Актуальність цього дослідження визначається необхідністю вдосконалення процесів вимірювання розмірів об’єктів у важкодоступних умовах. В сучасному промисловому середовищі, де висока точність вимірювань є критичною для забезпечення безпеки та максимізації ефективності виробничих процесів, вивчення цієї теми стає актуальним в контексті стрімкого технологічного розвитку та підвищених вимог до якості виробництва. Мета цього дослідження – оцінити можливості використання сучасних методів комп’ютерного зору для вимірювання та реконструкції об’єктів у складних технічних умовах, таких як вигородка водо-водяного енергетичного реактора. Для досягнення цієї мети використовувалися методи 3D фотограмметрії, включаючи Depth from Stereo та Multi-View Stereo, а також методи структури з руху Structure from Motion. У результаті цього дослідження було виявлено, що сучасні методи комп’ютерного зору, зокрема методи машинного навчання, можуть бути успішно використані для вимірювання та реконструкції об’єктів у важкодоступних умовах. Дослідження показало, що точність вимірювань може досягати значень близьких до 1 мм в ідеальних умовах і при відстані 1.5 від вимірювального пристрою до об’єкту. При цьому метод Multi-View Stereo виявив більшу рівномірність просторового розподілу похибок порівняно з методом Depth from Stereo. На практиці, в умовах реальних фотографій, метод Multi-View Stereo виявився більш вимогливим до точного визначення положення камери. Завдяки своїй невибагливості до точних координат камер, метод Depth from Stereo продемонстрував кращі результати, показуючи меншу похибку у вимірюваннях. Дослідження також вказало на можливість використання запропонованого методу для розрізнення коливань у висоті поверхні об’єкта, що є важливим для подальших застосувань у сфері обслуговування реактора та інших сферах промисловості. Практична цінність цього дослідження полягає в розробці та валідації методів вимірювання та реконструкції об’єктів в умовах, коли традиційні методи стають обмеженими або недоцільними
реактор водо-водяного енергетичного типу, нейтронні поля, фізичні властивості, бінокулярна система, машинне навчання
[1] Ageiev, S. (2021). Methodology for assessing the allowable wall thicknesses of carbon steel NPP piping under erosion-corrosion wear. Nuclear and Radiation Safety, 3(91), 32-42.
[2] Choi, Y., Bae, J.H., & Yeo, D. (2021). Deep-learning-based nuclear power plant fault detection using remote light-emitting diode array data transmission. Microwave and Optical Technology Letters, 63(12), 155-61. doi: 10.1002/mop.32974.
[3] Ding, Y., Yuan, W., Zhu, Q., Zhang, H., Liu, X., Wang, Y., & Liu, X. (2021). TransMVSNet: Global context-aware multi-view stereo network with transformers. Computer Vision and Pattern Recognition
[4] Faqih, Y., Rahmanto, Y., Ari Aldino, A., & Waluyo, B. (2022). Application of string matching using the Boyer-Moore algorithm in the development of an online book search system. Bulletin of Computer Science Research, 2(3), 100-106. doi: 10.47065/bulletincsr.v2i3.172.
[5] Galliani, S., Lasinger, K., & Schindler, K. (2015). Massively parallel multiview stereopsis by surface normal diffusion. In: 2015 IEEE International Conference on Computer Vision (ICCV) (pp. 873-881). Santiago: IEEE. doi: 10.1109/ICCV.2015.106.
[6] Griwodz, C., Gasparini, S., Calvet, L., Gurdjos, P., Castan, F., Maujean, B., De Lillo, G., & Lanthony, Y. (2021). AliceVision Meshroom: An open-source 3D reconstruction pipeline. In: Proceedings of the 12th ACM Multimedia Systems Conference (MMSys ‘21) (pp. 241-247). Istanbul: MMSys. doi: 10.1145/3458305.3478443.
[7] Jin, J., Lim, Y., & Bang, C. (2023). Deep-learning-based system-scale diagnosis of a nuclear power plant with multiple infrared cameras. Nuclear Engineering and Technology, 55, 493-505. doi: 10.1016/j.net.2022.10.012.
