01
資料收集與分佈
核電資料具高度敏感性，取得需經嚴格審核；且瑕疵樣本稀少導致資料分佈極度不平衡，直接影響 AI 學習效果。
核能安全智慧化
AI 渦電流瑕疵辨識自動化
本專案係受行政院原子核能委員會核能研究所委託開發之人工智慧應用系統，專門針對核電廠設備檢測中的渦電流檢測技術進行智慧化升級。 透過建構一套完整的 AI 輔助檢測系統，實現核電廠渦電流訊號瑕疵的自動化辨識，不僅能大幅提升檢測效率，更能確保檢測結果的一致性與可靠性，為核電廠的安全運轉提供更堅實的技術保障。
AI 瑕疵辨識核電訊號分析多頻道模型訓練自動化檢測報告
專案類型
政府專案
開發分類
AI應用
BACKGROUND
專案背景
本專案係受行政院原子核能委員會核能研究所委託開發之人工智慧應用系統，專門針對核電廠設備檢測中的渦電流檢測技術進行智慧化升級。 • 關鍵技術應用：廣泛應用於核子反應器各種金屬管路、蒸汽產生器管束及熱交換器之完整性檢測。 • 傳統流程瓶頸：高度依賴專業檢測人員經驗，人工分析大量訊號耗時費力，且易因人為因素導致判讀不一致。 • 數位升級動機：面對檢測資料量快速增長，透過機器學習與深度學習建立瑕疵自動辨識系統，確保檢測結果的一致性。 • 技術能量建立：建構 AI 輔助檢測系統，自動處理不同頻道與波段之瑕疵特徵，降低工作負擔並建立國際競爭力。
CHALLENGES
專案挑戰與深度評估
本專案面臨的核心技術挑戰主要在於資料收集、模型訓練與自動化整合三大面向：
02
模型訓練複雜度
不同頻道（1、3、4、5、P1-3）訊號特性差異顯著，需分別建立專門模型；並需整合 pA、pB、pC 三波段資訊建立統一判斷。
03
自動化整合技術
需開發自動控制現有軟體的機制，包括自動開啟檔案、精確定位訊號點、擷取圖像並產出報告，穩定性要求極高。
04
雜訊環境干擾
環境中存在電磁干擾與設備振動雜訊，考驗 AI 模型在雜訊環境中識別真實瑕疵的強健性（robustness）。
SOLUTIONS
策略解法與亮點
本專案聚焦於高效的 AI 模型建構與自動化控制流程整合：
AI 模型層 (TensorFlow)
採用卷積神經網路 (CNN) 作為基礎，使用 Sequential 設計結合卷積層、池化層與全連接層，並透過 Early Stopping 確保訓練品質。
自動化控制層 (OpenCV)
整合 GUI 自動化與影像處理技術，執行檔案開啟、訊號定位、圖像擷取與結果輸出，實現端到端自動化。
系統穩定性優化
影像處理框架負責預處理、裁切與雜訊過濾；多執行緒架構則同時處理使用者互動與自動化任務，確保操作穩定。
TECH STACK
技術實踐與框架
我們採取分階段、模組化的開發策略，確保系統在高度複雜的規則下穩定運作：
01
漸式開發策略
採取「先單頻道後多頻道」原則，優先針對訊號特徵明確的頻道建立基礎模型，降低技術風險。
精準受控開發 敏捷原型驗證 研發資源優化
02
解耦式架構設計
採用「AI 辨識與自動化分離」架構，將機器學習模型與自動化控制系統獨立開發，確保可維護性。
極致維護彈性 高擴展性架構 同步開發優勢
03
四階段實作流程
涵蓋資料收集預處理、專門化 AI 模型訓練、自動化控制機制設計，以及最後的系統整合與實地測試。
全鏈路工程化 專門化精度提升 實測情境驗證
IMPACT
專案成果與價值
效率與準確性雙重提升
實現瑕疵自動化辨識，大幅提升檢測效率並確保檢測結果的一致性與可靠性。
標準化檢測作業
有效降低檢測人員工作負擔，提升作業標準化程度，為核電廠安全運轉提供技術保障。
智慧檢測技術能量
成功整合 AI 模型與自動化系統，為核能研究所建立具備國際競爭力的智慧檢測技術。
