[发明专利]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。

主权项

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，p^l(i,j)为第l层的第i个卷积核的初次识别特征；a^l(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，y^l(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：a^l(i,j)＝f(y^l(i,j))＝max{0,y^l(i,j)}式中，a^l(i,j)为卷积层输出y^l(i,j)的激活值；y^l(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，z^l(i,j)为卷积层输出y^l(i,j)的归一化值；为卷积层输出y^l(i,j)的限制值；γ^l(i)为缩放值；β^l(i)为偏置值；式中，为卷积层输出y^l(i,j)的限制值；y^l(i,j)为卷积核的特征值总和；μ_B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。