可隱藏一半高度、中間靠鋼絲繩柔性連接的設計理念[11-12]。臺架可以在乏池區域靈活擺放、移動或永久安裝，相機為4 臺自帶水下燈模塊的水下攝像機，如圖1 所示。該四面檢查裝置安裝在乏燃料水池運輸通道上方，每個攝像機垂直于燃料組件的4個面定向，在升降機提取燃料的同時執行檢查。4個攝像頭中的一個可調節，用于觀察組件底部。相機采用瑞典Ahlberg 公司專為高輻照燃料近距離檢查而開發的Z160 相機，它可以用于四面燃料檢測系統、新燃料升降機等需要高質量彩色高清或標清圖像的環境，分辨率為720 p，可以耐輻照劑量率10 000 Gy·h-1，累計200 000 Gy，鏡頭為10倍光學變焦。相機搭配了用于視頻記錄、存儲、回放的控制柜系統以及監視器和視頻編碼器，支持錄像+live video模式[13-16]。

圖1 四面外觀檢查硬件

2 圖像預處理層

圖像處理軟件通過接口協議同步調取視頻流，再進行圖像處理，對輻照雪花點、水流擾動、高速運動狀態下的特征捕捉等問題進行預先處理[17-19]。處理步驟如圖2 所示。

圖2 軟件架構設計路線圖

圖像預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缺陷檢測模塊造成誤檢和錯檢。預處理層采用Google Camera 的HDR+多幀融合技術[20-23]，區分視頻主體與背景。根據湍流的特性，使用湍流圖像盲反卷積模型，并以共軛梯度數值優化方法交替迭代求解復原圖像，得到一組去除噪聲和熱湍流之后的清晰化視頻。由于湍流的擾動在較為固定的環境下所造成的噪聲尺度相對類似，其信號擾動在頻域上較為穩定，因此通過修正圖像在頻域上的特征可以實現湍流去除，如圖3 所示。將得到的經過處理的圖像，與未經處理的圖像共同呈現，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

現有的燃料棒缺陷圖片在國內數量甚少。針對這一行業痛點，本文設計了小樣本容量的圖像訓練方法，通過數據增強技術來滿足圖像訓練的要求。難點在于，數據太少即意味著圖像訓練過程可能出現過擬合。為了避免此現象的發生，對訓練樣本圖片進行多樣化的幾何變換，如隨機翻轉、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。

樣本對象是國核運行自制的帶缺陷燃料棒，拍攝缺陷圖片作為訓練樣本。拍攝該燃料棒的水下視頻作為測試集。樣本的標注工作均由工作多年且經驗豐富的檢測人員完成。每張圖片標注之后由另一名檢測人員進行復核。對得到的缺陷圖片使用谷歌大腦的AutoML 技術，針對不同的任務，調整圖像增強效果，最后達到為小樣本容量進行圖像增強的效果。

4 圖像識別層

圖像識別層的基礎開發環境是谷歌公司的開源機器學習平臺Tensorflow。通過Python、C++、Opencv、Pytorch 編制程序實現，采用Windows 操作系統、卷積神經網絡、GPU 進行加速運算。經過圖像增強得到的樣本作為整個圖像識別層的輸入。對該樣本進行圖像訓練，直到最后算出可靠的訓練模型。其中，識別框架采用的是卷積神經網絡（Convolutional Neural Networks，CNN）算法[25]，即對深度殘差卷積神經網絡結構ResNet 進行改進，再構建神經網絡結構和設置損失函數。經過了500 輪的訓練迭代，損失函數降低，得到可靠的、精度80%以上的訓練模型。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置為可選擇按鈕。

5 實 驗

對該模型在測試集上進行檢驗。通過遷移學習Transfer learning，把訓練的模型在下位機做輕量化部署，并采用硬件加速識別。本實驗的測試集是一段水下拍攝的帶缺陷的燃料棒視頻。如果檢驗發現模型表現不佳，即不能框選出明顯的自制缺陷，則重新進行圖像訓練。調整訓練的參數以及迭代次數等，直到模型趨于穩定為止。最終該模型在測試集的表現優異，所有缺陷位置均能夠準確標出，而且每組燃料組件延遲小于1 s。

為了能夠更好地驗證該技術，采用一組在國內核電站大修期間拍攝的燃料檢查視頻進行驗證。由于該核電站的燃料組件服役時間較短，只有兩年，因此沒有明顯缺陷。最終結果是，使用該方法，可以在燃料檢查視頻上標出疑似的劃痕，實現每個組件延遲小于1 s 的類同步圖像處理。

6 結語

本圖像處理技術可適用于壓水堆核電站的燃料檢查項目。特別地，針對水下輻照環境的燃料外觀檢查視頻，能夠實現同步圖像處理，輸出帶有框選標記的檢測圖像幀，準確標記疑似缺陷的位置。該技術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險。