核燃料组件在生产、运输、服役、退役时,可能会发生燃料棒包壳管破损情况,进而影响反应堆安全稳定运行。目前,人工目视检测是燃料组件外观缺陷检测最常用的检测方法之一,该方法是一个费时、乏味和主观的过程,技术人员的经验和状态直接影响检测结果。近年来,深度学习(Deep Learning,DL)一直是机器学习领域的研究热点,被广泛应用于图像识别、语音识别和自然语言处理等领域。本文提出一种基于深度学习的核燃料组件外观缺陷检测方法,该方法在每帧0.1的假阳率情况下真阳率高达0.98,可显著提升检测效率和准确率,对核燃料组件生产和在役检查具有一定的理论意义和实用价值。全文主要内容如下:1、深入研究深度学习的基本理论,总结国内外研究现状和最新研究成果,介绍了几种经典的人工神经网络和目标识别框架,调研了现有的核燃料组件缺陷检测相关技术,并分析了其局限性,为后续研究做好充分的准备。2、研发一套基于深度学习的核燃料组件缺陷检测系统。其中,硬件部分,针对核燃料组件特殊的几何形状,建立了一个15×15的模拟核燃料组件,针对燃料组件的运行环境,分别设计了操作暗室和机械臂,用来装载核燃料组件和移动摄像头;软件部分,通过编程实现了算法的工程转化,并成功与硬件部分配合完成检测任务。3、对核燃料组件进行人为的随机破坏,并通过机械臂和摄像头的配合采集需要的缺陷图片。为了得到标准的缺陷样本数据库,首先将采集的缺陷图像进行规范化的裁剪,然后通过数据增强的方法扩充缺陷图片的数量,最后进行缺陷标注,得到最终的缺陷样本数据库。采用多种深度学习网络与目标识别框架结合,训练事先准备好的缺陷样本数据库,再与未参与训练的缺陷数据进行校核,并统计检测任务的真阳率和假阳率,在每帧0.1的假阳率下,达到了 98%的真阳率。实验结果证明了本文检测方法的可行性。