杨会敏 ，李春棚 ，袁新安 ，杨 涛，杨建龙，刘子淇，梁登博

(1.核工业工程研究设计有限公司，北京 101300;2.中国石油大学(华东) 海洋油气装备与安全技术研究中心，青岛 266580)

在核设施建造过程中，传统胶片射线检测是主要的体积检验技术，但射线检测需要专用的时间窗口和作业场所，焊接施工和检测无法并行进行，同时射线检测结果通常需滞后一天，影响安装施工顺序，射线检测的辐射安全风险也比较大[1]。因此，为提高核设施建造项目的检测效率，规避大面积射线检验带来的辐射安全风险，必须采用先进可靠的检测技术克服上述难题[2]。

交流电磁场检测(ACFM)技术可检测工件结构表面或亚表面是否存在缺陷并对缺陷进行可视化评估，具有适应性强、可操作性强、效率高、准确率高等优点[3]。

应用ACFM技术检测缺陷时，如果引入图像处理和智能识别技术，能减少人工评判，降低误判和漏判的可能性，减少工程事故的发生[4]。目前国内外基于ACFM技术的缺陷识别方法主要分为以下两类：① 依据特征信号或者时基图，该方法很难对缺陷信号进行自动判定与智能识别，易造成缺陷的误判和漏判；② 基于C扫描方法或特征信号显示方法，该方法不能直观地反映缺陷结构，很难准确地获得缺陷的类型和形貌[5-6]。这两种方法都难以实现缺陷的实时智能识别。

深度学习目标检测算法[7-8]可以为交流电磁场缺陷智能识别与判定[9]提供一个有效的解决方案。单发多盒检测器(SSD)算法就是一种深度学习目标检测算法[10]，其采用不同深度的卷积特征层来进行检测，浅层的特征层可以检测一些小缺陷，深层的特征层可以检测大缺陷。……