基于SAM预训练大模型智能化组合策略的燃料组件水下快速精确定位优化研究

反应堆换料过程中燃料组件的精确定位是成功抓取与无损提升的关键,由于对安全性与效率的高要求,面对堆内复杂水下环境,需要在保证高精度的同时实现在多变环境中的适应性与可靠性,从而实现全自动精确定位。本研究针对该情况,建立目标检测深度学习模型(YOLO),并利用基于自然语言处理的“分割一切(SAM)”图像分割预训练大模型进行进一步切分,最后通过先验结构实现目标图形学后处理优化,提升燃料组件的定位精度。该多阶段的组合策略模型实现了全自动智能化定位过程的算法解释性,满足了换料保障现场的调试要求,同时通过目标快速检测-目标分割-形态学后处理计算的优化方案解决水下不确定性环境中的不稳定问题,具有高范用性与鲁棒性。在模拟试验环境中,该模型快速可靠、调试性强,单组件定位时间不超过1 s,误差不超过0.5 mm,换料定位效率提升超过90%,大幅度降低操作人员受辐照剂量。