一种基于卷积神经网络的核堆内构件表面监测方法

摘要

本发明公开了一种基于卷积神经网络的核堆内构件表面监测方法，包括以下步骤：S1、采集核堆内构件表面视频数据；S2、得到图像数据；S3、将图像数据分为训练数据集和测试数据集；S4、将训练数据集输入卷积神经网络进行训练，得到特征识别模型并输出初次识别特征；S5、将初次识别特征按照已知腐蚀的特征进行分类，得到腐蚀类型；S6、将测试数据集输入特征识别模型进行测试，输出二次识别特征；S7、判断二次识别特征是否符合腐蚀类型；S8、将腐蚀类型显示在监测预警模块的人机交互界面；本发明解决了现有技术存在的人工监测导致人力投入大和效率低，以及无法保证材料表面腐蚀监测的及时性和连续性要求的问题。

权利要求

1.一种基于卷积神经网络的核堆内构件表面监测方法，其特征在于，包括以下步骤：S1：通过图像采集模块采集核堆内构件表面视频数据；

S2：将视频数据输入监测预警模块，并对视频数据进行逐帧截图，得到图像数据；

S3：将图像数据分为训练数据集和测试数据集；

S4：将训练数据集输入卷积神经网络进行训练，得到特征识别模型并输出初次识别特征；

卷积神经网络包括依次设置的4个卷积神经子网络和最大池化层；

卷积神经网络进行训练的方法，包括如下步骤：S4-1：使用第1个和第2个卷积神经子网络提取数据特征，并对数据特征进行组合，作为低层特征；

S4-2：使用第3个和第4个卷积神经子网络对低层特征进行抽象的高层表示，得到高层特征；

S4-3：使用最大池化层对高层特征进行降采样处理，减少神经网络的参数，并输出特征识别模型和初次识别特征；

初次识别特征的计算公式为：

式中，pl(i,j)为第l层的第i个卷积核的初次识别特征；al(i,t)为第l层的第i个卷积核的第t个激活值；w为卷积核的宽度；j为常数；

所述卷积神经子网络包括依次设置的卷积层、激活层和批量归一化层；

所述卷积层对输入数据的局部区域进行卷积运算，输出相应的数据特征值；

卷积运算的计算公式为：

式中，yl(i,j)为第l层的第i个卷积核的特征值； 为第l层的第i个卷积核的第j’个权值； 为第l层的第j个被卷积的局部区域；w为卷积核的宽度；

所述激活层对卷积层输出的数据特征值进行非线性变换，输出对应的激活值；

非线性变换的计算公式为：

al(i,j)＝f(yl(i,j))＝max{0,yl(i,j)}式中，al(i,j)为卷积层输出yl(i,j)的激活值；yl(i,j)为第l层的第i个卷积核的特征值；

所述批量归一化层对输入的特征值进行归一化处理，减少内部变量转移，提高卷积神经网络网络训练效率，增强卷积神经网络网络的泛化能力；

归一化处理的计算公式为：

式中，zl(i,j)为卷积层输出yl(i,j)的归一化值； 为卷积层输出yl(i,j)的限制值；γl(i)为缩放值；βl(i)为偏置值；

式中， 为卷积层输出yl(i,j)的限制值；yl(i,j)为卷积核的特征值总和；μB为均值；

为标准差；

S5：将初次识别特征按照已知腐蚀的特征进行分类，得到腐蚀类型；

S6：将测试数据集输入特征识别模型进行测试，输出二次识别特征；

S7：判断二次识别特征是否符合腐蚀类型，若是则进入步骤S8，否则进入步骤S2；

S8：将腐蚀类型显示在监测预警模块的人机交互界面，实现核堆内构件的表面腐蚀类型的识别和预警。

2.根据权利要求1所述的基于卷积神经网络的核堆内构件表面监测方法，其特征在于，所述步骤S1中，图像采集模块为水下激光扫描仪。

3.根据权利要求1所述的基于卷积神经网络的核堆内构件表面监测方法，其特征在于，所述步骤S2中，监测预警模块为上位机。

4.根据权利要求1所述的基于卷积神经网络的核堆内构件表面监测方法，其特征在于，所述步骤S3中，随机选取标准图像数据的60％的样本作为训练数据集，其余的样本为测试数据集。

