基于深度学习的核安全壳缺陷检测定位方法及系统

技术领域

本发明属于核电站安全壳检测领域，尤其涉及一种基于深度学习的核安全壳缺陷检测和可视化定位方案。

背景技术

传统的化石能源正逐渐枯竭，同时其使用导致的污染对生态环境产生日益严重的负面影响。在这样的情况下，核能成为一种不可或缺的替代能源，不仅在经济上有优势，而且对环境有着显著的保护作用。核能目前已成为全球第二大低碳能源来源，约有10％的电力来自约450个核反应堆。发展核电产业对于解决大气污染问题、调整能源结构以及转变经济发展模式具有重要意义。通过采用核能，可以减少对有限的化石能源的依赖，延长其可持续利用期限，并减少温室气体和其他有害物质的排放，从而降低对气候变化和环境破坏的影响。核电站在长时间的运行后，由于安全壳内在的张力、阳光的长期照射和海风的侵蚀，安全壳外观会出现一些缺陷。出现损伤后，海风和雨水会进一步侵蚀深层的混凝土。为了防止安全壳外观出现重大缺陷，及时有效地加固外观损伤是必不可少的，外观加固的首要任务是外观缺陷识别。

在过去，对于安全壳的裂缝检测主要依赖于人工目视检测，这种方法存在一系列问题，包括耗时长、风险高和效率低。由于人工检测需要长时间在高空和高温环境中工作，增加了人员的安全风险。同时，人工目视检测的效率受到人员经验和疲劳程度等因素影响，可能导致遗漏或误判缺陷。为了提高安全壳缺陷检测的效率和准确性，图像处理技术被引入。该方法通过对安全壳表面的图像进行分析和处理，可以较为高效地提取裂缝等缺陷信息。然而，这种方法在一定程度上受到光照条件的限制，例如光照不足或光照强烈时，可能影响图像质量和检测准确性。

随着科技的发展和人工智能的兴起，人工智能技术，如深度学习和计算机视觉，为解决这一问题提供了全新的可能性。目前，基于深度学习的安全壳缺陷检测的自动化方法主要集中在裂缝这一类缺陷的检测上。然而，安全壳可能存在多种缺陷类型，如钢筋裸露、修补等，这些缺陷同样需要及时准确地被检测和识别。

综上所述，对于安全壳的缺陷检测，迫切需要一种更加全面和高效准确的检测方法。

发明内容

本发明的目的是解决核电站在运营过程中对安全壳外观检查的难题。传统的检查方法需要人员在高空进行目视检查和手动标记缺陷，不仅成本高，而且存在较高的风险。为了克服这些限制，本发明提出了一套远程采集方案，旨在实现安全壳高清影像的自动采集。通过构建安全壳缺陷检测模型对安全壳外观的三类损伤(包括钢筋裸露、裂缝和修补)进行快速且准确的检测。通过采集的图像构建了安全壳的平面展开图，并在展开图上标记了检测到的缺陷，直观地展示了安全壳的损伤情况。实现了对安全壳缺陷的全面、高效和准确的检测，从而为核电站提供更好的安全保障，降低检查成本和风险，同时提高核电站的运营效率和安全性。

为了实现上述目的，本发明提出的技术方案包括一种基于深度学习的核安全壳缺陷检测定位方法，包括以下步骤，

采用远程采集设备自动采集核安全壳外观图像数据；

对采集的图像进行预处理，生成安全壳全景展开图；

挑选含有缺陷的图像并进行标注，构建安全壳缺陷数据集；构建安全壳缺陷检测模型，利用安全壳缺陷数据集，对安全壳缺陷检测模型进行训练；然后利用训练得到的模型，对安全壳外观图像进行检测；所述安全壳缺陷模型结合YOLO v5和Focal NeXt模块提升模型的特征提取能力，并加入注意力机制抑制非目标元素的干扰，同时增加检测头提升对小目标的检测能力，所述小目标包括钢筋裸露；

在安全壳全景展开图中显示检测的结果，包括使用训练好的安全壳缺陷检测模型对待检测的安全壳局部图像进行检测，反算出缺陷在全景展开图上的坐标；最后再在全景展开图上标注检测的结果，实现核安全壳缺陷可视化定位。

