(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910159476.2
(22)申请日 2019.03.04
(71)申请人 华北电力大学
地址 102206 北京市昌平区北农路2号
(72)发明人 郭张鹏 吴之望 刘胜 贾楠
严帝骄 王超椅 牛风雷 陆道纲
(51)Int.Cl.
G06T 7/00(2017.01)
G01N 21/88(2006.01)
(54)发明名称
(57)摘要
本发明公开了一种基于深度学习的核燃料
骤1：图像采集，步骤2：图像预处理，步骤3：训练
模型，步骤4：模型评估。本发明针对核燃料棒外
观缺陷检测任务，采用高清微距相机进行数据采
集和检测，并且设计小目标检测神经网络，配合
目标检测框架Faster R -CNN，使得对核燃料棒外
观缺陷检测任务的效率和准确率大大提高。权利要求书2页 说明书4页 附图3页CN 110097534 A 2019.08.06
C N 110097534
A
1.一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于，所述方法包括通过相机获得核燃料棒外观图片，并通过深度学习的方法进行缺陷检测。
2.根据权利要求1所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于所采用的相机为高清微距相机。
3.根据权利要求1所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于所述核燃料棒为压水堆核燃料棒。
4.根据权利要求1所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于所述检测方法包括4个步骤：
步骤1：图像采集；
步骤2：图像预处理；
步骤3：训练模型；
步骤4：模型评估。
5.根据权利要求4所述的所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于图像预处理包括对图片大小裁剪，数据增强，数据标注。
6.根据权利要求4所述的所述的一种基于深度学习的核燃料棒外观缺陷检测方法，其特征在于训练模型中还包括(1)神经网络的构建；(2)激活函数的选取；(3)损失函数的选取。 (1)神经网络的构建：
第一层卷积选择5×5的卷积核，卷积核个数为64，步长为1，填充为2，池化层选择3×3的池化，步长为2；
第一个残差块数量为3，里面的三个卷积层分别为1×1，64维，3×3，64维，1×1,256维；第二个残差块数量为4，里面的三个卷积层分别为1×1，128维，3×3，128维，1×1,512维；
第三个残差块数量为23，里面的三个卷积层分别为1×1，256维，3×3，256维，1×1,1024维；
第四个残差块数量为3，里面的三个卷积层分别为1×1，512维，3×3，512维，1×1,2048维；
最后一层设置1×1，1000维的全连接层。
(2)激活函数的选取：
卷积层内部选取Relu激活函数：
f(x)＝max(0,x)
全连接层部分采用Softmax函数将神经元输出映射到(0,
1)区间内：
其中j＝1,…,k。
(3)损失函数的选取：
设置多任务的损失函数：
权 利 要 求 书1/2页2CN 110097534 A
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议