一种基于深度学习的核安全壳裂缝检测方法及系统

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裂缝检测方案。

背景技术：

1、传统的化石能源日益短缺，同时大量使用化石燃料产生的污染对生态环境造成的负面影响日益凸显，核能无论从经济上，还是环保上来说，都是一种不可或缺的替代能源。目前核能已成为全球的第二大低碳能源来源，全球约10％的电力由约450个反应堆提供。核电产业对治理大气污染、调整能源结构和转变经济发展模式具有重大意义。

2、核安全壳是核电站中防止反应堆中放射性物质外溢的最后一道屏障，混凝土建造的安全壳尽管密封性和稳定性较好，但安全壳的混凝土墙体长期暴露在外，在长期的阳光照射和含氯离子较高的雨水和海风的侵蚀下，混凝土表面容易碳化。安全壳在自身荷载的作用，其剪力墙表面上也会出现一定程度的开裂。为检查结构强度和抗压情况，核电站会定期对其进行整体打压试验。在打压过程中安全壳内外存在较大的压力差，也会对墙体造成一定影响。因此，安全壳的定期检测和维护成为了核电站安全运行中必不可少的一环。裂缝作为安全壳一项常见的老化损伤，安全壳外观检测中安全壳的裂缝检测也是一项重要指标。

3、早期对于安全壳的裂缝检测大多采用人工目视检测的方法，人工检测方法耗时长、风险高、效率低。为了提高检测效率，数字图像采集技术被应用到建构筑物的缺陷检测中，其中较为成功的应用是法国sites公司开发的远程缺陷检测系统scanite和武汉大学的cedis系统，其中cedis系统不仅实现了远程拍摄，还实现了路线自动规划和自动化拍摄。cedis系统在我国多个核电站投入使用。实现了对安全壳表面图像的远程采集，但还未实现对观测图像的自动化处理。

4、随着科学的发展和技术的更新，数字图像处理技术被广泛应用在生活和工作中。与人工标注的方法相比，这种方法具有再现性好、精度高、灵活性高等特点。

5、基于数字图像处理的检测技术具有检测速度快，检测便捷等优势，渐渐取代了人工检测的方法。但是利用传统数字图像处理的方法进行裂缝检测十分依赖算法设计者的经验，检测结果受到光照、角度、变形等因素产生的噪声影响较为明显，导致检测的精度不高、鲁棒性较差。

6、综上所述，对于安全壳裂缝检测，迫切需要一种高效准确的检测方法。

技术实现思路

1、本发明目的在于，提供一种基于深度学习的核安全壳裂缝检测方案，以解决核安全壳裂缝检测的效率和检测精度问题。直接处理观测图像分割裂缝，工作量较大，且其他一些噪声的干扰也会影响裂缝的分割效果。所以本发明提出了基于深度学习的两阶段安全壳裂缝分割方法，首先通过分类网络提前将带有裂缝的图像筛选出来，然后再利用分割网络提取裂缝，从而实现安全壳裂缝的高效、高精度地分割。

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裂缝检测方法，包括以下步骤，

3、步骤1，采用远程采集系统自动采集核安全壳外观图像数据并进行预处理，挑选并标注包含裂缝的图像，建立安全壳裂缝识别数据集和裂缝分割数据集；

4、步骤2，构建深度学习模型，包括搭建安全壳裂缝识别网络模型和安全壳裂缝分割网络模型，所述安全壳裂缝分割模型在u-net卷积神经网络的基础上，加入注意力机制模块和空洞空间金字塔池化模块，利用注意力机制突显需要重点关注的区域，同时抑制无关区域上特征的激活来提高模型灵敏度和准确性，加入空洞空间金字塔池化模块优化对局部信息与全局信息的提取，增强图像获取上下文信息和多尺度信息的能力；

5、步骤3，利用安全壳裂缝识别数据集和裂缝分割数据集，对安全壳裂缝识别网络模型和安全壳裂缝分割网络模型分别进行训练；

6、步骤4，利用训练得到的安全壳裂缝识别网络模型和安全壳裂缝分割网络模型，依次对安全壳外观图像的裂缝进行识别和分割；实现方式如下，

7、首先将待检测的核安全壳图像输入到安全壳裂缝识别网络模型中，筛选出存在裂缝的图像；

8、再将筛选出来的含有裂缝的图像，输入到安全壳裂缝分割网络模型中进行处理，将图中核安全壳裂缝标记出来。

9、而且，步骤1的实现方式如下，

10、(1)首先在安全壳附近地面布设控制网，根据地形规划拍摄方案，采用单反相机与云台设备构成的采集设备远距离快速自动采集外观高分辨率影像；

11、(2)得到原始采集影像后，根据采集点坐标与内外方位元素，将倾斜影像进行纠正、拼接、重采样裁剪，得到大小一致、分辨率统一的正摄影像，形成安全壳外观全景图；

12、(3)将安全壳外观图像分为存在裂缝和不存在裂缝两类构建裂缝识别数据集，将带有裂缝的图像中的裂缝标记出来，构建裂缝分割数据集。

13、而且，所述安全壳裂缝识别网络采用inception v3实现。

14、而且，所述安全壳裂缝识别网络采用解码-编码的结构，共包括四个encode层和四个decode层，每个encode层处理的结果分别传向下一个encode层和同一级的ag+模块，每个decode层处理的结果分别传向下一个decode层和下一级的ag+模块，最后一个encode层依次连接一个卷积模块和aspp模块后分别与同一级的ag+模块、第一个decode层相连。

15、而且，所述aspp模块由一个1×1的卷积和三个不同空洞率的空洞卷积以及图像池化模块image pooling组成，image pooling包含一个平均池化pooling、一个1×1卷积conv以及一个上采样层upsample，空洞卷积采用的空洞率rate分别为6、12、18，aspp模块最后对多个空洞卷积和池化处理的结果进行合并然后输入1×1的卷积层中，得到输出。

16、而且，所述ag+模块，采用并行结构，有两个输入和一个输出，其中一个输入是来自同一编码层的输出特征xl，第二个输入是来自解码层的输入特征g，

17、一个分支是将解码层的输入特征g和编码层的输出特征xl分别输入一个1×1的卷积，然后将结果相加输入到relu激活函数，再经过一个1×1卷积层和sigmoid激活函数，得到加性注意力系数；

18、另一个分支是将解码层的输入特征g和编码层的输出特征xl分别输入一个1×1的卷积，然后将结果相乘并将结果输入到relu激活函数，再经过一个1×1卷积层和sigmoid激活函数，得到点乘注意力系数；

19、最后将两个分支得到结果相加再与编码层的输出特征xl相乘，以增强感兴趣的裂缝信息。

20、而且，安全壳裂缝识别网络模型的训练采用迁移学习方式实现；安全壳裂缝分割网络模型训练过程采用adam优化算法，并采用多项式steplr作为学习率调度器，防止模型过拟合。

21、另一方面，本发明还提供一种基于深度学习的核安全壳裂缝检测系统，用于实现如上所述的一种基于深度学习的核安全壳裂缝检测方法。

22、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裂缝检测方法。

23、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裂缝检测方法。

24、本发明的一种新型的基于深度学习的安全壳裂缝分割方法，对裂缝采用两阶段的检测，可实现高效率、高精度的核安全壳表面图像上的裂缝的分割，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。

25、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。