普渡大学(Purdue University)正在开发一个系统，使用人工智能技术检测核反应堆视频中捕捉到的裂缝，并描绘了未来的检测技术，以帮助减少事故和维护成本。

普渡大学土木工程学院的助理教授MohammadR. Jahanshahi称，定期检查核电站的部件是保证其安全运行的重要手段。然而，目前的做法耗时、乏味、主观性很强，且需要技术人员审查检测视频，以识别反应堆的裂缝。

使检查过程更加复杂的是，核反应堆被淹没在水中以保持冷却。因此，由于高温和辐射危险，对反应堆部件直接进行人工检查是不可行的。而且，技术人员对水下反应堆表面的视频记录进行远程审查，这个过程易受人为错误的影响。

研究人员提议构建一个命名为朴素贝叶斯卷积神经网络的“深度学习”框架，用于分析单个视频帧来检测裂缝。这个创新的“数据融合方案”汇集了从每个视频帧中提取的信息，以提高系统的整体性能和稳健性。卷积神经网络是一种被称为深度学习的人工智能形式，它在开发各种具备面部识别和语音识别能力的商业产品中起着重要作用。

研究结果详见2017年10月发表在工业电子交易《IEEE杂志》上的一篇论文中。这篇论文的合著者为普渡大学电子和计算机工程系博士生陈福晨(Fu-Chen Chen)和普渡大学智能信息实验室(Smart Informatix Laboratory)的负责Jahanshahi。

Jahanshahi称，新系统检测每个视频帧中重叠的“补丁”的裂缝，而数据融合算法方案能够从一个帧跟踪到下一个帧。这种方法的成功率达到了98.3%，远远高于任何其他先进方法。

美国是世界上最大的商用核能供应国，提供了全国约20%的总电能。根据2010年发表在《当代亚洲》(Journal of Contemporary Asia)杂志上的一项研究结果，从1952年到2010年，全球共发生了99起重大核电突发事故，损失成本超过200亿美元，其中56起发生在美国。事故后果被界定为导致人类生命丧失或超过5万美元的财产损失，后来联邦政府用这个数量来界定必须报告的重大能源事故。

Jahanshahi称，导致这些事件发生的一个重要因素是核反应堆破裂可能导致核泄漏。上述事故中有19起都与核破裂或泄漏有关，损失高达20亿美元。老化降解是导致由核反应堆破裂、疲劳、脆化、磨损、侵蚀、腐蚀、氧化等原因造成功能损失和安全缺陷的主要原因。虽然研究人员已经开发出几种针对混凝土、岩石或路面表面的基于视觉的裂缝检测方法，但只有少数几种方法考虑到金属表面的裂缝检测。现有的大多数方法都集中在检测单个图像上的裂缝。他还表示，如果在这些单个图像中未检测到裂缝，或图像中一种噪声模型被错误地检测为裂缝，那么就没有其他信息可以用来纠正检测结果。

为开发和评估这个被提议的系统，研究人员收集了20个水下标本视频，展示核电站内部组件。研究人员以30帧每秒的频率对样本进行扫描，然后卷积神经网络负责检查每一祯的裂缝。这些数据由美国电力研究协会(EPRI)提供。美国电力研究协会是一个由电力行业资助的非盈利组织。

随着数据融合算法逐祯地观察裂缝，它能够解释由于移动相机而改变的结构，精确定位裂缝的位置。Jahanshahi表示，该算法模拟了人类视觉对不同角度的裂缝进行检测的能力，这一点很重要，因为光与影的变换会掩盖一些裂缝。他表示数据融合提出的决策比其他可行方法更加稳健。据称，该方法还使用强大的图形处理单元来训练神经网络如何用数据集检测裂缝，该数据集包含了大约30万个裂缝和非裂缝补丁。

该研究团队已经向普渡研究基金会的技术商业化办公室提交了一项关于裂缝检测技术的专利申请。

普渡大学的研究团队还利用深度学习来探测金属表面的图像腐蚀，这是一种可以用来检查诸如轻型电线杆和桥梁等结构的技术。这项研究已经在《结构健康监测》（StructuralHealth Monitoring）杂志上发表的一篇论文中得到了详细的阐述。该论文由普渡大学的学生Deegan Atha撰写，他于近期在斯坦福大学的结构健康监测国际研讨会上介绍了该研究成果。未来的研究工作将包括对技术的进一步改进。