【技术实现步骤摘要】
本专利技术涉及核燃料元件检测，具体而言，涉及一种用于核燃料元件的实时缺陷检测方法。
技术介绍
1、核燃料元件是核反应堆最为核心和关键的部件，其结构完整性是直接影响核反应堆技术状态的关键之一。燃料元件的结构完整性问题，对核燃料的抗腐蚀性、抗冲击性、传热性能存在明显影响，还会引起燃料元件缺陷迁移、破损和泄露等问题，导致放射性物质泄露。因此，对燃料元件进行结构完整性检测是保障反应堆安全运行不可或缺的步骤。
2、对于燃料元件缺陷检测，其目标是通过图像特征来识别缺陷信息。而缺陷信息具有以下特征：未知性：缺陷信息具有未知的突发行为、数据结构和分布；异构性：缺陷通常是不规则的；类别不均衡性：正常数据会占数据的绝大部分，而包含缺陷的数据相对较少。
3、目前主要采取常规的人工方式进行缺陷识别，而在批量检测中将产生大量检测数据，存在效率低、易漏检、主观因素影响等情况。随着计算机技术的发展，出现了利用智能算法自动检测燃料元件的方法，例如存在诸多监督学习方法被应用于异常检测并具有良好的效果，然而在燃料元件缺陷检测中难以获取大量标记数据集，会对检测结果造成影响。
技术实现思路
1、本专利技术在于提供一种用于核燃料元件的实时缺陷检测方法，其能够解决上述问题。
2、为了解决上述的问题，本专利技术采取的技术方案如下：
3、本专利技术提供了一种用于核燃料元件的实时缺陷检测方法，包括以下步骤：
4、s1、将待检测的核燃料元件图像输入预训练的基于ncsn网络的
5、s2、利用基于k-means算法的缺陷筛选网络，根据ncsn多级损失从待检测的核燃料元件图像中筛选出缺陷图像；
6、s3、利用ncsn网络对缺陷图像进行图像重构，获取基于缺陷图像去除缺陷的重构图像，并计算缺陷图像和重构图像的残差图，利用otsu阈值分割，定位缺陷位置。
7、作为上述技术方案的进一步描述：通过计算不同等级噪声下核燃料元件图像的分数损失，训练基于ncsn网络的缺陷检测模型；用到的损失函数为：
8、
9、其中，第一项为模型sθ(x)输出的估计分数函数，第二项为真实分数函数，损失函数为模型输出的得分与真实得分之间的平方欧几里得距离。
10、作为上述技术方案的进一步描述：基于ncsn网络的缺陷检测模型的网络噪声等级共10级。
11、作为上述技术方案的进一步描述：步骤s2中，从ncsn多级损失中选取噪声等级为5、6、7、8的损失作为缺陷筛选网络的输入。
12、作为上述技术方案的进一步描述：在步骤s2的k-means算法的流程中，将聚类的类别数设置为2，分别代表正常图像集合和缺陷图像集合，且每次进行聚类的待检测的核燃料元件图像数设置为1。
13、作为上述技术方案的进一步描述：在步骤s2的k-means算法的流程中，当两个类别中存在某一类别数量为0时，进行质心初始化c(c1,c2)，其中c1为正常图像集合的质心，c2为异常图像集合的质心；质心初始过程包括输入待聚类的核燃料元件图像的损失值loss，若c1≥loss，则令c1＝loss，否则不作调整，若c2≤loss，则令c2＝loss，否则不作调整。
14、作为上述技术方案的进一步描述：步骤s2中的k-means算法流程还包括计算质心与输入图像的距离，当两个类别中存在某一类别数量为0时，进行类间距离判断，当类间距离大于阈值λ时，该输入图像会被分类至新类别；当两个类别数量均＞0时，对比输入图像距离两个质心的距离，将图像划分至距离更小的类别。
15、作为上述技术方案的进一步描述：步骤s2中的k-means算法流程还包括将新图像划分类别后进行质心坐标更新。
16、与现有技术相比，本专利技术的有益效果是：
17、1)提出了一种基于ncsn网络不同噪声等级损失的缺陷图像识别方法，通过多级噪声损失的训练，能够有效提升无监督学习方法对缺陷图像的识别精度和效率，为后续的实时缺陷检测提供了更加可靠的基础；
18、2)结合k-means聚类算法，通过对ncsn网络不同噪声等级损失进行实时聚类，结合类间距控制和历史聚类数据记忆，有效实现了边检测边聚类，从而大幅度提升了缺陷检测的效率和模型的鲁棒性，避免了每次图像重构的计算消耗，提高了实时检测能力。
