人工智能视频分析技术在核燃料元件外观缺陷检测中的应用.pdfVIP

RENGONGZHINENG2025年第7期/数字技术与应用

人工智能RENGONGZHINENG

人工智能视频分析技术在核燃料元件

外观缺陷检测中的应用

■宁志勇江龙王亚涛

近年来，随着元件生产需求的快速增长，传155pixel的占7.8％，面积在155~968pixel的占

统的依赖人工巡检的元件已经不能满足实际生产80.3％，面积大于968pixel的占11.9％，面积波

需求，以往的缺陷检测需要人工筛查，成本高、动范围较大，且不均衡。

效率低、易漏检，难以覆盖大规模的质检需求。4.表面污迹

因此，基于技术创新实现元件外观缺陷检测的需形状不规则，长宽比波动范围大，长宽比变

求越来越强烈。随着工业成像、计算机视觉和深化范围较大的区域，缺陷高度为16～521pixel，

度学习技术的蓬勃发展，人工智能（AI）视频分宽度为18～213pixel。

析技术在不同行业落地应用且取得较好的效果，5.氧化色

为元件外观缺陷识别提供了一种新的解决方案。外观上存在局部氧化的情况，氧化面积波动

范围大、跨度较大。

核燃料元件外观缺陷除了具有通常目标缺陷（二）问题难点

的特点外，还具有目标小、缺陷可视性低、形态与通用目标的分类、检测与分割任务不同，

不固定、尺寸跨度大、随机噪声较多、样本量少核燃料元件外观缺陷检测具有上述特殊性，在设

等特点，现有的方法难以满足精度和效率的需求。计算法时需要结合任务需求、数据样本和算法效

因此，基于AI视频分析的核燃料元件外观缺陷检率等多方面因素。

测，亟须进行技术攻关并落地应用。1.数据难点

样本数据少：其一，样本数据总量很少，整

一、核燃料元件外观缺陷分类和问题难点体样本很难获取；其二，缺陷产品在实际中更少，

且缺陷数据中可能某一类或者某几类会多一些，

（一）缺陷分类其他种类很少，从而导致缺陷样本数据不均衡；

典型的核燃料元件外观缺陷包括划伤、锆屑、其三，缺陷数据模拟成本高也不易模拟，且模拟

[1]

凹坑、表面污迹和氧化色5类，具有如下特点。出来的数据与实际的缺陷数据差别也较大。

1.划伤可描述性低：缺陷数据的类型具有多样性，

划伤图像尺寸变化范围较大、不规则；裁剪且同类缺陷的形态也多种多样，因此很难直接对

后的划伤样本集宽度为240～2400pixel，高度为缺陷进行定义和描述，按目前已有的缺陷类型进

10～90pixel，高宽比为3.1～19的划伤图像占行归纳描述，会导致新出现的缺陷类型无法描述

[2]

比较大。