而且，自动采集核安全壳外观图像数据的实现方式如下，

首先需要对设备进行标注，确定云台的水平位置和相机的内外方位元素，为后续的图像纠正提供相机的位姿参数；

围绕安全壳布设一条闭合导线或附和导线，完成整个坐标基准的建立；利用全站仪无棱镜模式测量安全壳表面点坐标并进行圆拟合，并建立起安全壳的几何方程；

生成摄影采集方案，根据当前架站点坐标、定向点坐标、当前站的左右边界和安全壳方程，计算出起始摄影时的竖直角度、水平旋转角度和瞬时摄影距离。再根据影像重叠度指标计算水平旋转间隔角度和竖直角度。

自动定向，为了统一不同架站点位上的坐标系，进行摄影设备的零方向归算；在已知点上架设棱镜作为定向点，软件驱动摄影设备自动照准棱镜中心，记录下此时的方向；

零方向归算完成后，采集设备根据摄影采集方案旋转至指定的二维起始方向，根据摄影采集方案中设定的二维旋转角度间隔进行连续旋转拍照，竖向蛇形采集安全壳外观影像。

而且，生成安全壳全景展开图的实现方式如下，

采用正解法，计算图片再展开图上对应的范围；

采用反解法，计算对应范围内的点，所对应的图像坐标，提取对应坐标的灰度值映射到展开图上。

而且，所述安全壳缺陷检测模型包括backbone、neck、head部分，Backbone由CBS模块、Focal NeXt模块、SPPF模块组成，CBS包括一个标准的卷积层一个BN layer以及SiLu激活函数，SPPF模块是对前面Conv模块和C3模块处理得到的不同尺度的特征图进行融合；

Neck使用的是FPN+PAN结构，构建了自顶向下和自底向上双向融合的路径，充分结合浅层的语义信息和深层的定位信息，增强了Neck模块的特征融合的能力；在Neck中输入Head前的C3模块中引入了注意力机制，构成C3-CA模块，以抑制非目标元素的干扰，提高模型对目标的识别能力；

Detect由4个检测层组成，分别从Neck中获取了不同尺寸的特征图，以检测不同大小的目标，各个检测层的输出结果经过非极大值抑制，最后得到物体的预测边界框和类别；

最后，在损失函数的选择上，采用XIoU损失替代CIoU损失。

而且，所述的Focal NeXt模块，由两个7×7的深度卷积层Dconv和两个1×1的卷积层Conv2d组成，主体上是依次连接，整个结构中还采用了三个跳跃连接分别将输入与最后一个1×1卷积的数据结果，输入与第一个深度卷积层的输出结果，第一个深度卷积层的输出结果和第二个深度卷积层的输出结果相连；其中第二个深度卷积层采用空洞卷积，在第一个1×1的卷积层后采用GELU激活函数。

而且，所述C3-CA模块，在C3中加入CoordinateAttention注意力机制，增强模型的抗干扰能力，Coordinate Attention采用两个并行分支结构，首先，分别在宽和高方向进行平均池化，然后将得到的特征进行转置叠加，并进行卷积处理；接着，将卷积处理的结果按照宽和高进行分离，再分别经过一个1×1卷积层和sigmoid激活函数来获得高和宽维度的注意力信息；最后，将这两个得到的注意力信息在高和宽方向进行拓展并相乘，得到最终的注意力信息。

而且，所述的XIoU损失，采用Exponential函数代替反正切函数，用于比较目标框宽高比和预测框宽高比的关系。

另一方面，提供一种基于深度学习的核安全壳缺陷检测定位系统，用于实现如上所述的一种基于深度学习的核安全壳缺陷检测定位方法。

而且，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度学习的核安全壳缺陷检测定位方法。

或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度学习的核安全壳缺陷检测定位方法。

另一方面，本发明还提供一种基于深度学习的核安全壳缺陷检测和可视化显示系统，用于实现如上所述的一种基于深度学习的核安全壳缺陷检测和可视化定位方法。

而且，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度学习的核安全壳缺陷检测和可视化定位方法。

或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度学习的核安全壳缺陷检测和可视化定位方法。

本发明的一种基于深度学习的核安全壳缺陷检测和可视化定位方法，安全壳表面图像上的缺陷进行了检测和定位，减少了检测过程的人员工作量，提高了检测效率和检测精度。

本发明针对核安全壳缺陷检测的特殊性构建安全壳缺陷检测模型，包括多方面的改进：1、更换特征提取网络的主干，采用了Focal NeXt模块2、引入了CA注意力模块，设计了C3-CA模块。3、增加了检测图，采用了4个检测头(相应的骨干网络和颈部网络多了一个分支)。