说明书

一种基于卷积神经网络的核堆内构件表面监测方法

技术领域

[0001] 本发明涉及核工业技术领域，具体涉及一种基于卷积神经网络的核堆内构件表面监测方法。

背景技术

[0002] 核电站高辐射水下环境在役设备的定期检修与维护是在役核电站安全运行的重要保障，也是一项危险、辛苦而费时的工作，需要解决高辐射剂量和水下操作可行性的问题。

[0003] 从我国目前发展情况来看，提高核实施的安全性核可靠性，尽量降低操作人员的受辐射剂量，改善工作环境，解决一些严重威胁我国核电站安全隐患，需要大力开发利用水下维修作业设备，这是一个不容忽视的长期战略目标。

[0004] 2020年前，我国将再建约32座百万千瓦级核电机组，包括已建成秦山、大亚湾、岭澳等核电机组，总装机容量达到4000万千瓦以上。随着我国核电站越来越多，核电站高辐射环境下的部分部件由于受到高辐射、压力、振动、摩擦、氢吸附等因素的影响，会引起部件的磨损、老化甚至失效的现象或者事故隐患也越来越多，每一个核电站都必须进行定期检修维护，核电站关键设备一反应堆的堆内构件等设备的维修将面临严峻的考验，在役的核电站堆内构件的均为非标产品，制造的安全等级要求严格(核一级)、设备加工精度高、维修空间狭小、而且考虑辐射环境下的更换必须在水下远距离操作。因此必须开发核电站堆内构件高辐射水下环境中在役设备的大型维修装置，彻底解决上述事故隐患，否则由于辐照监督管损坏导致机组非正常停机，每天仅发电损失就高达几十万元。

[0005] 现有技术存在以下缺点：

[0006] (1)现有技术依靠人工监测，人力投入大，效率低，

[0007] (2)无法保证材料表面腐蚀监测的及时性和连续性要求，容易导致出现事故危害工作人员的人身安全。

发明内容

[0008] 针对现有技术中的上述不足，本发明提供的一种节约人力投入、效率高、及时性与连续性高的高实用性的基于卷积神经网络的核堆内构件表面监测方法，解决了现有技术存在的人工监测导致人力投入大和效率低，以及无法保证材料表面腐蚀监测的及时性和连续性要求的问题。

[0009] 为了达到上述发明目的，本发明采用的技术方案为：

[0010] 一种基于卷积神经网络的核堆内构件表面监测方法，包括以下步骤：

[0011] S1：通过图像采集模块采集核堆内构件表面视频数据；

[0012] S2：将视频数据输入监测预警模块，并对视频数据进行逐帧截图，得到图像数据；

[0013] S3：将图像数据分为训练数据集和测试数据集；

[0014] S4：将训练数据集输入卷积神经网络进行训练，得到特征识别模型并输出初次识别特征；

[0015] S5：将初次识别特征按照已知腐蚀的特征进行分类，得到腐蚀类型；

[0016] S6：将测试数据集输入特征识别模型进行测试，输出二次识别特征；

[0017] S7：判断二次识别特征是否符合腐蚀类型，若是则进入步骤S8，否则进入步骤S2；

[0018] S8：将腐蚀类型显示在监测预警模块的人机交互界面，实现核堆内构件的表面腐蚀类型的识别和预警。

[0019] 进一步地，步骤S1中，图像采集模块为水下激光扫描仪。

[0020] 进一步地，步骤S2中，监测预警模块为上位机。

[0021] 进一步地，步骤S3中，随机选取标准图像数据的60％的样本作为训练数据集，其余的样本为测试数据集。

[0022] 进一步地，步骤S4中，卷积神经网络包括依次设置的4个卷积神经子网络和最大池化层。

[0023] 进一步地，步骤S4中，卷积神经网络进行训练的方法，包括如下步骤：

[0024] S4-1：使用第1个和第2个卷积神经子网络提取数据特征，并对数据特征进行组合，作为低层特征；

[0025] S4-2：使用第3个和第4个卷积神经子网络对低层特征进行抽象的高层表示，得到高层特征；

[0026] S4-3：使用最大池化层对高层特征进行降采样处理，减少神经网络的参数，并输出特征识别模型和初次识别特征；

[0027] 初次识别特征的计算公式为：

[0028]

