摘要
核能是一种清洁低碳安全高效的能源，20世纪以来，我国积极推动核电建设。随着核电系统的规模和容量不断扩大，对核电厂的安全提出了更高的要求。然而，传统监控系统存在工作量庞大、重复性劳动枯燥、监测反应迟缓以及漏检率较高等问题已无法满足核电厂的安全需求。近年来，随着计算机视觉和目标检测技术的飞速发展，基于视觉AI的安全监控系统应运而生，弥补了传统监控技术的不足。因此，本文结合视觉AI技术，研究满足核电厂安全需求的监控系统。 本文针对核电厂的安全需求，研究了核电厂场景下不安全行为检测模型和烟火检测模型，同时，自主构建数据采集硬件平台，设计目标检测和可视化软件试验平台。具体研究内容如下： （1）针对不安全行为检测任务中对小目标以及遮挡目标检测精度低的问题，提出基于注意力机制的不安全行为检测模型。以YOLOv8n模型为基础，在主干网络中添加CBAM注意力机制模块，提高网络对重要特征的聚焦能力，抑制不相关信息的干扰，从而增强模型的长距离记忆能力；优化空间金字塔池化模块的激活函数，减少模块的计算量；改进NMS的判断标准，使其能够有效的识别和抑制冗余检测框，从而在保持高召回率的同时提高定位精度。在数据集Unsafe Behavior上实验，本文所提出的模型平均检测精度达到94.8%，相比YOLOv8n提升3.6%。 （2）针对烟火检测任务中无法适应烟火复杂形变、阴燃火检测精度低以及错检问题，提出特征增强的烟火检测模型。以YOLOv5s为基础，提出一种融入可变形卷积DCNv2的CBS模块，它通过引入可学习的偏移量来增强模型对几何变化的适应能力，以此克服烟雾火焰的复杂形变特性，加强模型的特征提取能力；将颈部网络改为双向特征金字塔网络，平衡不同尺度的特征信息，增强特征的表达能力；在边界框回归损失函数中引入权重机制，通过加权的方式使得模型对边界框的尺寸变化更加敏感。在数据集Fireamp;Smoke Data上实验，本文所提出的模型平均检测精度达到93.7%，相比YOLOv5s提升4.2%。 （3）将本文提出的模型应用到核电厂安全监控系统中，自主构建数据采集硬件平台，并设计目标检测和可视化软件试验平台。通过平台界面设计、按钮控件设置、相关算法集成以及功能实现，构建了具备不安全行为检测、烟火检测、风险警告、参数设置等功能的安全监控系统。
NETL