[8] Kukhlenko, M.V. (2023). Study of two-dimensional stationary problems of thermal conductivity in heat exchangers of nuclear power plants. Kyiv: National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”.
[9] Levchenko, V. (2021). Improvement of thermometric control of Nuclear Power Plant equipment based on the study of the possibility of using intelligent sensors. Scientific Herald of Uzhhorod University. Series “Physics”, 49, 26-34.
[10] Li, J., Wang, P., Xiong, P., Cai, T., Yan, Z., Yang, L., Liu, J., Fan, H., & Liu, S. (2022). Practical stereo matching via cascaded recurrent network with adaptive correlation. Computer Vision and Pattern Recognition. doi: 10.48550/arXiv.2203.11483.
[11] Morgan, D., Pilania, G., Couet, A., Uberuaga, B.P., Sun, C., & Li, J. (2022). Machine learning in nuclear materials research. Current Opinion in Solid State and Materials Science, 26(2), 687-692. doi: 10.1016/j.cossms.2021.100975.
[12] Mosagutova, T.V. (2021). Regularities of controlling the structure and material properties of pipelines under the conditions of NPP operation. Kyiv: National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”.
[13] Mеng, A.B., & Gräbe, P.J. (2021). RailEnV-PASMVS: A perfectly accurate, synthetic, path-traced dataset featuring a virtual railway environment for multi-view stereopsis training and reconstruction applications. Data in Brief, 38, article number 107411. doi: 10.1016/j.dib.2021.107411.
[14] Pylypchynets, I. (2022). Optimal scheme for stimulating photofission of shielded nuclear materials on the Microtron M-30: A combination of theoretical and experimental studies. Scientific Herald of Uzhhorod University. Series “Physics”, 52, 16-26.
[15] Qian, G., & Liu, J. (2023). Development of deep reinforcement learning-based fault diagnosis method for rotating machinery in nuclear power plants. Progress in Nuclear Energy, 152, 408-412. doi: 10.1016/j.pnucene.2022.104401.
[16] Schonberger, J.L., & Frahm, J.M. (2016). Structure-from-motion revisited. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 4104-4114). London: CVPR.
[17] Sun, Z., Zhang, C., Chen, J., Tang, P., & Yilmaz, A. (2020). Predictive nuclear power plant outage control through computer vision and data-driven simulation. Progress in Nuclear Energy, 127, article number 103448. doi: 10.1016/j.pnucene.2020.103448.
[18] Sunak, P.O., Siny, S.V., Melnyk, Yu.A., Ksonshkevych, L.M., Krantovska, O.M., & Orešković, M. (2020). Reconstruction of engineering structures and networks, landscape based on laser scanning technology. Modern Technologies and Methods of Calculations in Construction, 18, 114-119. doi: 10.36910/6775-2410-6208-2022-8(18)-16.
[19] Sytnyk, K. (2020). Improvement of technology characteristics measuring accuracy and performance at atomic power station. Zaporizhzhia: National University “Zaporizhzhia Polytechnic”.
[20] Xu, Y., Cai, Y., & Song, L. (2023). Condition assessment of nuclear power plant equipment based on machine learning methods: A review. Nuclear Technology, 209(7), 929-962. https://doi.org/10.1080/00295450.2023.2169042.
[21] Yao, Y., Wang, J., Xie, M., Hu, L., & Wang, J. (2020). A new approach for fault diagnosis with full-scope simulator based on state information imaging in nuclear power plant. Annals of Nuclear Energy, 141, article number 107274. doi: 10.1016/j.anucene.2019.107274.
[22] Zelinskyi, A.O., & Lisovskyi, V.V. (2023). Software development based on cloud architecture for analysis of machine images. Ternopil: Ternopil Ivan Puluj National Technical University.
[23] Zhong, X., & Ban, H. (2022). Pre-trained network-based transfer learning: A small-sample machine learning approach to nuclear power plant classification problem. Annals of Nuclear Energy, 175, article number 109201. doi: 10.1016/j.anucene.2022.109201.