基于深度学习的核安全壳缺陷检测定位方法及系统

本发明属于核电站安全壳检测领域，尤其涉及一种基于深度学习的核安全壳缺陷检测和可视化定位方案。

背景技术：

1、传统的化石能源正逐渐枯竭，同时其使用导致的污染对生态环境产生日益严重的负面影响。在这样的情况下，核能成为一种不可或缺的替代能源，不仅在经济上有优势，而且对环境有着显著的保护作用。核能目前已成为全球第二大低碳能源来源，约有10％的电力来自约450个核反应堆。发展核电产业对于解决大气污染问题、调整能源结构以及转变经济发展模式具有重要意义。通过采用核能，可以减少对有限的化石能源的依赖，延长其可持续利用期限，并减少温室气体和其他有害物质的排放，从而降低对气候变化和环境破坏的影响。核电站在长时间的运行后，由于安全壳内在的张力、阳光的长期照射和海风的侵蚀，安全壳外观会出现一些缺陷。出现损伤后，海风和雨水会进一步侵蚀深层的混凝土。为了防止安全壳外观出现重大缺陷，及时有效地加固外观损伤是必不可少的，外观加固的首要任务是外观缺陷识别。

2、在过去，对于安全壳的裂缝检测主要依赖于人工目视检测，这种方法存在一系列问题，包括耗时长、风险高和效率低。由于人工检测需要长时间在高空和高温环境中工作，增加了人员的安全风险。同时，人工目视检测的效率受到人员经验和疲劳程度等因素影响，可能导致遗漏或误判缺陷。为了提高安全壳缺陷检测的效率和准确性，图像处理技术被引入。该方法通过对安全壳表面的图像进行分析和处理，可以较为高效地提取裂缝等缺陷信息。然而，这种方法在一定程度上受到光照条件的限制，例如光照不足或光照强烈时，可能影响图像质量和检测准确性。

3、随着科技的发展和人工智能的兴起，人工智能技术，如深度学习和计算机视觉，为解决这一问题提供了全新的可能性。目前，基于深度学习的安全壳缺陷检测的自动化方法主要集中在裂缝这一类缺陷的检测上。然而，安全壳可能存在多种缺陷类型，如钢筋裸露、修补等，这些缺陷同样需要及时准确地被检测和识别。

4、综上所述，对于安全壳的缺陷检测，迫切需要一种更加全面和高效准确的检测方法。

技术实现思路

1、本发明的目的是解决核电站在运营过程中对安全壳外观检查的难题。传统的检查方法需要人员在高空进行目视检查和手动标记缺陷，不仅成本高，而且存在较高的风险。为了克服这些限制，本发明提出了一套远程采集方案，旨在实现安全壳高清影像的自动采集。通过构建安全壳缺陷检测模型对安全壳外观的三类损伤(包括钢筋裸露、裂缝和修补)进行快速且准确的检测。通过采集的图像构建了安全壳的平面展开图，并在展开图上标记了检测到的缺陷，直观地展示了安全壳的损伤情况。实现了对安全壳缺陷的全面、高效和准确的检测，从而为核电站提供更好的安全保障，降低检查成本和风险，同时提高核电站的运营效率和安全性。

2、为了实现上述目的，本发明提出的技术方案包括一种基于深度学习的核安全壳缺陷检测定位方法，包括以下步骤，

3、采用远程采集设备自动采集核安全壳外观图像数据；

4、对采集的图像进行预处理，生成安全壳全景展开图；

5、挑选含有缺陷的图像并进行标注，构建安全壳缺陷数据集；构建安全壳缺陷检测模型，利用安全壳缺陷数据集，对安全壳缺陷检测模型进行训练；然后利用训练得到的模型，对安全壳外观图像进行检测；所述安全壳缺陷模型结合yolo v5和focal next模块提升模型的特征提取能力，并加入注意力机制抑制非目标元素的干扰，同时增加检测头提升对小目标的检测能力，所述小目标包括钢筋裸露；

6、在安全壳全景展开图中显示检测的结果，包括使用训练好的安全壳缺陷检测模型对待检测的安全壳局部图像进行检测，反算出缺陷在全景展开图上的坐标；最后再在全景展开图上标注检测的结果，实现核安全壳缺陷可视化定位。

