芯块裂纹细粒度分类方法、装置、计算设备及程序产品

本发明涉及机器视觉及深度学习，尤其涉及一种芯块裂纹细粒度分类方法、芯块裂纹细粒度分类装置、计算设备及程序产品。

背景技术：

1、核燃料芯块为烧结的二氧化铀(uo2)陶瓷基体，其中滞留了核裂变产生的98％以上放射性物质。芯块是组成棒状燃料元件的最小单元，是核反应堆中不可或缺的组成部分，其质量和性能对于核反应堆的安全运行和性能发挥具有重要影响。在核燃料芯块的制备过程中，需要经过一系列复杂的工艺步骤，包括预压与成型压制、芯块烧结和芯块磨削等，由于温度、压力以及其他不可控因素，其表面可能会出现各种质量缺陷，如破损、掉块、裂纹等，这些缺陷不仅会影响芯块的性能，还可能对核反应堆的安全运行构成威胁。

2、在核燃料芯块的众多缺陷中，裂纹是一种常见且难以用肉眼直接观察到的缺陷。裂纹的出现可能是材料内部应力、温度变化、化学腐蚀等多种因素导致的，因此裂纹的细粒度具有较强的差异性，主要包括裂纹尺寸、方向和形态上的差异。由于裂纹的存在会削弱芯块的机械强度，增加其断裂的风险，因此，对核燃料芯块柱面裂纹的识别和分类显得尤为重要。

3、传统的核燃料芯块裂纹检测方法主要依赖于人工目视检查，这种方法存在诸多局限性。首先，人工目视检查难以定量评价裂纹的形态、方向和尺寸，其准确性较低，受人为因素的影响较大。其次，人工目视检查需要耗费大量的人力和时间，效率较低。此外，对于某些微小的裂纹，人工目视检查可能无法发现，存在漏检的风险。

4、因此，需要一种芯块裂纹细粒度分类方法，来解决上述技术方案中存在的问题。

技术实现思路

1、为此，本发明提供一种芯块裂纹细粒度分类方法及装置，以解决或至少缓解上面存在的问题。

2、根据本发明的一个方面，提供一种芯块裂纹细粒度分类方法，在计算设备中执行，包括：获取目标芯块柱面图像；通过裂纹定位模型，对目标芯块柱面图像中的目标裂纹进行标定，得到目标裂纹标定图像，其中，所述裂纹定位模型是基于具有样本裂纹标注信息的样本裂纹标注图像，对集成有特征融合模块的改进yolov8模型进行训练得到的；对所述目标裂纹标定图像进行处理，得到目标裂纹区域图像；通过裂纹细粒度分类模型，对目标裂纹区域图像中的目标裂纹进行细粒度分类，得到目标裂纹分类结果，所述目标裂纹分类结果用于指示所述目标裂纹的形态、方向、尺寸，其中，所述裂纹细粒度分类模型是基于样本裂纹区域图像，对集成有注意力模块的改进resnet分类模型进行训练得到的。

3、可选地，在根据本发明的芯块裂纹细粒度分类方法中，还包括：获取样本芯块柱面图像，对所述样本芯块柱面图像中的样本裂纹进行标注，得到具有样本裂纹标注信息的样本裂纹标注图像；基于所述样本裂纹标注图像，对集成有特征融合模块的改进yolov8模型进行训练，以得到裂纹定位模型。

4、可选地，在根据本发明的芯块裂纹细粒度分类方法中，还包括：通过所述裂纹定位模型，对样本芯块柱面图像中的样本裂纹进行标定，得到样本裂纹标定图像；对所述样本裂纹标定图像进行处理，得到样本裂纹区域图像；基于所述样本裂纹区域图像，对集成有注意力模块的改进resnet分类模型进行训练，以得到裂纹细粒度分类模型。

5、可选地，在根据本发明的芯块裂纹细粒度分类方法中，对所述样本裂纹标定图像进行处理，得到样本裂纹区域图像，包括：对所述样本裂纹标定图像进行裁剪，得到样本裂纹区域初始图像；利用非局部均值去噪算法，对所述样本裂纹区域初始图像进行去噪，得到样本裂纹区域去噪图像；将所述样本裂纹区域初始图像和所述样本裂纹区域去噪图像，作为样本裂纹区域图像。

6、可选地，在根据本发明的芯块裂纹细粒度分类方法中，所述裂纹定位模型包括依次耦接的特征提取模块、上采样模块、特征融合模块、处理模块、检测模块；通过裂纹定位模型，对目标芯块柱面图像中的目标裂纹进行标定，得到目标裂纹标定图像，包括：将目标芯块柱面图像输入裂纹定位模型中，通过所述特征提取模块，对所述目标芯块柱面图像进行特征提取，以得到所述目标芯块柱面图像对应的第一尺度特征图像和第二尺度特征图像，其中第二尺度大于第一尺度；通过所述上采样模块，对所述第一尺度特征图像进行上采样处理，得到对应的第二尺度上采样特征图像；通过所述特征融合模块，将所述第二尺度上采样特征图像与所述第二尺度特征图像进行连接，以将所述第二尺度上采样特征图像和所述第二尺度特征图像在通道维度上进行堆叠，并合并所述第二尺度上采样特征图像和所述第二尺度特征图像的特征信息，得到第二尺度融合特征图像；通过所述处理模块，对所述第二尺度融合特征图像进行处理，以从所述第二尺度融合特征图像中进一步提取特征并进行融合，得到第二尺度增强特征图像；通过所述检测模块，从所述第二尺度增强特征图像中识别目标裂纹并进行标定，得到目标裂纹标定图像并输出。

