标签：http hyper 方案 示例 蓝色 有关 镜像 大学 定位
https://mp.weixin.qq.com/s/4wEi_U6zvZ2iD3UTJhOjhABy 超神经
场景描述：美剧《切尔诺贝利》的热播，让观众再次感受了核事故的恐惧。通过将工智能技术应在核防护和核安全上面，会带来卓有成效的收获，也许，合理的利用人工智能「约束」核能的利用，才会更大的发挥资源的价值。
关键词：核能发电 核防护 图像处理 分布模型 关联数据集：Sun-Hays 80 超分辨率数据集（311.01 M ），由布朗大学发布，文末有详细介绍和下载地址。
《权游》终于在崩坏式的剧情里草草收尾，一代神剧落得如此结局，不免让人唏嘘。但 HBO 并没有给观众太多缓神的机会，另一部神剧，又出现在人们的视野里。
最近大热的美剧《切尔诺贝利》，才更新到第三集（总五集），就已经在各大评分网站上，被评出完美的分数，迅速成为万人追捧的神剧。
HBO 最新出品的美剧「切尔诺贝利」海报
抛开制作上的优点，它能如此火爆的一个原因，还在于切尔诺贝利核事件本身的话题性，因为它承载了灾难级核事故的记忆。
切尔诺贝利核电站事故于 1986 年 4 月 26 日发生在乌克兰的北部，当时的乌克兰还隶属于苏联。
当天，该电站第 4 发电机组爆炸，核反应堆全部炸毁，大量放射性物质泄漏，成为核电时代以来最大的事故（七级）。辐射危害严重，导致事故前后 3 个月内有 31 人死亡，之后 15 年内有 6-8 万人死亡，13.4 万人遭受各种程度的辐射疾病折磨。
在核电工业中，人工智能有没有办法进行安全防护呢？
严重的核电厂事故，造成了巨大的灾难。但核能作为世界上重要能源之一，还是吸引着人们去探索它的发展。
核能最吸引人的地方，在于它拥有惊人的能量：一千克的铀-235（常用的核燃料），裂变释放出的能量，相当于 2700 吨煤燃烧放出的能量。
世界上核电厂分布（ 2016 ）
蓝色：运作中，紫色：下线，红色：关闭，灰色：建设中
但能量越大，不可控性也越大，一旦脱缰，造成的破坏也就越大。
而在以往的事故中，人为操作不当的诱因占了很大一部分。所以，如何用技术实现更安全的核能利用，才是最亟待解决的问题。
引入自动化部署，甚至是人工智能的相关方案，在维护设备生产安全，以及安全监测方面，有机会让核能成为更温顺的野马。
美国是世界上最大的商业核电供应国，提供约 20％ 的电能。但在 1952 年至 2010 年间，美国发生了 56 起不同程度的事件，其中有19起与防护层破裂或故障泄漏有关。为了作出补救，耗资达到 20 亿美元。
那些本该坚实的防护部件，以内老化等原因，出现了功能损失和安全损伤，其中包括开裂，疲劳，脆化，磨损，腐蚀，氧化等。这就为安全蒙上了一层阴影。
为了解决这个问题。Purdue 大学的一个研究团队，开发出了一个 CRAQ（裂缝识别和量化）系统。
该系统将图形处理与深度学习相结合，利用对防护层视频的分析，识别出金属纹理的变化，以预测和锁定裂缝的问题。
检测模型的流程图
核反应堆通常需要浸没在水中，以维持冷却，而且由于高温和辐射等因素，不能直接手动检查反应堆的部件。智能通过远程录制的水下反应堆表面视频，来发现裂缝。
但纯人工的审查，工作量大而且容易出现纰漏，为了开发出高效的检测系统，研究人员收集了内部核电厂组件的 20 个水下标本的视频。以每秒 30 帧的速度扫描样本，利用卷积神经网络检查每个帧的裂缝。
算法观察到从一帧到下一帧的裂缝，能够解释由于移动的相机而改变的配置，精确定位裂缝的位置。该算法模拟了人类视觉从不同角度仔细检查裂缝的能力，而且能避免拍摄光线造成的影响。
模型检测出的裂缝，黄色为微小裂缝的放大图
该方法还使用包含大约 300,000 个裂缝和非裂缝的数据集来检测模型。试验表明，CRAQ 系统在追踪裂缝方面的成功率为 98.3％。
核电厂能投入生产，还是做过层层安全把关的，但意外因素导致的危险发生时，除了管理层要想办法解决应对之外，还有一个重要的方面，就是及时合理的安排人群的撤离。
世界上另一个被定为七级的核事故，是 2011 年日本福岛的核电站灾难。为了让此类事件造成的额影响尽可能小，在应对核泄漏事件上，机器学习等相关技术，也被用来帮助撤离。
2018年7月，东京大学的研究人员，开发了一套基于机器学习的工具，用于预测放射性物质的地域分布。
当发生核电厂事故并释放放射性物质时，尽快疏散附近居民至关重要。然而，很难立即预测泄露的放射性物质将在何处沉降，从而无法避免人群的暴露在危险中。
这个研究团队，通过气象模拟标记的近地面风况数据集，训练了机器学习模型，能够通过算法，预测出放射性物质将在哪里分发，同时预测出传播的路径等。
2011 年放射性物实际分布，以及用模型计算结果，有很好的准确性
在用历史天气模式数据进行训练后，该工具始终实现超过 85％ 的预测准确性，冬季或可预测天气占主导地位时，准确率达到 95％。并且还证明了，模型能够提前 33 小时作出准确判断。
此系统可以帮助在核泄漏事故发生后立即撤离。以便更好地在灾难发生时，作出积极的对策。
马一龙曾经在某次谈话中说过，「AI 比核武器危险得多」。
当下关于 AI 在核能方面的利用，聚焦点不在防护或者安全检测上，而是更多被放在了 AI 会导致的危险上。
诚然，若被用于武器研究等方面，AI 势必会带来严重的威胁。但不要忘了，目前这个阶段里，技术被用于什么地方，还完全是人类的责任。
英国国家核机器人中心研发的处理核废料的机器人
英国曾报道过，利用 AI 和机器人帮助清理核电厂废料的收集和处理，这项会危及人类的工作，使用新的技术，就能轻松地解决。这和 AI 在核防护方面的努力都一样，都是在为人们利用核能打造定心丸。
也许，只要用对了地方，AI 就能约束住核能，守护好我们的地球家园。
超神经数据集
超神经HyperAI 搜集并整理全球数百个公开数据集，并提供国内镜像下载，对科研机构和开发者们提供免费服务。
Sun-Hays 80 数据集：
Sun-Hays 80 数据集是一个用于超分辨率研究的图像数据集。
所有者使用全局场景描述符和 Internet 规模的图像数据库来查找类似的场景，这些场景提供了理想的示例纹理来约束图像上采样问题。
该数据集于 2012 年由布朗大学发布，大小为 311.01 MB，相关论文：Super-resolution from Internet-scale Scene Matching。
更多有关图像处理数据集，请访问 https://hyper.ai 下载。
标签：http hyper 方案 示例 蓝色 有关 镜像 大学 定位
原文地址：https://blog.51cto.com/14929242/2535310
