核电是优化能源结构、实现绿色能源供给的重要方式,核燃料芯块作为核反应堆燃料组件的核心部件,其外观质量检测是保障反应堆安全高效运行的重要步骤。裂纹是一种典型的表面质量问题,通常很细小且方向形态各异,传统图像处理算法及机器学习算法难以实现对裂纹的准确检测,全监督的深度学习裂纹分割算法依赖于大量的像素级标注,而由于芯块生产工艺特殊、裂纹检测专业性较强等原因,难以获得大量的裂纹像素级标注。针对此问题,本课题提出一种基于弱监督学习的芯块裂纹检测算法,在仅提供边框级或图像级标注情况下,实现核燃料表面裂纹的高精度检测。具体研究内容如下:（1）芯块表面裂纹数据集的构建与基础分割模型的选定。针对芯块表面特点选择合适的芯块周面裂纹采集系统,建立包含像素级、边框级、图像级三种标注等级的裂纹数据集。随后,对比测试三种不同架构的全监督分割模型（FCN、U-Net、Mask R-CNN）,验证卷积神经网络对芯块表面裂纹检测的可行性,选定Mask R-CNN模型作为后续弱监督学习的基础分割模型。（2）提出基于局部融合分割的边框级弱监督裂纹分割模型。针对边框级标注缺少目标精细标注问题,使用Grab Cut与WOV融合方式提取裂纹前景,同时使用Canny约束前景边缘,获得裂纹像素级伪标签。针对Mask R-CNN对气孔、坑洼等区域存在误检问题,优化特征提取网络,添加空间注意力模块以加强对裂纹区域的局部响应。同时改进头部网路损失函数部分,进一步加强网络对难例区域的识别能力,减少模型误检、漏检情况。（3）提出基于约束多尺度类激活图的图像级弱监督裂纹分割模型。在边框级标注基础上,进一步弱化监督信息,提高模型泛化能力。针对传统类激活图分辨率低、无法提供完整裂纹前景的问题,提出基于Res Net50的约束多尺度类激活图伪标签生成策略,通过融合多尺度激活图获得相对完整的裂纹前景,同时引入Highlight损失对激活图目标边缘激活值进行约束,缓解伪标签过包围问题。在此基础上,使用集成方法集成约束多尺度类激活图与局部融合分割两种伪标签生成策略,充分利用图像各类特征以获得高质量伪标签,进而完成高精度的裂纹分割模型训练、检测。通过系列消融实验表明,全监督分割模型中Mask R-CNN在测试集中获得86.04%的交并比,能够分割出裂纹的主干区域。在此基础上,特征提取网络与损失函数两方面的优化一定程度上弥补了边框级标注所生成的伪标签带来的模型不确定性,最终基于局部融合分割的弱监督裂纹分割模型交并比达到了81.91%。更进一步的,在图像级弱监督中,约束多尺度类激活图模块生成伪标签时利用了图像中间层与深层特征图,局部融合分割利用浅层特征图,两者集成能充分利用图像信息,最终集成模型获得82.52%的交并比,达到全监督模型的95.91%,验证了基于边框级和图像级标注的弱监督裂纹分割可行性。