本发明方案实施简单方便，实用性强，解决了相关技术存在的实用性低及实际应用不便的问题，能够提高用户体验，具有重要的市场价值。

附图说明

图1为本发明实施例的安全壳缺陷检测和定位的整体流程图；

图2为本发明实施例的安全缺陷检测模型结构图；

图3为本发明实施例的Focal NeXt模块结构图；

图4为本发明实施例的Coordinate Attention模块结构图；

图5为本发明实施例的核安全壳部分区域检测结果示例图。

具体实施方式

以下结合附图和实施例具体说明本发明的技术方案。

本发明采用深度学习的检测方法和反向定位的全景展开图生成方法，实现高效率、高精度的核安全壳表面图像上的缺陷的检测和直观的定位。具体实施时，可以采用远程采集系统自动采集图像数据和采用数据处理软件自动生成安全壳全景展开图，预习挑选并标注包含钢筋裸露、裂缝、修补的图像，建立安全壳缺陷数据集；构建深度学习缺陷模型，该模型结合YOLOv5和FocalNeXt模块，提升了模型的特征提取能力，并加入了注意力机制抑制了非目标元素的干扰，还优化了损失函数提高了检测精度。同时为了提升对小目标(钢筋裸露)的检测能力，还增加了检测头；利用安全壳缺陷数据集，对深度学习缺陷模型进行训练。

优选建议的一种基于深度学习的核安全壳缺陷检测和可视化定位方案，首先需要对远程采集设备进行标定，获取云台的水平位置和相机的内外方位元素。然后规划采集路线和采集方案，接着架设仪器完成定向后开始采集安全壳外观图像。完成图像采集后需要对图像进行预处理。遍历所有的图像，首先利用正解法，计算各张图像在安全壳全景展开图坐标系下的范围，然后采用反解法计算该范围内所有点对应的图像上的点，并将灰度值映射到全景展开图上，处理完所有的图像后即可生成安全壳的全景展开图。完成图像预处理后，筛选获得的正射影像，将有缺陷的图像挑选出来，构建安全壳缺陷数据集。然后利用该数据集对提出的安全壳缺陷检测模型进行训练。最后利用训练好的模型对待检测的图像进行处理，将图像中的缺陷框选出来，并计算其在全景展开图的坐标，然后在全景展开图上进行显示。这种方案可提高缺陷的检测效率，同时具有较好定位结果，可以快速找到缺陷，便于后期的维护。

本发明实施例中提出一种基于深度学习的核安全壳缺陷检测和可视化定位的整体流程如图1所示，具体步骤如下：

S1.采用远程采集设备自动采集核安全壳外观图像数据；

实施例采用的远程采集设备包括一个尼康D7500相机和一个尼克尔600mm镜头以及两倍增倍镜。驱动模块采用了高精度云台。连接板将镜头牢固地固定在云台的顶部。云台与适配器底座相连，安装在勘测三脚架上。云台可以承载和操纵摄像机和镜头，根据预定程序实现平滑的水平和垂直旋转。摄影模块和驱动模块都通过电线与计算机相连，可实现程序控制的旋转和摄影。进一步优选提出自动采集具体实现方案如下：

(1)首先需要对设备进行标注，确定云台的水平位置和相机的内外方位元素，为后续的图像纠正提供相机的位姿参数：

摄影方案中的竖向旋转角度均以水平面作为参考面，及竖向旋转角度均为与水平面之间的夹角，而云台中没有类似于全站仪的竖直度盘，水平面即0°竖直角无法直接给出，镜头与云台承载面之间通过加工的连接件进行连接，加工精度有限，不能保证镜头主光轴与承载面的平行关系的精度，因此本发明实施例在初次使用设备前对主光轴的水平位进行了测定。在后续的影像纠正需要相机位姿参数，即相机相对于云台的外方位元素，包括3个位置参数和3个旋转角参数，因此一套新设备组装完成后需对摄影设备进行标定。

