核燃料芯块是核燃料棒的重要组成部分,通过核裂变产生能量为反应堆提供动力。受生产原料和加工工艺的影响,芯块端面可能存在各种类型的缺陷。而产生的缺陷会使芯块与核燃料棒包壳发生相互作用,造成核燃料棒破裂,导致放射性裂变产物进入反应堆冷却剂。这样不仅会影响反应堆的发电效率,还会引发严重的安全事故。因此,在使用核燃料芯块之前,必须对核燃料芯块端面进行准确和高效的自动缺陷检测,以确保反应堆的安全运行及维护。为了对具有放射性的核燃料芯块实现自动检测,机器视觉技术已经代替人工目检成为检测核燃料芯块端面缺陷的重要手段。然而,芯块端面缺陷图像具有对比度低、图像背景复杂、缺陷类型各异和形态微小等特点,易导致缺陷信息被复杂的噪声背景所隐藏,给后续的缺陷检测带来困难。使用传统的图像处理技术检测芯块端面缺陷时,受噪声背景的干扰,人为设定的参数和特征不能较好地表征不同类型的缺陷,导致缺陷误检,缺陷检测准确率较低。而深度学习技术能从训练样本中学习抽象的高级特征,更容易适应不同类型的缺陷,具有较强的通用性和鲁棒性。基于此,本课题通过研究基于深度学习的核燃料芯块端面缺陷检测方法,以实现芯块端面缺陷的高质量检测任务。完成的主要研究工作如下:（1）在图像采集方面,本课题设计并搭建了一套芯块端面图像采集系统,采集能够反映芯块端面真实缺陷的图像,为后续芯块缺陷数据集的制作奠定基础。（2）针对芯块缺陷数据集中训练样本不足的问题,本课题使用数据增广技术扩充和优化数据集,增加数据集的多样性,改善网络的泛化能力,以提高网络的检测精度。（3）针对传统图像处理技术检测芯块端面缺陷图像时存在缺陷检测准确率低的问题,本课题提出了一种SE-Defect Net卷积神经网络引导WOV（Weighted Object Variance）阈值的缺陷检测方法。该方法首先使用滑动窗口扫描技术和SE-Defect Net分类网络定位图像中的缺陷候选区域。然后,再采用WOV阈值法对缺陷候选区域进行阈值分割提取缺陷,实现对核燃料芯块端面缺陷的像素级分割。缺陷分割结果表明:本课题提出的方法能克服芯块端面缺陷图像灰度不均的问题,方法的像素级F1-measure约为97%,可以准确分割芯块端面缺陷。（4）针对原始Mask-RCNN网络检测芯块端面缺陷存在的缺陷漏检和误检与缺陷边缘分割不准确等问题,本课题提出了一种基于Mask-RCNN优化的缺陷检测方法,分别对原始Mask-RCNN中的特征金字塔网络和掩膜分支进行优化。首先,在原始特征金字塔网络的基础上,通过横向连接添加一条自下至上的特征传播路径来增强全局特征信息,进而提高缺陷分割精度。然后,在掩膜分支的输出端添加边缘检测,将预测掩膜与标签图像两者边缘检测结果的差异作为损失函数进行训练,使缺陷分割结果的边缘更加接近真实缺陷边缘。缺陷分割结果表明:该方法的像素级F1-measure为93.4%,相比于原始Mask-RCNN网络提高了4%,可以有效提升复杂图像背景下的芯块端面缺陷的检测精度。本课题将深度学习技术应用于核燃料芯块端面缺陷检测,研究准确和高效的核燃料芯块端面缺陷检测方法。实验结果表明:相比于传统图像处理技术,本课题提出的方法可以准确检测芯块端面缺陷,极大降低缺陷误检率,满足核燃料芯块生产线的质量检测要求。同时此方法还可以推广到其他工业产品的质量检测中。