7、而且，自动采集核安全壳外观图像数据的实现方式如下，

8、首先需要对设备进行标注，确定云台的水平位置和相机的内外方位元素，为后续的图像纠正提供相机的位姿参数；

9、围绕安全壳布设一条闭合导线或附和导线，完成整个坐标基准的建立；利用全站仪无棱镜模式测量安全壳表面点坐标并进行圆拟合，并建立起安全壳的几何方程；

10、生成摄影采集方案，根据当前架站点坐标、定向点坐标、当前站的左右边界和安全壳方程，计算出起始摄影时的竖直角度、水平旋转角度和瞬时摄影距离。再根据影像重叠度指标计算水平旋转间隔角度和竖直角度。

11、自动定向，为了统一不同架站点位上的坐标系，进行摄影设备的零方向归算；在已知点上架设棱镜作为定向点，软件驱动摄影设备自动照准棱镜中心，记录下此时的方向；

12、零方向归算完成后，采集设备根据摄影采集方案旋转至指定的二维起始方向，根据摄影采集方案中设定的二维旋转角度间隔进行连续旋转拍照，竖向蛇形采集安全壳外观影像。

13、而且，生成安全壳全景展开图的实现方式如下，

14、采用正解法，计算图片再展开图上对应的范围；

15、采用反解法，计算对应范围内的点，所对应的图像坐标，提取对应坐标的灰度值映射到展开图上。

16、而且，所述安全壳缺陷检测模型包括backbone、neck、head部分，backbone由cbs模块、focal next模块、sppf模块组成，cbs包括一个标准的卷积层一个bn layer以及silu激活函数，sppf模块是对前面conv模块和c3模块处理得到的不同尺度的特征图进行融合；

17、neck使用的是fpn+pan结构，构建了自顶向下和自底向上双向融合的路径，充分结合浅层的语义信息和深层的定位信息，增强了neck模块的特征融合的能力；在neck中输入head前的c3模块中引入了注意力机制，构成c3-ca模块，以抑制非目标元素的干扰，提高模型对目标的识别能力；

18、detect由4个检测层组成，分别从neck中获取了不同尺寸的特征图，以检测不同大小的目标，各个检测层的输出结果经过非极大值抑制，最后得到物体的预测边界框和类别；

19、最后，在损失函数的选择上，采用xiou损失替代ciou损失。

20、而且，所述的focal next模块，由两个7×7的深度卷积层dconv和两个1×1的卷积层conv2d组成，主体上是依次连接，整个结构中还采用了三个跳跃连接分别将输入与最后一个1×1卷积的数据结果，输入与第一个深度卷积层的输出结果，第一个深度卷积层的输出结果和第二个深度卷积层的输出结果相连；其中第二个深度卷积层采用空洞卷积，在第一个1×1的卷积层后采用gelu激活函数。

21、而且，所述c3-ca模块，在c3中加入coordinateattention注意力机制，增强模型的抗干扰能力，coordinate attention采用两个并行分支结构，首先，分别在宽和高方向进行平均池化，然后将得到的特征进行转置叠加，并进行卷积处理；接着，将卷积处理的结果按照宽和高进行分离，再分别经过一个1×1卷积层和sigmoid激活函数来获得高和宽维度的注意力信息；最后，将这两个得到的注意力信息在高和宽方向进行拓展并相乘，得到最终的注意力信息。

22、而且，所述的xiou损失，采用exponential函数代替反正切函数，用于比较目标框宽高比和预测框宽高比的关系。

23、另一方面，提供一种基于深度学习的核安全壳缺陷检测定位系统，用于实现如上所述的一种基于深度学习的核安全壳缺陷检测定位方法。

24、而且，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度学习的核安全壳缺陷检测定位方法。

25、或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度学习的核安全壳缺陷检测定位方法。

26、另一方面，本发明还提供一种基于深度学习的核安全壳缺陷检测和可视化显示系统，用于实现如上所述的一种基于深度学习的核安全壳缺陷检测和可视化定位方法。

27、而且，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度学习的核安全壳缺陷检测和可视化定位方法。

28、或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度学习的核安全壳缺陷检测和可视化定位方法。

29、本发明的一种基于深度学习的核安全壳缺陷检测和可视化定位方法，安全壳表面图像上的缺陷进行了检测和定位，减少了检测过程的人员工作量，提高了检测效率和检测精度。

30、本发明针对核安全壳缺陷检测的特殊性构建安全壳缺陷检测模型，包括多方面的改进：1、更换特征提取网络的主干，采用了focal next模块2、引入了ca注意力模块，设计了c3-ca模块。3、增加了检测图，采用了4个检测头(相应的骨干网络和颈部网络多了一个分支)。

31、本发明方案实施简单方便，实用性强，解决了相关技术存在的实用性低及实际应用不便的问题，能够提高用户体验，具有重要的市场价值。