(2)围绕安全壳布设一条闭合导线或附和导线，完成整个坐标基准的建立：

安全壳是一个面积规模巨大的圆柱体，采集安全壳表面的影像，远程摄影设备需要围绕其架设多个站点，以避开障碍且使得相邻站点间采集的影像有重叠以保证安全壳表面的全覆盖。为了给点位规划提供坐标基准，首先围绕安全壳布设一条闭合导线或附和导线，完成整个坐标基准的建立。为获得安全壳在自建坐标基准下的位置信息，利用全站仪无棱镜模式测量安全壳表面点坐标并进行圆拟合，并建立起安全壳的几何方程。

具体实施时，可以在相应规划软件界面上显示出导线点位和安全壳的平面圆投影，根据现场地面可视情况进行规划。

(3)生成摄影采集方案，根据当前架站点坐标、定向点坐标、当前站的左右边界和安全壳方程，计算出起始摄影时的竖直角度、水平旋转角度和瞬时摄影距离。再根据影像重叠度指标计算水平旋转间隔角度和竖直角度。

实施例根据当前架站点坐标、定向点坐标、当前站的左右边界和安全壳方程，计算出起始摄影时的竖直角度β

ΔS＝D×α

ΔL＝D×(sinβ

其中，f为焦距，w为COMS宽度，h为COMS高度，W为首站影像摄影范围宽度，H为首站影像摄影范围宽度，α为水平旋转间隔角度，β

从而可根据影像重叠度指标计算水平旋转间隔角度α和竖直角度β

(4)自动定向:为了统一不同架站点位上的坐标系，需要进行摄影设备的零方向归算。在已知点上架设棱镜作为定向点，软件驱动摄影设备自动照准棱镜中心，记录下此时的方向。根据每一站的架站点坐标、定向点坐标和水平角定向读数，可以计算出不同架站点位上的坐标系的旋转关系，从而进行不同坐标系之间的统一。

(5)零方向归算完成后，摄影采集设备根据摄影方案旋转至指定的二维起始方向，根据摄影采集方案中设定的二维旋转角度间隔进行连续旋转拍照，竖向蛇形采集安全壳外观影像。

S2.图像预处理，生成安全壳全景展开图；

实施例进一步优选提出生成安全壳全景展开图具体实现方案如下：

(1)采用正解法，计算图片再展开图上对的范围。

(2)采用反解法，计算对应范围内的点，所对应的图像坐标，提取对应坐标的灰度值映射到展开图上。

由于采集的原始影像为倾斜影像，需要对倾斜影像进行微分纠正生成正射影像，并以安全壳圆柱展开面为投影面将影像数据进行映射，生成安全壳表面全景展开图，以进行缺陷的定位、量测与浏览。具体实施时可以逐张图片进行遍历：首先计算图片在展开图上对应的范围，然后遍历范围内的所有点，结合安全壳水平投影圆方程将点坐标先转换为世界坐标系下，然后再转换至云台坐标系下，根据摄影测量共线方程和预先标定好的外方位元素将点坐标转换至相机坐标系下，引入相机的内方位元素，将点坐标转换至图像坐标系下，取得对应的坐标和灰度值，将灰度值映射至展开图的对应点上。对所有图片完成纠正后可得到安全壳的全景展开图。

S3.缺陷检测：挑选含有缺陷的图像并进行标注，构建安全壳缺陷数据集；构建安全壳缺陷检测模型；利用安全壳缺陷数据集，对安全壳缺陷检测模型进行训练，后续步骤可以利用训练得到的模型，对安全壳外观图像进行缺陷检测；

本发明优选提出的所述安全壳缺陷模型结合了YOLOv5和FocalNeXt模块，提升了模型的特征提取能力，并加入了注意力机制抑制了非目标元素的干扰,还优化了损失函数提高了检测精度。同时为了提升对小目标(钢筋裸露)的检测能力，还增加了检测头。

