增强现实技术用于测试核部件
由密歇根大学研究人员开发的机器学习平台可以即时检测和量化辐射引起的缺陷，并且可以扩展到解释其他显微镜数据。
一个用于测试材料和零件的机器视觉系统对于核反应堆，实时显示损坏，如由于辐射引起的膨胀和缺陷。它可以加速先进核反应堆组件的开发，这可能在减少温室气体排放以应对气候变化方面发挥关键作用。
“我们相信，我们是世界上第一个在纳米尺度上演示基于实时图像的辐射损伤检测和量化的研究团队，”他说凯文领域他是密歇根大学(University of Michigan)核工程与放射科学副教授，也是这家机器视觉初创公司的副总裁忒伊亚科学。
该解释技术可适用于其他类型的基于图像的显微镜。
菲尔德说:“我们看到了加速能源、交通和生物医学领域发现的清晰途径。”
这项新技术在密歇根离子束实验室。通过向材料样品发射带电原子束(即离子束)，实验室可以快速模拟核反应堆在使用数年或数十年后所遭受的破坏。研究小组使用稀有气体氪的离子束来测试铁、铬和铝的样品——一种对裂变和聚变反应堆都有兴趣的耐辐射材料。
菲尔德说:“如果辐射使你的金属像瑞士奶酪，而不是好的威斯康星切达干酪，你就会知道它的结构不会完整。”
氪离子撞击样品会产生辐射缺陷——在这种情况下，在两个普通晶格平面之间夹着一个缺失或多余的原子平面。它们在电子显微镜图像中表现为黑点。该实验室能够用电子显微镜观察这些缺陷的发展，电子显微镜在辐照过程中运行，并记录视频。
“以前，我们会为辐照实验录制整个视频，然后只描述几帧的特征，”核工程和放射科学博士后研究员Priyam Patki说，他与Theia Scientific公司总裁克里斯托弗·菲尔德(Christopher Field)一起进行了这项实验。“但现在，在这项技术的帮助下，我们能够对每一帧都进行检测，让我们实时了解缺陷的动态行为。”
为了评估辐射引起的缺陷，研究人员通常会下载视频，回到办公室，在选定的帧中计算每个缺陷。现代显微镜产生了数百甚至数千张图像或视频帧，由于手动计算每帧中的缺陷过于费力，许多详细信息将丢失。
Priyam Patki观察了辐照发生时材料微观结构的演变，并对电子显微镜下的成像条件进行了微小的调整。在顶部的监视器上可以看到实时量化和视觉叠加，Priyam试图量化作为辐射损伤演变的大“黑点”缺陷的数量。凯文·菲尔德，密歇根大学核取向材料与检测小组
在实验过程中，该团队使用Theia Scientific的技术即时检测和量化辐射引起的缺陷，而不是手动计数。该软件以电子显微镜图像上的图形显示结果，标记缺陷——给出它们的大小、数量、位置和密度——并将这些信息总结为结构完整性的衡量标准。
机器学习软件使用卷积神经网络(一种非常适合解释图像的人工神经网络)来分析电子显微镜视频帧。神经网络在不同质量的样本中实现了高速和鲁棒的解释，这反过来又实现了从人工解释到实时机器视觉的飞跃。
Kevin Field说:“对结构完整性的实时评估可以让我们在材料性能不佳的情况下尽早停止，从而省去了大量的人为量化。”“我们相信，我们的流程将从想法到结论的时间缩短了近80倍。”
-编辑克里斯Vavra，网络内容经理，控制工程、CFE媒体与技术、cvavra@cfemedia.com。
您是否具有本内容中提到的主题的经验和专业知识?您应该考虑为我们的CFE媒体编辑团队做出贡献，并获得您和您的公司应得的认可。点击在这里开始这个过程。
