随着我国经济水平的快速发展,人民生活水平的提升,能源需求越来越大,核能作为一种清洁能源,越来越受到人类的青睐。核燃料芯块是核能发电的重要组成部分,芯块表面破损会导致核燃料泄漏事故的发生,给人类的生命财产带来巨大的损失。基于机器视觉的核燃料芯块自动检测系统是核能发电的重要环节。在检测系统中如果核燃料芯块放置的姿态错误,不但会造成核燃料芯块检测无效还会导致推杆定位芯块时出现机械故障。核燃料芯块具有放射有毒性,我们需要采取机器臂抓取的方式放置到检测流水线中,而对核燃料姿态的正确识别是能否完成抓取任务的前提条件。因此,对核燃料芯块姿态识别的探究具有重要的研究价值。目前,深度学习作为一个迅速发展的研究领域,已经在语音识别、图像分类、目标检测等领域取得了很大的成绩。把深度学习应用到姿态识别中,推动工业生产的检测及抓取效率的提高,具有很大的研究价值。因此,本课题利用3D深度相机,提出了基于卷积神经网络的核燃料芯块姿态识别算法,利用大津算法与卷积神经网络模型相结合的算法实现对视野内的核燃料芯块的定位及姿态识别。具体的研究内容如下:(1)搭建了核燃料芯块姿态图像采集系统,探究了该装置中采用的3D相机性能,利用该相机的16位伪彩色模式,获取视野内核燃料芯块姿态深度图像。(2)探究了大津算法(Oust)对图像分割的原理,利用Otsu阈值算法及形态学处理等一系列操作实现了对视野内工件的定位与分割,得到核燃料芯块的伪彩色图像,为姿态识别模型框架的训练提供数据集。(3)相较于传统的姿态识别方法,卷积神经网络能够自主提取图像姿态特征,因此,本文借鉴了VGG16网络模型结构,把最后的3个全连接替换成一个池化层和一个全连接层,搭建出基于卷积神经网络的姿态识别模型。利用编码操作把带有标签的姿态图像放到二进制文件中,采用5折交叉验证的方式在该数据集上实现网络模型的训练,用损失函数、准确率、召回率模型评价指标来衡量姿态识别模型的性能,最终得到能够识别出核燃料芯块姿态的网络模型。