实施例的缺陷检测具体实现如下：

(1)采集的原始图片分辨率为6000×4000大小，纠正生成全景图后，裁切成4908×3681大小的图像以便于分块管理。实施例采集了多个安全壳的影像进行处理，为了减小检测过程对计算机硬件的需求并突显目标缺陷的特征，将从裁切下来的图像进一步裁剪为在目标检测领域使用较多的640×640大小的图像，其通道数为3。并从中挑选出了包含钢筋裸露、裂缝、修补三类缺陷共2755张图片带有缺陷的图像构建了安全壳缺陷数据集。

(2)搭建安全壳缺陷检测模型，检测模型以YOLO v5为基础网络进行改进，改进后的YOLO v5网络训练模型结构如图2所示。改进后的YOLO v5网络训练模型记为YOLO v5-FFC，包括骨干网络backbone、颈部网络neck和输出端detect，

骨干网络与原始YOLO v5基础网络相同，采用了SPPF模块，并使用Focal NeXt模块替换了CSP模块对输入图像的特征进行提取；由CBS模块、Focal NeXt模块、SPPF模块组成，CBS包括一个标准的卷积层一个BN layer以及SiLu激活函数，SPPF模块是对前面Conv模块和C3模块处理得到的不同尺度的特征图进行融合，与yolov3的SPP模块相比，可有效地提升模型的速度，且不影响模型精度；

颈部网络采用FPN+PAN结构聚合不同尺度的特征；构建了自顶向下和自底向上双向融合的路径，充分结合了浅层的语义信息和深层的定位信息，增强了Neck模块的特征融合的能力；在Neck中输入Head前的C3模块中引入了注意力机制，以抑制非目标元素的干扰。通过注意力机制，能够更集中地关注目标特征，削弱对干扰元素的响应，从而提高模型对目标的识别能力；

输出端用于获取特征映射，并利用颈部网络获取的聚合特征映射预测边界框和类。具体优选建议由4个检测层组成，分别从Neck中获取了不同尺寸的特征图，以检测不同大小的目标，各个检测层的输出结果经过非极大值抑制，最后得到物体的预测边界框和类别；

进一步的，实施例采用的优选建议模型具体结构为：

骨干网络包括10层网络结构，如图2中标记1-10处，第1层到第10层主体上是依次连接，还有一些其他的分支连接，具体地：输入依次经过第1层和第2层的CBS模块然后进入第3层Focal NeXt模块，然后输出分为两个分支分别输入第4层的CBS模块和第21层的Concat模块，第4层输出结果输入第5层的Focal NeXt模块然后分成两个分支分别输入第6层的CBS模块和第17的Concat层，第6层输出结果输入第7层的Focal NeXt模块然后分成两个分支分别输入第8层的CBS模块和第13的Concat层，第8层输出结果输入第9层的FocalNeXt模块然后输入第10层的SPPF模块对前面CBS模块和Focal NeXt模块处理得到的不同尺度的特征图进行融合，通过以上的网络结构完成了特征的提取工作；

颈部网络包含21层网络，如图2中标记11-31处，第11层到第31层主体上是依次连接，还有一些其他的分支连接，具体地：第11层网络为CBS模块，第12层网络为Upsample模块，第13层网络为Concat模块对第7层和第12层的输出结果进行拼接，第14层网络为C3模块，第15层网络为CBS模块，第16层网络为Upsample模块，第17层网络为Concat模块对第5层和第16层的输出结果进行拼接，第18层网络为C3模块，第19层网络为CBS模块，第20层网络为Upsample模块，第21层网络为Concat模块对第3层和第20层的输出结果进行拼接，第22层网络为注意力特征提取模块(C3-CA),用于提升模型的特征提取能力，第23层网络为CBS模块，第24层网络为Concat模块对第19层和第23层的输出结果进行拼接，第25层网络为C3-CA模块，第26层网络为CBS模块，第27层网络为Concat模块对第15层和第26层的输出结果进行拼接，第28层网络为C3-CA模块，第29层网络为CBS模块，第30层网络为Concat模块对第11层和第29层的输出结果进行拼接，第31层网络为C3-CA模块。