[0029] 式中，pl(i,j)为第l层的第i个卷积核的初次识别特征；al(i,t)为第l层的第i个卷积核的第t个激活值；w为卷积核的宽度；j为常数。

[0030] 进一步地，卷积神经子网络包括依次设置的卷积层、激活层和批量归一化层；

[0031] 卷积层对输入数据的局部区域进行卷积运算，输出相应的数据特征值；

[0032] 卷积运算的计算公式为：

[0033]

[0034] 式中，yl(i,j)为第l层的第i个卷积核的特征值； 为第l层的第i个卷积核的第j’个权值；xl(rj)为第l层的第i个被卷积的局部区域；w为卷积核的宽度；

[0035] 激活层对卷积层输出的数据特征值进行非线性变换，输出对应的激活值；

[0036] 非线性变换的计算公式为：

[0037] al(i,j)＝f(yl(i,j))＝max{0,yl(i,j)}

[0038] 式中，al(i,j)为卷积层输出yl(i,j)的激活值；yl(i,j)为第l层的第i个卷积核的特征值；

[0039] 批量归一化层对输入的特征值进行归一化处理，减少内部变量转移，提高卷积神经网络网络训练效率，增强卷积神经网络网络的泛化能力；

[0040] 归一化处理的计算公式为：

[0041]

[0042] 式中，zl(i,j)为卷积层输出yl(i,j)的归一化值； 为卷积层输出yl(i,j)的限制值；γl(i)为缩放值；βl(i)为偏置值；

[0043]

[0044] 式中， 为卷积层输出yl(i,j)的限制值；yl(i,j)为卷积核的特征值总和；μB为均值；为标准差。

[0045] 本方案的有益效果为：

[0046] 通过水下激光扫描仪器得到核反应堆表面形貌图像，基于卷积神经网络自动完成表面不同种类腐蚀的特征提取和识别过程，提高了效率，节约了人力投入，保证了材料表面腐蚀监测的及时性和连续性要求，避免了出现事故危害工作人员的人身安全，适应我国发展核电的市场需求，具有广阔的应用前景，并产生显著的社会经济效益。

附图说明

[0047] 图1为基于卷积神经网络的核堆内构件表面监测方法流程图；

[0048] 图2为卷积神经网络进行训练的方法流程图；

[0049] 图3为卷积神经网络结构图；

[0050] 图4为辐照形成的位错环与层错四面体图；

[0051] 图5为辐照形成合金元素的偏析图；

[0052] 图6为辐照形成蠕变开裂图；

[0053] 图7为实施方式一提取特征分布图；

[0054] 图8为实施方式二提取特征分布图；

[0055] 图9为实施方式三提取特征分布图。

具体实施方式

[0056] 下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

[0057] 本发明实施例中，一种基于卷积神经网络的核堆内构件表面监测方法，如图1所示，包括以下步骤：

[0058] S1：通过图像采集模块采集核堆内构件表面视频数据，图像采集模块为水下激光扫描仪；

[0059] S2：将视频数据输入监测预警模块，并对视频数据进行逐帧截图，得到图像数据，监测预警模块为上位机；

[0060] S3：随机选取图像数据的60％的样本作为训练数据集，其余的样本为测试数据集；

[0061] S4：将训练数据集输入卷积神经网络进行训练，得到特征识别模型并输出初次识别特征；

[0062] 卷积神经网络如图3所示，包括依次设置的4个卷积神经子网络和最大池化层；卷积神经网络进行训练的方法，如图2所示，包括如下步骤：

[0063] S4-1：使用第1个和第2个卷积神经子网络提取数据特征，并对数据特征进行组合，作为低层特征；

[0064] 卷积神经子网络包括依次设置的卷积层、激活层和批量归一化层；

[0065] 卷积层对输入数据的局部区域进行卷积运算，输出相应的数据特征值；

[0066] 卷积运算的计算公式为：

[0067]

