사용후핵연료 육안검사 시스템 자동화를 위한 인공지능 알고리즘 적용 연구

Abstract

우리나라 원자력발전소에서는 원자력법 시행규칙 제145조(기록과 비치), 사용후핵연료 인도규정(원자력안전위원회 고시 제2021-22호) 제9조(결함핵연료의 인도) ③항에 따라서 사용후핵연료 육안검사를 수행하는데, 현재 수행하고 있는 육안검사는 4면 육안검사장비를 사용하여 사람이 직접 카메라로 촬영된 영상을 육안으로 검사한다. 이러한 과정은 시간이 매우 많이 소요되고, 긴 시간 동안 검사자는 높은 집중력을 유지하는 것이 어려워 결함 검출 성능이 하락할 가능성이 있다. 또한 매우 작은 결함을 인간의 시력으로 판별해내기가 쉽지 않다는 어려움도 있다. 따라서 영상 처리 기반 방법으로 핵연료 결함 육안검사를 자동화하는 것이 필요하다. 본 연구에서는 핵연료 결함 검출 분야에서의 Mervin의 영상처리기반 방법, Guo et al.의 방법을 각각 분석하였고, 핵연료 결함 검출 분야가 아닌 타 분야에서의 Papamarkou et al.과 Tabernik et al.의 영상 처리 기반 방법을 각각 분석하였다.[1-4] 손상된 핵연료봉에 대한 영상이나 사진 데이터는 보안 문제로 인하여 사용이 어렵기 때문에 마젠타 색상을 이용해 핵연료의 손상을 모사하여 가짜 연료봉 사진을 생성하였다. 이 때 DC-GAN 알고리즘을 활용하여 총 1200장의 데이터를 확보하였다. 생성된 데이터와 기 확보했던 사진 데이터에 YOLOv5 알고리즘을 적용하여 학습 및 결함 검사를 진행하였다. 그 결과, 결함이 존재하지만 결함이 없다고 판단하는 위음성이 약 4.6% 도출되었다. 추후 고품질의 사용후핵연료 육안검사 영상을 다수 획득한다면 본 논문에서 분석한 내용을 기반으로 효율적이고 효과적인 영상 기반의 자동 핵연료 결함 검출 시스템을 개발할 수 있을 것으로 판단된다.| In South Korean nuclear power plants, visual inspections of spent nuclear fuel are currently conducted manually according to Article 145 (Recording and Retention) of the Nuclear Safety Act Enforcement Rules and Article 9 (Delivery of Defective Nuclear Fuel) of the Regulations for the Delivery of Spent Nuclear Fuel (Notification No. 2021-22 by the Nuclear Safety Commission). This process involves using four-sided visual inspection equipment where individuals directly inspect the images captured by cameras with their own eyes. However, this manual inspection process is time-consuming, and maintaining high levels of concentration over extended periods is challenging for inspectors, potentially leading to a decrease in defect detection performance. Additionally, the human eye faces difficulties in discerning very small defects. Therefore, there is a need to automate the visual inspection of nuclear fuel defects using image processing methods. In this study, we analyzed Mervin's image processing-based method and Guo et al.'s method in the field of nuclear fuel defect detection, as well as the image processing-based methods by Papamarkou et al. and Tabernik et al. in other fields [1-4]. Due to security concerns, it is difficult to access damaged fuel rod images or photographs. Therefore, we created simulated images of damaged fuel rods using magenta color. The DC-GAN algorithm was employed to generate a total of 1200 synthetic data. The generated data, along with the available photographic data, were used for training and defect detection using the YOLOv5 algorithm. The results showed a false-negative rate of approximately 4.6%, where defects were present but incorrectly identified as defect-free. If high-quality visual inspection videos of spent nuclear fuel are obtained in the future, we believe that the findings of this study can serve as a basis for developing an efficient and effective image-based automated system for nuclear fuel defect detection.