[发明专利]一种基于卷积神经网络的核堆内构件表面粗糙度评估方法

说明书

本发明公开了一种基于卷积神经网络的核堆内构件表面粗糙度评估方法，包括以下步骤：S1、采集视频数据；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粗糙度进行分类，得到粗糙度等级；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粗糙度等级；S8、将粗糙度等级显示在人机交互界面。本发明解决了现有技术存在的人工检测与评估导致人力投入大和效率低，以及无法保证材料表面粗糙度检测与评估的实时性和连续性要求的问题。

技术领域

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粗糙度评估方法。

背景技术

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。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。

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。

在核电厂运行与维护过程中，要求具备在辐射、水下、远程控制等特定环境下对机械设备、结构进行切割、成形、修复等加工的工艺与设备，电火花加工技术是核电厂运行、维护、退役过程中切割、成型的关键技术之一。

电火花加工是一种利用电能和热能进行加工的新工艺，俗称放电加工。电火花加工与一般切削加工的区别在于，电火花加工时工具与工件并不接触，而是靠工具与工件间不断产生的脉冲性火花放电，利用放电时产生局部、瞬时的高温把金属材料逐步蚀除下来。由于在放电过程中有可见火花产生，故称电火花加工。

表面粗糙度一般是由所采用的加工方法和其他因素所形成的，例如加工过程中刀具与零件表面间的摩擦、切屑分离时表面层金属的塑性变形以及工艺系统中的高频振动等。由于加工方法和工件材料的不同，被加工表面留下痕迹的深浅、疏密、形状和纹理都有差别。无论用何种加工方法加工，在零件表面总会留下微细的凸凹不平的痕迹，出现交错起伏的峰谷现象，粗加工后的表面用肉眼就能看到，精加工后的表面用放大镜或显微镜仍能观察到。

现有技术存在以下缺点：

(1)现有技术中采用人工对核堆内构件表面进行检测和评估，人力投入大和效率低，同时由于存在辐射，对人体伤害大，安全性低；

(2)核电站的部分堆内构件由于受到高辐射、压力、流质振动、高温蠕变、摩擦磨损、氢吸附等因素的影响，容易引起构件表面的粗糙度等级升高，但是现有技术无法实现实时的、连续的检测和评估。

发明内容

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、实时性与连续性高的基于卷积神经网络的核堆内构件表面粗糙度评估方法，解决了现有技术存在的人工检测与评估导致人力投入大和效率低，以及无法保证材料表面粗糙度检测与评估的实时性和连续性要求的问题。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于卷积神经网络的核堆内构件表面粗糙度评估方法，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；