ENUSA, como fabricante de combustible nuclear, debe cumplir con unos altos estándares de calidad. Un ejemplo de ello, dentro del proceso de fabricación de pastillas de UO2, son los equipos de inspección automática de pastillas para la detección de defectos y rechazo de las mismas, desarrollados por ENUSA desde el año 2000. Dos de ellos se encuentran en las instalaciones de ENUSA y, en 2019, un tercer equipo fue exportado a la fábrica de Jianzhong Nuclear Fuel Co., Ltd. (CJNF) en Yibin (China).
Los equipos de inspección automática (API) utilizan técnicas tradicionales de análisis de imágenes. Gracias al buen resultado de estos equipos, ENUSA ha continuado trabajando su evolución, más aun considerando los avances en los últimos años de los dispositivos de adquisición de imágenes y las técnicas de análisis.
El uso de redes neuronales profundas (DNN) para el análisis de imágenes proporciona resultados más fiables y mejor capacidad de discriminación frente a pequeños cambios en comparación con las técnicas tradicionales. Por ello ENUSA ha optado por investigar su uso en los equipos de inspección automática, dentro de un proyecto de colaboración con AUDIAS (Audio, Data Intelligence and Speech), grupo de investigación de la Universidad Autónoma de Madrid que cuenta con un gran conocimiento sobre redes neuronales y procesamiento de señales en aplicaciones reales.
Mediante esta colaboración se ha desarrollado un sistema de análisis de imágenes de pastillas de UO2 basado en redes neuronales profundas capaz de detectar los defectos en las imágenes adquiridas por los equipos API y clasificarlos. El proyecto ha englobado el desarrollo del sistema de análisis de imágenes basado en DNN; la creación de una base de datos de defectos mediante el etiquetado manual de los defectos en las imágenes; y el desarrollo de una herramienta software para generar gran cantidad defectos de manera artificial y mejorar los resultados de los entrenamientos de la red.
El sistema de análisis de imágenes basado en DNN está formado por dos partes bien diferenciadas: una red de capas convolucionales y una red de capas neuronales tipo fully connected unidas por una operación de transformación de los datos matriciales a un array unidimensional. Las capas convolucionales extraen sucesivamente las características más representativas de la imagen y las capas fully connected determinan la presencia de defecto y su clasificación.
Para conseguir la mejor arquitectura de la red, se realizaron múltiples pruebas con diferentes configuraciones (tamaño de la imagen de entrada, número de capas convolucionales, tamaño del filtro en las operaciones matriciales, número de capas tipo fully connected y número de neuronas en estas, etc.). Con la arquitectura que obtiene la mejor tasa de acierto (porcentaje de defectos correctamente clasificados según las etiquetas manuales) se ha llegado a obtener un nivel de acierto del 90 %.
Este resultado demuestra el potencial de las redes neuronales profundas para el análisis de imágenes y confirman la viabilidad de su uso en la detección y clasificación de defectos dentro de la inspección de pastillas de UO2.
En la actualidad ENUSA está trabajando en la integración de este sistema basado en DNN en el software de inspección de los equipos API para probar su comportamiento en condiciones reales y comparar ambos sistemas bajo las mismas condiciones. La comparación final vendrá dada por la clasificación de defectos y, en última instancia, por los niveles de falsa aceptación y falso rechazo.
