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院進行體檢一樣，十分有必要。傳統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現。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現其他問題。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核電廠和其它基礎設施的自動化檢查。雷鋒網(公眾號：雷鋒網)也會在第一時間到達現場對大會進行報道。

“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。根據世界核工業現狀報告，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合作開發的自動化系統，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，如果你及早發現“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，經常會錯過一些細微的縫隙，而且也很難區分一些異常現象，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現鋼表面可能產生裂紋的紋理變化。這個系統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了他們最初的系統，并且現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。”