核能是一种高效、低碳的清洁能源,合理利用核能能够有效地缓解全球能源短缺和气候变化的问题。核电是核能的主要利用方式之一。当前,核电发展处于重要机遇期,但也面临着诸多挑战,其中的安全问题是最受关注的焦点之一。核燃料芯块是核反应堆的核心组件,也是确保核反应堆安全运行的重要屏障。严格控制核燃料芯块表面质量,及时剔除不合格芯块,是最小化核事故发生,实现核能安全利用的重要保障。当前工业上普遍采用基于2D灰度图像或者3D点云数据的单模态信息进行工业产品表面缺陷检测。然而,由于单一模态无法全面地描述物体特征,检测结果容易产生漏检和误检的情况。为了提高缺陷检测的可靠性,同时满足在线检测的速度需求,本课题将点云数据的距离值经坐标转换成图像的灰度值,映射成2D深度图像,减少数据量,并利用轻量级深度学习网络架构,融合燃料芯块空间深度和表面灰度两种互补的模态信息,实现对燃料芯块表面三种典型缺陷高精度、智能化的实时在线检测。所提出的方法也可以推广应用到其它工业产品的表面质量检测中。课题的主要研究内容如下:（1）建立双模态缺陷数据集。利用3D传感器获取芯块表面缺陷的伪彩色图像,从中分离出代表空间位置的深度图像（红色通道）和反映表面亮度的灰度图像（绿色通道）作为原始模态数据。使用Semantic Segmentation Editor标注工具结合两种模态信息对缺陷区域进行标注,建立芯块表面的双模态缺陷数据集,为后续算法研究提供数据基础。（2）验证双模态融合的表面缺陷检测算法检测芯块表面缺陷数据集的可行性。以单模态分割网络Seg Net为研究基础,针对芯块表面图像特征相对一致,网络容易过拟合的问题,进行模型精简,获得适用于工业双模态图像的分支网络结构,并构建双模态融合的表面缺陷检测网络SFuse Net。实验证明,使用双模态融合网络提升分割精度的方法适用于小型工业数据集。但是融合模型更加庞大,网络需要消耗更多的存储资源和计算资源。（3）设计轻量级双模态融合的表面缺陷检测网络。网络模型轻量化能够提高网络的灵活性和效率。课题以轻量级单模态分割网络ENet为分支结构,构建轻量级双模态融合表面缺陷检测网络HAEFuse Net。在网络中使用混合空洞卷积结构替换原始ENet网络上采样的残差瓶颈结构,提高网络特征恢复能力。同时,提出一种基于空间注意力机制的双特征融合方法,融合深度分支和灰度分支的特征以及网络的浅层特征和深层特征,提升小目标和目标边缘的分割效果。实验表明,课题提出的轻量级双模态融合缺陷检测网络HAEFuse Net分割精度的平均交并比是80.53%,优于SFuse Net网络,而网络的参数量比SFuse Net网络减少了7倍,且分割速度快了0.4倍,达到0.053 s/次。（4）搭建缺陷检测系统,将预先训练的HAEFuse Net检测模型部署到实验台中,开发可视化界面,模拟芯块表面缺陷在线检测实验。课题以工程项目为背景,设置缺陷区域占待检区域比例的判废上限值为10%,对芯块进行分类,测试系统性能。实验表明,检测系统的分类准确率达到99.49%,在配置中、高端显卡设备的检测速度均不超过0.3 s/次,能够满足核燃料芯块表面实时在线检测的准确率和效率需求。