一种用于测试核反应堆材料和部件的新机器视觉系统可以实时显示损坏，例如辐射引起的膨胀和缺陷。它可以加快先进核反应堆组件的开发，这可能在减少温室气体排放以应对气候变化方面发挥关键作用。

该大学核工程和放射科学副教授凯文菲尔德说：“我们相信，我们是世界上第一个在纳米长度尺度上展示基于实时图像检测和辐射损伤量化的研究团队。”密歇根州机器视觉初创公司Theia Scientific 的副总裁。

解释技术可以适用于其他类型的基于图像的显微镜。

“我们看到了加速能源、交通和生物医学领域发现的明确途径，”菲尔德说。

这项新技术在密歇根离子束实验室进行了测试。通过向材料样本发送带电原子束（称为离子），实验室可以快速模拟在核反应堆中使用数年或数十年后所遭受的损害。该团队使用惰性气体氪离子束来测试铁、铬和铝样品——裂变和聚变反应堆都感兴趣的耐辐射材料。

“如果辐射暴露使您的金属像瑞士奶酪而不是优质的威斯康星切达干酪，您就会知道它不会具有结构完整性，”菲尔德说。

撞击样品的氪离子会产生辐射缺陷——在这种情况下，一个缺失或额外原子的平面夹在两个普通晶格平面之间。它们在电子显微镜图像中显示为黑点。实验室能够用电子显微镜观察这些缺陷的发展，电子显微镜在辐照过程中运行，记录视频。

“以前，我们会为辐照实验录制整个视频，然后只对几帧进行表征，”与 Theia Scientific 总裁 Christopher Field 一起进行实验的核工程和放射科学博士后研究员 Priyam Patki 说。“但是现在，在这项技术的帮助下，我们能够对每一帧进行分析，让我们实时洞察缺陷的动态行为。”

为了评估辐射引起的缺陷，研究人员通常会下载视频，回到办公室，并计算选定帧中的每个缺陷。对于现代显微镜创建的数百甚至数千个图像或视频帧，由于手动计算每一帧中的缺陷太费力，因此会丢失许多详细信息。

该团队没有手动计数，而是使用 Theia Scientific 的技术在实验过程中即时检测和量化辐射引起的缺陷。该软件将结果显示在叠加在电子显微镜图像上的图形中，这些图像标记缺陷——给出它们的大小、数量、位置和密度——并将这些信息总结为结构完整性的衡量标准。

机器学习软件使用卷积神经网络（一种非常适合解释图像的人工神经网络）来分析电子显微镜视频帧。神经网络在不同质量的样本中实现了高速和稳健的解释，这反过来又实现了从手动解释到实时机器视觉的飞跃。

“结构完整性的实时评估使我们能够在材料性能不佳时及早停止并切断任何广泛的基于人的量化，”凯文菲尔德说。“我们相信，我们的流程将从想法到结论的时间缩短了近 80 倍。”

该项目由美国能源部小企业创新研究计划（第一阶段）资助。Theia Scientific 目前正在制定其第 2 阶段的提案，这将有助于完成主要的研发工作。该公司预计预生产装置将于 2022 年上市。

该项目的其他合作者包括 UM 材料科学与工程副研究科学家 Kai Sun；Fabian Naab，密歇根大学核工程和放射科学研究实验室专家；和 Dane Morgan，威斯康星大学 Harvey D. Spangler 工程学教授。

机器学习算法依赖于密歇根大学开发的数据集，Theia Scientific 寻求许可。Kevin Field 在 Theia Scientific 拥有经济利益。Theia Scientific 由 Field 兄弟于 2020 年共同创立。