論文の概要: Using Deep Learning to Automate the Detection of Flaws in Nuclear Fuel Channel UT Scans

• arxiv url: http://arxiv.org/abs/2102.13635v1
• Date: Fri, 26 Feb 2021 18:19:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 17:43:34.030219
• Title: Using Deep Learning to Automate the Detection of Flaws in Nuclear Fuel Channel UT Scans
• Title（参考訳）: 深層学習による核燃料チャネルUTスキャンにおける欠陥検出の自動化
• Authors: Issam Hammad, Ryan Simpson, Hippolyte Djonon Tsague, and Sarah Hall
• Abstract要約: 本稿では、畳み込みニューラルネットワーク(CNN)を用いた核燃料流路UTスキャンにおける欠陥検出を自動化する概念実証(PoC)を提案する。 cnnモデルは、履歴utスキャンと対応する検査結果を用いてデータセットを構築して訓練された。 小型のチャットでUTスキャンの100%の精度を達成し、最小のFPで100%の感度を実現しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nuclear reactor inspections are critical to ensure the safety and reliability of plants operation. Inspections occur during planned outages and include the inspection of the reactor's fuel channels. In Canada, Ultrasonic Testing (UT) is used to inspect the health of fuel channels in Canada's Deuterium Uranium (CANDU) reactors. Currently, analysis of the UT scans is performed by manual visualization and measurement to locate, characterize, and disposition flaws. Therefore, there is a motivation to develop an automated method that is fast and accurate. In this paper, a proof of concept (PoC) that automates the detection of flaws in nuclear fuel channel UT scans using a convolutional neural network (CNN) is presented. This industry research was conducted at Alithya Digital Technology Corporation in Pickering, Ontario, Canada. The CNN model was trained after constructing a dataset using historical UT scans and the corresponding inspection results. This data was obtained from a large nuclear power generation company in Ontario. The requirement for this prototype was to identify the location of at least a portion of each flaw in fuel channel scans while minimizing false positives (FPs). This allows for automatic detection of the location of each flaw where further manual analysis is performed to identify the extent and the type of the flaw. Based on the defined requirement, the proposed model was able to achieve 100% accuracy for UT scans with minor chatter and a 100% sensitivity with minimal FPs for complicated UT scans with severe chatter using 18 UT full test scans.
• Abstract（参考訳）: 原子炉の検査は、プラントの安全性と信頼性を確保するために重要である。 検査は計画的な停止時に行われ、原子炉の燃料チャネルの検査を含む。 カナダでは、超音波検査(UT)がカナダのウランウラン原子炉(CANDU)の燃料流路の健全性を検査するために用いられる。 現在、UTスキャンの分析は、手動の可視化と測定によって行われ、欠陥を見つけ、特徴付け、および配置します。 したがって、迅速かつ正確な自動化方法を開発する動機があります。 本論文では、畳み込みニューラルネットワーク(CNN)を用いた核燃料チャネルUTスキャンにおける欠陥の検出を自動化する概念実証(PoC)について述べる。 この業界調査はカナダのオンタリオ州ピカリングにあるAlithya Digital Technology Corporationで行われました。 cnnモデルは、履歴utスキャンと対応する検査結果を用いてデータセットを構築して訓練された。 このデータはオンタリオ州の大規模原子力発電会社から入手された。 このプロトタイプの要件は、偽陽性(FP)を最小限に抑えつつ、燃料チャネルスキャンにおける各欠陥の少なくとも一部を特定することである。 これにより、欠陥の程度と種類を特定するために、さらなる手動分析が行われる各欠陥の位置を自動的に検出できます。 決定された要件に基づき,提案モデルでは,小文字のUTスキャンに対して100%の精度を達成でき,かつ18個のUTフルテストスキャンを用いて,複雑なUTスキャンに対して最小のFPで100%の感度を達成できた。

関連論文リスト

• CyberSentinel: Efficient Anomaly Detection in Programmable Switch using Knowledge Distillation [0.0]
  CyberSentinelは、プログラム可能なスイッチデータプレーンに完全にデプロイされた、高スループットで正確な異常検出システムである。 目に見えないネットワーク攻撃を検出するために、CyberSentinelは、深い教師なしMLモデルの"学習"知識を取り入れた、新しい知識蒸留スキームを使用している。 我々は、Intel Tofinoスイッチでテストベッド上にCyberSentinelのプロトタイプを実装し、様々な実世界のユースケースで評価する。
  論文  参考訳（メタデータ） (2024-12-21T16:35:44Z)
• An Intelligent Approach to Detecting Novel Fault Classes for Centrifugal Pumps Based on Deep CNNs and Unsupervised Methods [0.0]
  本稿では,システム障害の部分的知識を仮定し,それに対応するデータを用いて畳み込みニューラルネットワークを訓練する。 次に、新しい断層を検出するために、t-SNE法とクラスタリング法の組み合わせを用いる。
  論文  参考訳（メタデータ） (2023-09-22T10:10:30Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• SensorSCAN: Self-Supervised Learning and Deep Clustering for Fault Diagnosis in Chemical Processes [2.398451252047814]
  本研究では,教師なし故障検出・診断のための新しい手法であるSensorSCANを提案する。 我々は、テネシー・イーストマン・プロセスの2つの公開データセットに、さまざまな欠点のあるモデルの性能を実演する。 本手法は,故障の数が事前に分かっていない実世界のアプリケーションに適している。
  論文  参考訳（メタデータ） (2022-08-17T10:24:37Z)
• Anomaly detection and automatic labeling for solar cell quality inspection based on Generative Adversarial Network [0.0]
  太陽電池の欠陥検出のための検査システムを開発するパイプラインを提案する。 第1段階では、異常検出のために医療領域で使用されているGAN(Generative Adversarial Network)が検査に適応される。 不良サンプルが発生すると、訓練されたモデルで自動的にピクセルレベルでラベル付けされ、第2モデルの監督トレーニングに使用されます。
  論文  参考訳（メタデータ） (2021-03-05T07:53:59Z)
• Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
  単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。 検出精度は元の1段検出器と比べて同等か、さらに向上した。
  論文  参考訳（メタデータ） (2021-01-28T02:38:29Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。