为保证反应堆的安全运行,需要采用多种检测技术确保燃料芯块质量。针对燃料芯块表面裂纹检测中因图像对比度低、背景复杂而导致的裂纹误检率高的问题,提出了一种基于卷积神经网络(CNN)和Beamlet算法相结合的表面裂纹检测算法。对图像进行等尺度分割作为裂纹识别模型(CrackCNN)的训练和测试样本;采用训练完成的CrackCNN对图像中含裂纹的区域进行识别和定位;采用Beamlet算法针对含裂纹区域进行裂纹检测。该算法将CNN和Beamlet相结合,充分发挥两者的优势,有效降低了裂纹误检概率,提高了检测精度。实验结果表明,相对于单独采用Beamlet算法,本文算法的F-measure提升了6.4%;相对于双重阈值和张量投票算法,本文算法的F-measure提升了3.4%。

对于复杂背景下微小圆柱体芯块的端面缺陷检测,受表面镀层不均匀造成的灰度信息的干扰,现有的基于阈值、形态学、边缘Canny的分割方法的检测具有不精确性。提出一种基于机器视觉的结构光三角剖分技术缺陷检测算法。首先,采用结构光主动视觉检测法获取两幅含有一定缺陷信息的图像;然后,根据模板匹配、形态学分析、频率统计将缺陷轮廓粗略勾画出来;最后,使用Delaunay三角剖分技术实现端面缺陷区域的精确勾画。实验结果表明,该方法对隐藏于杂乱背景下的缺陷检测具有较高的识别率,重复精度可达亚像素级,并且抗干扰性好、实用性强、效率高。

针对裂纹与背景之间的低对比度及裂纹区域内灰度值不均匀所导致的裂纹提取困难问题,提出一种基于双边滤波和局部灰度差相结合的双重阈值裂纹片段提取法,并结合张量投票算法进行裂纹检测。该算法采用双重阈值法获取裂纹片段,并根据裂纹片段的接近度和连续性特征,通过张量投票算法得到裂纹的显著性图谱以及完整的裂纹曲线,利用裂纹曲线对裂纹片段进行连接并去除离散点,完成准确裂纹提取。实验结果表明,相比于根据裂纹片段首尾位置进行连接的方法,该算法处理类陶瓷元件表面裂纹图像时F-measure提高了约27%。