NB-CNN: Deep Learning-basierte Rissdetektion unter Verwendung von Convolutional Neural Network und Naïve Bayes-Datenfusion

Die regelmäßige Inspektion von Komponenten von Kernkraftwerken ist wichtig, um sichere Abläufe zu garantieren. Die aktuelle Praxis ist jedoch zeitaufwendig, mühsam und subjektiv, da menschliche Techniker die Inspektionsvideos überprüfen und Risse an Reaktoren identifizieren. Einige bildbasierte Rissdetektionsansätze wurden für metallische Oberflächen entwickelt, und sie schneiden in der Regel schlecht ab, wenn sie zur Analyse von Kerninspektionsvideos verwendet werden. Diese Risse zu erkennen, ist eine herausfordernde Aufgabe, da sie winzig sind und auf den Oberflächen der Komponenten rauschende Muster existieren. Diese Studie schlägt ein Deep-Learning-Framework vor, das auf einem Convolutional Neural Network (CNN) und einem Naïve Bayes-Datenfusionsschema basiert, das als NB-CNN bezeichnet wird, um einzelne Video-Frames zur Rissdetektion zu analysieren, während ein neuartiges Datenfusionsschema vorgeschlagen wird, um die aus jedem Video-Frame extrahierten Informationen zu aggregieren und die Gesamtleistung und Robustheit des Systems zu verbessern. Zu diesem Zweck wird ein CNN vorgeschlagen, um Risspatches in jedem Video-Frame zu erkennen, während das vorgeschlagene Datenfusionsschema die spatiotemporale Kohärenz von Rissen in Videos aufrechterhält, und die Naïve Bayes-Entscheidungsfindung effektiv falsch-positive Ergebnisse verwirft. Das vorgeschlagene Framework erreicht eine Trefferquote von 98,3 % bei 0,1 falsch-positiven Ergebnissen pro Frame, was deutlich höher ist als bei den besten Ansätzen, wie in diesem Papier dargestellt.