相信大家對核電站都不陌生，可是對核反應堆的日常維護與檢測了解多少呢？雷鋒網(wǎng)了解到，定期對核電站進行安全檢查就好比人們要定期上醫(yī)院進行體檢一樣，十分有必要。傳統(tǒng)的人工檢測不僅效率低，而且對一些細微的鋼表面縫隙很難發(fā)現(xiàn)。這些縫隙一旦被漏檢，就會泄漏放射性物質進入水或空氣，給人類造成生命危險。因此，在AI時代，迫切需要找到新的方法來替代傳統(tǒng)檢測。

對核電站來說，定期檢查就是為了在釀成事故或問題變得嚴重之前，找到存在的裂縫或發(fā)現(xiàn)其他問題。然而，在核電站中檢測裂縫并沒有那么容易，因為核反應堆都是在水下，檢測人員不能直接對其檢測，只能通過檢測攝像機拍攝的視頻逐幀對金屬表面進行仔細檢查。

Mohammad Jahanshahi 是普渡大學（Purdue University ，下同）的土木工程系教授。他提出了一個更好的方法，利用GPU加速深度學習和機器學習實現(xiàn)核電廠裂縫的自動檢測。5月8-11號，在硅谷舉辦的GTC 2017，他會講到他是如何實現(xiàn)核電廠和其它基礎設施的自動化檢查。雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))也會在第一時間到達現(xiàn)場對大會進行報道。

“在一個核電廠中，即使是一個小小的裂縫也會導致放射性物質泄漏，”Jahanshahi說，“它可以擴散并導致核事故。”裂縫帶來的代價也很大。日益惡化的地下管道泄露放射性氚進入地下水之后，Jahanshahi說，在佛蒙特洋基核電站（Vermont Yankee Nuclear Power Plant），2010年的一起事故就造成多達7億美金的損失。他同時補充道，1996年康涅狄格Milestone核電站由于閥門泄露造成的事故，耗費了2.54億美元。

核電站的老化

Jahanshahi的預見在這一時刻到來了。根據(jù)世界核工業(yè)現(xiàn)狀報告，全球接近15%的核能源設備運行時間都超過了他們預設的40年壽命，在美國，有超過三分之一的設備是這樣。包括美國在內的幾個國家授權電站壽命達到了60年。

隨著核電站的老化，它們的部件變得更容易受到熱、壓力和腐蝕性化學物質而引起裂縫或其他問題。僅在過去的十年中，全球至少有十幾家核電廠報道了裂縫問題。

Jahanshahi說，電站出現(xiàn)問題的其中一個原因就是檢測不足。他在最近一期的《計算機輔助土木與基礎設施工程》雜志中發(fā)表了他的研究結果。

問題太多，預防太少

Jahanshahi與普渡大學的博士生Fu-Chen Chen合作開發(fā)的自動化系統(tǒng)，將會在問題變得更糟之前探測到設備問題。

建筑就像人一樣，如果你及早發(fā)現(xiàn)“癥狀”，就可以避免“生病”。

實際上 Jahanshahi 和 Chen并不是第一個吃螃蟹的人，此前也有其他方法對裂縫進行檢測。但像其他設計用來檢查檢測視頻中單幀畫面的方法，經(jīng)常會錯過一些細微的縫隙，而且也很難區(qū)分一些異常現(xiàn)象，比如焊點和刮痕。

用AI檢測核電站中的裂縫

普渡大學的系統(tǒng)稱為CRAQ（crack recognition and quantification），也就是裂縫的識別和量化，通過多個視頻幀中的融合信息來發(fā)現(xiàn)鋼表面可能產(chǎn)生裂紋的紋理變化。這個系統(tǒng)可以看到在不同照明條件和不同角度下的視頻中的裂縫。

研究人員利用機器學習技術開發(fā)了他們最初的系統(tǒng)，并且現(xiàn)在他們正在搭建深度學習算法來提高精度。團隊使用CUDA并行計算平臺，用幾千幀檢測視頻來訓練它的算法。Pascal架構是基于英偉達泰坦 X和GeForce GTX 1070 GPU以及cuDNN.

Jahanshahi希望深度學習方法可以改善美國的基礎設施狀況。他說：“隨著計算機的GPU計算能力提升，我們可以利用計算機視覺、圖像處理和深度學習來解決這個問題。”