包覆燃料颗粒是核燃料球中最小单元,由UO2燃料核芯和其外面的碳化硅和热解碳包覆层所组成,每个颗粒的直径仅1mm左右,而包覆层的各层厚度关乎着未来核反应堆运行的效率和安全,因此精确测量每一批次包覆颗粒包覆层的各层厚度具有极为重要的意义。而对包覆球燃料颗粒测厚前,需要在图像中识别且定位出可测包覆颗粒。因此对基于视觉的该包覆燃料颗粒自动定位与检测进行研究,具有极为重要的工程应用价值。本文选题源自企业科研项目,基于机器视觉高效率、高客观性、非接触等特点,设计了包覆燃料颗粒的成像方案,对金相片进行成像;重点对比了多种目标检测算法对可测包覆球颗粒检测效果。为了实现更好的检测效果,本文还提出了改进的Faster R-CNN,实现了对可测包覆球燃料颗粒的实时检测。本文主要研究工作有:（1）根据包覆球颗粒检测项目的需求设计了一种传统的目标检测方法。首先,对初始图像进行图像的预处理,以实现包覆颗粒与背景分隔;然后通过标记连通域,获取图像中包覆颗粒的圆心,并以圆心为基点实现候选区域的提取;最后根据各候选区域的灰度直方图信息实现可测颗粒的检测与定位。实验结果表明,传统的目标检测模型可实现对包覆球燃料颗粒定位,且定位精度较高。（2）针对传统目标检测算法在检测的鲁棒性以及效率表现较差的情况,提出了基于深度学习的包覆球颗粒检测模型。深度学习算法可通过卷积神经网络获取更高层的特征信息,从而提高检测模型的鲁棒性。因此,采用了R-CNN、Faster R-CNN、YOLO-V3和SSD四种经典的深度学习目标检测框架进行实验。结果表明,深度学习算法在各个性能评价指标上都优于传统目标检测算法,且在四种经典深度学习框架中Faster R-CNN算法更符合包覆球颗粒检测项目要求。（3）为了进一步提高Faster R-CNN算法的检测性能,本文还根据包覆球颗粒检测项目的特点提出了三种改进改进策略。迁移学习的方法可加快训练模型时收敛速度;卷积神经网络也根据超像素的工业图片所调整;候选框的大小也根据包覆球标定框的大小重新设计。实验结果表明,改进的检测算法与原Faster R-CNN算法相比,Mean Io U提高了0.014,检测效率提高了30.2%。