论文部分内容阅读
我国核能产业高速发展,导致每年产生大量核废料,核废料的正确处理愈发受到公众重视。在复杂的核辐射环境下,由于各种放射性元素影响,人类无法直接进入工作,核应急机器人能够代替人类进入核辐射区域,完成现场情况的传输和执行核应急任务。在核辐射环境下通过视觉对核废料进行有效检测是核应急机器人能够正常工作的第一步,因此,本文从深度学习目标检测模型角度出发,通过对核辐射环境下的核废料图像进行有效检测来辅助核应急机器人完成任务。本文首先对核应急机器人、核废料图像目标检测和深度学习的研究现状进行了分析,接着将核废料图像样本进行预处理并制作数据集,然后研究适合本课题的深度学习目标检测模型并进行改进,得到模型更小、实时检测速度更快的深度学习目标检测模型实现对核辐射环境下核废料图像的检测,主要工作如下:在核废料图像预处理方面,首先研究了核辐射环境下放射性粒子对图像产生的噪声类别,并采用相应的滤波算法对核废料图像进行噪声去除实验,选择采用效果较好的中值滤波算法对核废料图像进行滤波;接着采用直方图均衡化算法提高核废料图像的对比度,提升核废料图像质量,完成核废料图像预处理。最后制作了核废料图像数据集,先将收集到的核废料图像进行直方图均衡化和中值滤波预处理,接着运用生成对抗网络技术和图像处理技术对经过预处理的核废料图像数据集进行扩充,使核废料图像数据集在深度学习模型训练时数量充足,保证深度学习目标检测模型训练的效果。在核废料图像目标检测方面,选择检测速度较快的基于回归的深度学习目标检测模型进行实验,综合对比了RetinaNet、YOLO V3、Tiny-yolo v3、SSD等模型的检测速度、精度和模型大小,选择检测速度和检测精度都较好的SSD目标检测模型进行改进实验。考虑到SSD模型过大,检测速度不突出,本文基于速度快、分类精度高、模型体积小的轻量级MobileNet V2模型对SSD模型进行改进,采用MobileNet V2网络结构作为SSD模型的基础网络部分,将MobileNet V2网络结构学习到的核废料图像信息传送给SSD模型的目标检测部分对核废料图像进行目标检测。最后搭建移动计算机平台进行实验验证,并设计核废料图像检测的测试系统。在核废料数据集上的实验结果表明,在保证模型检测精度的情况下将模型大小压缩为原来的1/5,视频检测速度从14.3fps增加到34.4fps,mAP达到89.8%,轻量级SSD模型实时检测速度快、精度高、模型体积小,能满足核应急机器人移动端核废料检测要求。基于深度学习的核废料图像目标检测模型能协助核应急机器人在移动端实时、准确的检测核辐射环境下核废料,减轻救援人员核辐射环境下的工作压力,减少核辐射环境对救援人员身体造成的影响,提高救援人员工作效率,降低安全成本支出,本文方法具有较好的研究意义,具有一定的工程应用价值。