雷锋网AI科技评论按：相信大家对核电站都不陌生，可是对核反应堆的日常维护与检测了解多少呢？雷锋网了解到，定期对核电站进行安全检查就好比人们要定期上医院进行体检一样，十分有必要。传统的人工检测不仅效率低，而且对一些细微的钢表面缝隙很难发现。这些缝隙一旦被漏检，就会泄漏放射性物质进入水或空气，给人类造成生命危险。因此，在AI时代，迫切需要找到新的方法来替代传统检测。
对核电站来说，定期检查就是为了在酿成事故或问题变得严重之前，找到存在的裂缝或发现其他问题。然而，在核电站中检测裂缝并没有那么容易，因为核反应堆都是在水下，检测人员不能直接对其检测，只能通过检测摄像机拍摄的视频逐帧对金属表面进行仔细检查。
Mohammad Jahanshahi 是普渡大学（Purdue University ，下同）的土木工程系教授。他提出了一个更好的方法，利用GPU加速深度学习和机器学习实现核电厂裂缝的自动检测。5月8-11号，在硅谷举办的GTC 2017，他会讲到他是如何实现核电厂和其它基础设施的自动化检查。雷锋网也会在第一时间到达现场对大会进行报道。
“在一个核电厂中，即使是一个小小的裂缝也会导致放射性物质泄漏，”Jahanshahi说，“它可以扩散并导致核事故。”裂缝带来的代价也很大。日益恶化的地下管道泄露放射性氚进入地下水之后，Jahanshahi说，在佛蒙特洋基核电站（Vermont Yankee Nuclear Power Plant），2010年的一起事故就造成多达7亿美金的损失。他同时补充道，1996年康涅狄格Milestone核电站由于阀门泄露造成的事故，耗费了2.54亿美元。
Jahanshahi的预见在这一时刻到来了。根据世界核工业现状报告，全球接近15%的核能源设备运行时间都超过了他们预设的40年寿命，在美国，有超过三分之一的设备是这样。包括美国在内的几个国家授权电站寿命达到了60年。
随着核电站的老化，它们的部件变得更容易受到热、压力和腐蚀性化学物质而引起裂缝或其他问题。仅在过去的十年中，全球至少有十几家核电厂报道了裂缝问题。
Jahanshahi说，电站出现问题的其中一个原因就是检测不足。他在最近一期的《计算机辅助土木与基础设施工程》杂志中发表了他的研究结果。
Jahanshahi与普渡大学的博士生Fu-Chen Chen合作开发的自动化系统，将会在问题变得更糟之前探测到设备问题。
建筑就像人一样，如果你及早发现“症状”，就可以避免“生病”。
实际上 Jahanshahi 和 Chen并不是第一个吃螃蟹的人，此前也有其他方法对裂缝进行检测。但像其他设计用来检查检测视频中单帧画面的方法，经常会错过一些细微的缝隙，而且也很难区分一些异常现象，比如焊点和刮痕。
普渡大学的系统称为CRAQ（crack recognition and quantification），也就是裂缝的识别和量化，通过多个视频帧中的融合信息来发现钢表面可能产生裂纹的纹理变化。这个系统可以看到在不同照明条件和不同角度下的视频中的裂缝。
研究人员利用机器学习技术开发了他们最初的系统，并且现在他们正在搭建深度学习算法来提高精度。团队使用CUDA并行计算平台，用几千帧检测视频来训练它的算法。Pascal架构是基于英伟达泰坦 X和GeForce GTX 1070 GPU以及cuDNN.
Jahanshahi希望深度学习方法可以改善美国的基础设施状况。他说：“随着计算机的GPU计算能力提升，我们可以利用计算机视觉、图像处理和深度学习来解决这个问题。”
要想了解更多关于“AI计算如何改变能源和其他行业”的信息，请关注5月8-11号在硅谷举办的GTC 2017。雷锋网将会第一时间为大家带来相关报道。
此外，在美国西部时间5月10日上午9：00 - 11：00，黄仁勋将用2个小时的Keynote阐明今年NVIDIA推动人工智能和智慧城市的全线产品和战略，大家可以关注官方页面http://nvda.ws/2qQOhGM收看。
via NVIDIA，雷锋网编译
正在生成分享图...
Nemo