更进一步的，输出端为最后的第32层，该层共使用了4个尺度的特征图[22,25,28,31]，分别用来回归不同尺寸大小的目标。即通过4个使用Conv2d的检测层，分别从Neckpart中获取了不同尺寸的特征图(head)，以检测不同大小的目标。各个检测层的输出结果经过非极大值抑制，最后得到物体的预测边界框和类别。

其中CBS模块结构如图2所示，包括一个标准的卷积层、一个批归一化层batchnormalization(BN，Batch Norm)以及SiLu激活函数。

其中C3模块的结构如图2所示，输入首先通过一个标准的卷积层Conv2d，然后分成两个分支，一个经过一系列的Bottleneck模块，一个再经过一个标准卷积层Conv2d，然后将两个分支进行拼接Concat，再经过一个标准卷积Conv2d后输出结果。其中，Bottleneck模块先进行1×1卷积Conv2d将channel减小一半，再通过3×3卷积Conv2d将通道数加倍，并将得到的输出与输入进行连接Concat，获取特征。

Focal NeXt模块的结构如图3所示，由两个7×7的深度卷积层Dconv和两个1×1的卷积层Conv2d组成，主体上是依次连接，整个结构中还采用了三个跳跃连接分别将输入与最后一个1×1卷积的数据结果，输入与第一个深度卷积层的输出结果，第一个深度卷积层的输出结果和第二个深度卷积层的输出结果相连。其中第二个深度卷积层采用空洞卷积，空洞率设为3。在第一个1×1的卷积层后采用了Transformer中使用较多的GELU激活函数。

其中C3-CA模块如图2所示，在C3模块之后加入Coordinate Attention注意力机制(图2中记为CA模块)，以增强模型的抗干扰的能力，Coordinate Attention的结构如图4所示，采用两个并行分支结构，首先，分别在宽和高方向进行平均池化(图中分别记为XAvgPool和Y Avg Pool)，然后将得到的特征进行转置叠加，并进行卷积处理(图中记为Concat+Conv2d)。接着，将卷积处理的结果按照宽和高进行分离(图中记为BatchNorm+Non-linear)，再分别经过一个1×1卷积层Conv2d和sigmoid激活函数来获得高和宽维度的注意力信息。最后，将这两个得到的注意力信息在高和宽方向进行拓展并相乘，得到最终的注意力信息。图4中的Residual和Re-weight分别是残差连接和重新加权生成加权的特征。

最后，在损失函数的选择上，实施例采用了更加稳定和快速的XIoU损失，相较于传统的CIoU损失，它能更好地指导模型的训练，进一步提升了检测准确性。

进一步的，引入的XIoU损失的公式如下所示：

其中，IoU是交并比，L

所述的XIoU损失，相较于传统的CIoU损失，在v值的计算中，采用Exponential函数代替反正切函数，用于比较目标框宽高比和预测框宽高比的关系，计算过程受离群值影响较小，且值域为(0，1)不需要进行归一化。它能更好地指导模型的训练，进一步提升了检测准确性。

S4.可视化显示，包括使用训练好的安全壳缺陷检测模型对处理后的图像待检测的安全壳图像进行检测，为减小对计算资源的需求，检测的图像是从全景展开图中裁切的小图，将图中缺陷标记出来对小图检测后，得到缺陷在小图中的位置，根据小图与全景展开图的数学关系，并反算出其在全景展开图上的坐标；最后再在全景展开图上标注检测的结果，实现核安全壳缺陷可视化定位。

实施例采用步骤S3训练好的模型对预处理过的待检测的安全壳图像进行逐张检测。采用滑动窗口策略来检测损坏情况，并计算检测得到的目标框在全景展开图上的坐标。生成的目标框的角点坐标和类别属性都会存储在数据库中，这样就可以通过软件在展开图像上直观地显示检测结果，检测的部分区域的图像如图5所示。具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。

在一些可能的实施例中，提供一种基于深度学习的核安全壳缺陷检测和可视化定位系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度学习的核安全壳裂缝检测方法。

在一些可能的实施例中，提供一种基于深度学习的核安全壳缺陷检测和可视化定位系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度学习的核安全壳裂缝检测方法。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。