19、3)针对缺陷图像，采用退火朗之万动力学采样方法去除缺陷，基于去除缺陷后的图像与原图之间的残差进行otsu阈值分割，从而精确定位缺陷位置，进一步提升了缺陷检测的准确性和定位精度。
20、4)本专利技术克服了人工检测方法效率低、不稳定的问题，通过深度学习实现智能化检测，避免了传统监督学习方法对大规模标注数据的依赖，采用无监督学习的ncsn生成网络方法进行异常检测，提高了检测的自动化水平，适应了工业环境中数据稀缺的挑战。
21、5)本专利技术提出的结合k-means聚类的实时检测方法，能够在不增加额外计算负担的情况下，有效提升检测速度，保证了生成网络异常检测的实时性，优化了生产实践中的缺陷检测效率。
22、为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举本专利技术实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种用于核燃料元件的实时缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述用于核燃料元件的实时缺陷检测方法，其特征在于，通过计算不同等级噪声下核燃料元件图像的分数损失，训练基于NCSN网络的缺陷检测模型；用到的损失函数为：
3.根据权利要求1所述用于核燃料元件的实时缺陷检测方法，其特征在于，基于NCSN网络的缺陷检测模型的网络噪声等级共10级。
4.根据权利要求3所述用于核燃料元件的实时缺陷检测方法，其特征在于，步骤S2中，从NCSN多级损失中选取噪声等级为5、6、7、8的损失作为缺陷筛选网络的输入。
5.根据权利要求1所述用于核燃料元件的实时缺陷检测方法，其特征在于，在步骤S2的K-means算法的流程中，将聚类的类别数设置为2，分别代表正常图像集合和缺陷图像集合，且每次进行聚类的待检测的核燃料元件图像数设置为1。
6.根据权利要求5所述用于核燃料元件的实时缺陷检测方法，其特征在于，在步骤S2的K-means算法的流程中，当两个类别中存在某一类别数量为0时，进行质心初始化C(c1,c2)，其中c1为正
7.根据权利要求6所述用于核燃料元件的实时缺陷检测方法，其特征在于，步骤S2中的K-means算法流程还包括计算质心与输入图像的距离，当两个类别中存在某一类别数量为0时，进行类间距离判断，当类间距离大于阈值λ时，该输入图像会被分类至新类别；当两个类别数量均＞0时，对比输入图像距离两个质心的距离，将图像划分至距离更小的类别。
8.根据权利要求7所述用于核燃料元件的实时缺陷检测方法，其特征在于，步骤S2中的K-means算法流程还包括将新图像划分类别后进行质心坐标更新。
...【技术特征摘要】
1.一种用于核燃料元件的实时缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述用于核燃料元件的实时缺陷检测方法，其特征在于，通过计算不同等级噪声下核燃料元件图像的分数损失，训练基于ncsn网络的缺陷检测模型；用到的损失函数为：
3.根据权利要求1所述用于核燃料元件的实时缺陷检测方法，其特征在于，基于ncsn网络的缺陷检测模型的网络噪声等级共10级。
4.根据权利要求3所述用于核燃料元件的实时缺陷检测方法，其特征在于，步骤s2中，从ncsn多级损失中选取噪声等级为5、6、7、8的损失作为缺陷筛选网络的输入。
5.根据权利要求1所述用于核燃料元件的实时缺陷检测方法，其特征在于，在步骤s2的k-means算法的流程中，将聚类的类别数设置为2，分别代表正常图像集合和缺陷图像集合，且每次进行聚类的待检测的核燃料元件图像数设置为1。
6.根据权利要求5所述用于核燃料元件的实时缺...
【专利技术属性】
技术研发人员：杨红超，王琦标，邓超，詹鹏飞，李鹏程，庹先国，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。