[0068] 式中，yl(i,j)为第l层的第i个卷积核的特征值； 为第l层的第i个卷积核的第j’个权值； 为第l层的第i个被卷积的局部区域；w为卷积核的宽度；

[0069] 激活层对卷积层输出的数据特征值进行非线性变换，输出对应的激活值；

[0070] 非线性变换的计算公式为：

[0071] al(i,j)＝f(yl(i,j))＝max{0,yl(i,j)}

[0072] 式中，al(i,j)为卷积层输出yl(i,j)的激活值；yl(i,j)为第l层的第i个卷积核的特征值；

[0073] 批量归一化层对输入的特征值进行归一化处理，减少内部变量转移，提高卷积神经网络网络训练效率，增强卷积神经网络网络的泛化能力；

[0074] 归一化处理的计算公式为：

[0075]

[0076] 式中，zl(i,j)为卷积层输出yl(i,j)的归一化值； 为卷积层输出yl(i,j)的限制值；γl(i)为缩放值；βl(i)为偏置值；

[0077]

[0078] 式中， 为卷积层输出yl(i,j)的限制值；yl(i,j)为卷积核的特征值总和；μB为均值；为标准差；

[0079] S4-2：使用第3个和第4个卷积神经子网络对低层特征进行抽象的高层表示，用以发现数据分布式的特征表示，得到高层特征；

[0080] S4-3：使用最大池化层对高层特征进行降采样处理，减少神经网络的参数，并输出特征识别模型和初次识别特征；

[0081] 初次识别特征的计算公式为：

[0082]

[0083] 式中，pl(i,j)为第l层的第i个卷积核的初次识别特征；al(i,t)为第l层的第i个卷积核的第t个激活值；w为卷积核的宽度；j为常数；

[0084] S5：将初次识别特征按照已知腐蚀的特征进行分类，得到腐蚀类型；

[0085] S6：将测试数据集输入特征识别模型进行测试，输出二次识别特征；

[0086] S7：判断二次识别特征是否符合腐蚀类型，若是则进入步骤S8，否则进入步骤S2；

[0087] S8：将腐蚀类型显示在监测预警模块的人机交互界面，实现核堆内构件的表面腐蚀类型的识别和预警。

[0088] 本发明实施例中，使用第1个和第2个卷积神经子网络提取数据特征，并对数据特征进行组合，作为低层特征，其对应的窗口大小分别为7x7和5x5，步长为3和2，卷积核为32个；使用第3个和第4个卷积神经子网络对低层特征进行抽象的高层表示，用以发现数据分布式的特征表示，得到高层特征，选用小窗口、小步长、多卷积核的结构，其对应的窗口大小都为3x3，步长为2，卷积核为64个。

[0089] 最大池化层进行的是降采样操作，主要目的是减少神经网络的参数，输入的高层特征的窗口大小为6x6，通过大小和步长为2的池化操作，降采样到3x3的初次识别特征。

[0090] 基于图像数据对卷积神经网络进行训练，训练过程中网络自动完成表面不同种类腐蚀的特征提取和识别过程。卷积神经网络的最大迭代次数为40次，学习率设置为0.0004。取不同腐蚀类型、元素的偏析和蠕变开裂各100张图片，如图4、图5、和图6所示，随机选取数据集的60％的样本作为训练集，其余的样本为测试集。

[0091] 为了更直观的展示卷积神经网络的特征提取能力，对数据经过的卷积神经网络结构处理后第1个卷积神经子网络、第3个卷积神经子网络和最大池化层的提取的特征进行降维并做可视化处理。只经过一次卷积处理的信号特征冗杂，不同种类表面腐蚀的特征无规律的散布于空间中，没有明显界限且无法有效的分类，如图7所示；经过卷积神经网络结构的处理，第3个卷积神经子网络数据的特征处于聚集阶段，元素偏析腐蚀数据特征与其余两种腐蚀有较清晰的分界线，但剩余腐蚀仍有部分处于混叠状态，影响最终的分类效果，如图8所示；经过最大池化层处理的信号特征清晰，三种表面腐蚀可以清晰地区分开，同种腐蚀特征聚类，不同腐蚀特征分离且呈发散状，利于分类，如图9所示。

[0092] 本发明提供的一种节约人力投入、效率高、及时性与连续性高的高实用性的基于卷积神经网络的核堆内构件表面监测方法，解决了现有技术存在的人工监测导致人力投入大和效率低，以及无法保证材料表面腐蚀监测的及时性和连续性要求的问题。