核能作为一种低碳环保的清洁能源,对我国未来能源结构转型具有重要意义。核能的主要来源是核燃料芯块裂变所产生的热能,而受制于材料及工艺等因素,核燃料芯块表面可能存在多种类型的缺陷。缺陷分为因大面积掉块形成的缺损和因挤压造成的裂纹两大类,其中又以端面缺损危害性最大。对于核燃料芯块缺损检测,由于核燃料领域的特殊性,目前常用的方法还是使用基于固定阈值的传统图像处理算子,但在应对复杂多变的缺损特征上表现得不尽如人意。基于深度学习技术的缺损检测方法是一种有望解决上述困难的新方法。该方法在训练阶段通过大量类别分布均衡的原始数据来应对多变的缺损形貌,但是核燃料芯块制备过程良品率远超次品率,获取大量缺损样本存在固有的困难。针对目前核燃料芯块检测尚存的问题,提出基于迁移学习的域自适应缺损检测方案,以实现在缺少样本或者标签的情况下快速完成检测任务。本课题主要研究工作如下:第一部分:分析检测任务,搭建图像采集系统与建立迁移数据集。首先分析芯块的外形结构特点,明确检测任务。在实验室环境下搭建图像采集系统,采集不同材质芯块端面缺损图像,构建迁移学习数据集。第二部分:设计并验证缺损检测网络Defect Net。首先分析了原始UNet结构的相关特点及在本领域的优势。使用坐标协同注意力机制,组正则化等特征模块来改善UNet结构特征恢复能力弱等问题并增强其泛化性能,为下一步迁移网络做准备。实验结果表明,使用Defect Net在源域数据集上的F-score评分达到了91.52%,并经过消融实验验证,特征恢复环节增加的特性模块并没有给网络参数带来显著提升。第三部分:设计迁移网络方式并验证不同种迁移方案的性能。首先比较不同迁移方案的优缺点,选定域自适应方案来解决目标域问题。在Defect Net基础上增加多层域自适应层来学习源域和目标域之间差异转换特征,提出使用不同权重的协方差矩阵损失来充当自适应层学习目标,并在实验中对比参与训练的目标域标签数量对网络性能的影响情况。实验结果证明,在使用3.3%真实标签参与网络训练的情况下,网络停止时F-score指标达到了97.23%。搭建模拟检测平台验证在线检测性能,Ada Defect Net最终实现了97.54%的平均检测准确率,其结果也满足实际应用需要。本课题致力于将迁移学习技术应用到核燃料芯块端面缺损检测领域中,使用域自适应迁移解决相关问题。实验结果表明:相比于传统深度学习算法需要大量标注数据,本方法可以在标注极少量真实标签的情况下实现对芯块端面缺损的准确检测。本方案能够降低网络训练要求,加速深度学习技术落地,为实现对核燃料芯块检测提出新的解决方案。