Segmentation of fuel rod end plugs

Abstract

We present deep learning models for the automatic analysis of nuclear fuel assembly inspection images. The main task is measurement of relative rod height in milimeters. For this purpose we suggest segmentation of rod plugs, segmentation of spacer grid and mea- surement based on rods distance. Models based on EfficientNetV2-S and ConvNeXt-Tiny backbones were trained on synthetic and real datasets, with extensive data augmenta- tion techniques to improve robustness. A detailed evaluation shows that the proposed approach achieves a mean rod height prediction error below 0.5 mm, significantly outper- forming the existing baseline algorithm, which reaches an average error of approximately 7 mm. The system replicates the human inspection workflow while significantly reducing manual effort and variability. Thanks to its high precision and reliability, the system is ready for practical deployment in the evaluation of nuclear fuel assemblies.

Tato diplomová práce se zabývá vývojem modelů hlubokého učení pro automatickou analýzu snímků z inspekcí palivových souborů pro jaderné reaktory. Hlavním cílem je měření relativní výšky palivových proutků v milimetrech. K tomuto účelu navrhujeme segmentaci hlaviček proutků, segmentaci distančních mřížek a následné měření na zá- kladě vzdáleností mezi proutky. Modely založené na architekturách EfficientNetV2-S a ConvNeXt-Tiny byly trénovány na syntetických i reálných datech, přičemž byla využita rozsáhlá augmentace dat pro zvýšení jejich robustnosti. Podrobná analýza výsledků uka- zuje, že navržené řešení dosahuje průměrné chyby predikce výšky proutků menší než 0,5 mm, čímž výrazně překonává stávající referenční algoritmus s průměrnou chybou přibližně 7 mm. Navržený systém kopíruje postupy lidské inspekce, zároveň však výrazně snižuje manuální pracnost a variabilitu výsledků. Výsledky této práce potvrzují, že metody hlu- bokého učení mají značný potenciál pro zvýšení přesnosti, spolehlivosti a efektivity při hodnocení palivových souborů.