7、可选地，在根据本发明的芯块裂纹细粒度分类方法中，所述裂纹细粒度分类模型包括注意力模块和分类模块，所述注意力模块包括通道注意力模块和空间注意力模块；通过裂纹细粒度分类模型，对目标裂纹区域图像中的目标裂纹进行细粒度分类，包括：通过所述通道注意力模块，对所述目标裂纹区域图像进行通道注意力操作，得到第一特征图像，并将所述第一特征图像与所述目标裂纹区域图像进行逐像素相乘，得到通道注意力特征图像；通过所述空间注意力模块，对所述通道注意力特征图像进行空间注意力操作，得到第二特征图像，并将所述第二特征图像与所述通道注意力特征图像进行逐像素相乘，得到空间注意力特征图像；通过所述分类模块，基于空间注意力特征图像，对所述目标裂纹进行细粒度分类，得到目标裂纹分类结果并输出。

8、可选地，在根据本发明的芯块裂纹细粒度分类方法中，对所述目标裂纹区域图像进行通道注意力操作，得到第一特征图像，包括：对所述目标裂纹区域图像，进行平均池化和最大池化，得到对应的第一平均池化特征图像和第一最大池化特征图像；对所述第一平均池化特征图像和第一最大池化特征图像进行拼接，得到第一拼接特征图像；对所述第一拼接特征图像进行卷积操作和激活操作，得到第一特征图像；对所述通道注意力特征图像进行空间注意力操作，得到第二特征图像，包括：对所述通道注意力特征图像，进行平均池化和最大池化，得到对应的第二平均池化特征图像和第二最大池化特征图像；对所述第二平均池化特征图像和第二最大池化特征图像进行拼接，得到第二拼接特征图像；对所述第二拼接特征图像进行卷积操作和激活操作，得到第二特征图像。

9、可选地，在根据本发明的芯块裂纹细粒度分类方法中，对所述样本芯块柱面图像中的样本裂纹进行标注，得到具有样本裂纹标注信息的样本裂纹标注图像，包括：利用lablimg标注工具，对所述样本芯块柱面图像中的样本裂纹进行标注，得到具有样本裂纹标注信息的样本裂纹标注图像。

10、可选地，在根据本发明的芯块裂纹细粒度分类方法中，所述芯块为核燃料芯块。

11、根据本发明的一个方面，提供一种芯块裂纹细粒度分类装置，部署在计算设备中，所述装置包括：获取单元，适于获取目标芯块柱面图像；标定单元，适于通过裂纹定位模型，对目标芯块柱面图像中的目标裂纹进行标定，得到目标裂纹标定图像，其中，所述裂纹定位模型是基于具有样本裂纹标注信息的样本裂纹标注图像，对集成有特征融合模块的改进yolov8模型进行训练得到的；处理单元，适于对所述目标裂纹标定图像进行处理，得到目标裂纹区域图像；分类单元，适于通过裂纹细粒度分类模型，对目标裂纹区域图像中的目标裂纹进行细粒度分类，得到目标裂纹分类结果，所述目标裂纹分类结果用于指示所述目标裂纹的形态、方向、尺寸，其中，所述裂纹细粒度分类模型是基于样本裂纹区域图像，对集成有注意力模块的改进resnet分类模型进行训练得到的。

12、根据本发明的一个方面，提供一种计算设备，包括：至少一个处理器；存储器，存储有程序指令，其中，程序指令被配置为适于由上述至少一个处理器执行，所述程序指令包括用于执行如上所述的芯块裂纹细粒度分类方法的指令。

13、根据本发明的一个方面，提供一种计算机程序产品，包括计算机程序/指令，其中，所述计算机程序/指令被处理器执行时实现如上所述的方法。

14、根据本发明的一个方面，提供一种存储有程序指令的可读存储介质，当该程序指令被计算设备读取并执行时，使得该计算设备执行如上所述的芯块裂纹细粒度分类方法。

15、根据本发明的技术方案，提供了一种芯块裂纹细粒度分类方法，预先基于具有样本裂纹标注信息的样本裂纹标注图像，对集成有特征融合模块的改进yolov8模型进行训练得到裂纹定位模型，基于样本裂纹区域图像对集成有注意力模块的改进resnet分类模型进行训练得到裂纹细粒度分类模型，这样，可通过裂纹定位模型对目标芯块柱面图像中的目标裂纹进行标定，得到目标裂纹标定图像，随后，通过对目标裂纹标定图像进行处理可得到目标裂纹区域图像，进而，通过裂纹细粒度分类模型对目标裂纹区域图像中的目标裂纹进行细粒度分类，能够得到指示目标裂纹的形态、方向、尺寸的目标裂纹分类结果。基于此，能够实现对目标裂纹进行形态、方向、尺寸等方面的细粒度分类，且能够提高对芯块裂纹检测和分类的准确度和效率，进而能够提高芯块生产质量。

16、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。