一种基于塑料闪烁体的轻量化神经网络核素识别方法
本发明属于γ能谱测量分析,具体涉及一种基于塑料闪烁体的轻量化核素识别方法。
背景技术:
1、塑料闪烁体因其低成本、优异机械性能、良好的稳定性等优势在辐射监测、核安全检查及剂量测量等领域得到了广泛应用。然而,其低原子序数(主要由 c、h 元素组成)导致对 γ 射线的光电效应截面很小,所测得 γ 能谱中几乎无法探测到全能峰,这一重要特征的缺失严重限制了塑料闪烁体探测器在核素识别任务的应用。目前大多数塑料闪烁体探测器通过比较总计数率和本底计数率来检测放射源的存在,或者根据放射源的发射能量来比较两个或多个光谱区域的计数率,从而区分天然放射源和人造放射源,无法实现具体到核素种类的精确识别。
2、为突破这一限制,研究人员提出了多种替代策略。例如,模板匹配算法通过将实测能谱与提前预存的模板能谱进行对比来识别核素,但其识别性能高度依赖模板能谱库的完备性与代表性,泛化能力有限;能谱反演方法则希望通过对实测能谱进行反卷积,直接得到入射 γ 射线的能量信息,从而判别核素种类,然而该过程对系统响应矩阵的精度比较敏感,而仿真模型与实际测量条件之间难免存在偏差,可能会导致难以取得理想的反演结果,与此同时,在测量环境发生变化时需要频繁进行标定,因此实用性受限。
3、近年来,随着人工智能技术的发展,基于机器学习的核素识别方法受到广泛关注,比如支持向量机、逻辑回归、贝叶斯方法等,与传统方法相比,它们具有识别速度快、低计数率条件下准确性高的优点,但在复杂场景下识别效果较差,并且由于需要手动提取关键特征信息来进行推理决策,仍有待进一步改进。
4、随着算力的不断突破,网络架构的迭代升级,深度学习也开始在各种识别、检测等任务上显现优势,尤其是各种深度神经网络,因其强大的非线性映射能力而被广泛用于解决识别问题。具体到辐射探测领域,研究人员使用 cnn、lstm 和 transformer 等神经网络,基本上都实现了高准确率、端到端的核素识别效果,但都应用在像 nai (tl)、csi (tl)和 cebr3 这样能识别到具有清晰全能峰特征的能谱的探测器上。有人针对塑料闪烁体开展了使用神经网络进行核素识别的工作,但可以识别的核素数目太少,应用场景受到限制。需要指出的是,为了提升核素识别效果,有些神经网络模型设计过于复杂,这种繁重的网络结构带来了大量的参数量和计算开销,难以部署到资源受限的嵌入式设备上。
5、综上,亟需一种轻量化、高精度且适用于塑料闪烁体 γ 能谱特性的核素识别方法,以拓宽塑料闪烁体的应用场景,推动其在智能辐射监测设备中实用化。
技术实现思路
1、(一)要解决的技术问题
2、本发明旨在解决现有技术中塑料闪烁体几乎无法探测到全能峰,难以通过传统的峰分析方法进行 γ 能谱特征分析,核素识别应用受限的技术问题,同时克服现有深度学习模型参数量大、难以部署在嵌入式设备上的缺陷。
3、(二)技术方案
4、为解决上述问题,本发明提出一种基于塑料闪烁体的轻量化神经网络核素识别方法。其核心思路是针对塑料闪烁体γ能谱信息密度低但有效信息高度集中的数据特性,一方面通过物理仿真手段构建大规模能谱数据集,另一方面设计专用的一维轻量化深度神经网络模型,利用其非线性拟合能力实现多种放射性核素的准确识别分类。
5、在物理仿真数据生成部分,首先搭建塑料闪烁体探测器系统,对获取的不同刻度源和本底环境原始能谱进行本底扣除和窗口平均法平滑预处理;针对实际测量环境建立仿真模型,利用参数优化方法完成能量刻度和峰形刻度:
6、
7、
8、其中为道址,,为道址对应能量,为半高宽用于模拟高斯展宽效应,,,为能量刻度参数,,,为峰形刻度参数。在完成刻度的基础上获取系统响应矩阵,并根据22na、54mn、60co、131i、137cs、133ba、152eu、241am八种放射性核素的特征能量和发射概率,逐核素建立核素响应矩阵nuclide。能谱数据集的生成公式为
9、
10、其中代表核素响应矩阵的第列,randint(0,1)随机置0或1以模拟该核素的有无,random(0.1,1)在0.1至1间取随机值以模拟活度变化;在此基础上通过改变源到探测器距离、引入谱漂以及添加高斯噪声模拟统计涨落来增强数据多样性,共覆盖八种核素的256种组合且每种组合生成固定阈值数量的样本,最终按4:1比例划分为训练集和测试集,并在训练前对数据进行归一化处理。
11、在上述物理仿真数据生成的基础上,本发明进一步在神经网络模型部分进行以下设计:考虑到γ能谱低信息密度但有效信息高度集中的序列特征,以micronet架构为基础,将其原用于图像分类的二维卷积结构重构为一维形式,提出micronet-1d模型。该模型整体由一个初始下采样模块、六个逐级堆叠的microconv模块构成的主干网络以及一个全连接分类头组成,整个网络统一采用silu激活函数:
12、
13、其中为 sigmoid 函数。
14、初始下采样模块用于降低输入序列长度并提取浅层局部特征;每个microconv模块采用反向残差瓶颈结构,内部依次通过逐点卷积进行通道扩展、分组深度可分离卷积捕获道址间局部相关性、逐点卷积完成通道压缩;模块引入恒等映射的残差连接以缓解梯度消失问题;部分关键模块内嵌压缩-激励机制,通过对通道维度执行全局平均池化后由小型门控网络自适应学习各通道权重,实现特征响应的动态校准。主干网络输出的特征图经全局平均池化沿序列维度压缩为单一特征向量后,送入全连接分类头,输出各核素存在的判定概率,完成多标签核素识别。
15、本发明方法针对塑料闪烁体无法探测到全能峰、难以通过传统峰分析方法进行核素识别的固有局限,通过上述物理仿真与轻量化神经网络相结合的技术途径,实现了对22na、54mn、60co、131i、137cs、133ba、152eu、241am八种核素的准确识别分类,为塑料闪烁体在智能辐射监测设备中的实用化提供了技术基础。
16、(三)有益效果
17、相较于现有技术,本发明具有以下有益效果:
18、1.本发明针对塑料闪烁体几乎无法探测到全能峰,难以通过峰分析方法实现核素识别的限制,使用轻量化神经网络实现了对22na、54mn、60co、131i、137cs、133ba、152eu、241am八种放射性核素的识别分类。
19、2.本发明提出了一种专用于核素识别任务的轻量化多标签分类模型,特别适用于塑料闪烁体这类难以观测到全能峰的探测器,为其提供了一种可靠、系统的核素识别初步方案,拓宽了其在放射性核素快速初步识别分类等应用场景的潜力。
1.一种基于塑料闪烁体的轻量化神经网络核素识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于塑料闪烁体的轻量化神经网络核素识别方法,其特征在于,所述塑料闪烁体对γ射线的光电效应反应截面低,无法探测到全能峰。
3.根据权利要求1所述的基于塑料闪烁体的轻量化神经网络核素识别方法,其特征在于,步骤s1中,所述平滑预处理采用窗口平均法计算得到平滑后的能谱数据。
4.根据权利要求1所述的基于塑料闪烁体的轻量化神经网络核素识别方法,其特征在于,步骤s3中,所述多种放射性核素包括22na、54mn、60co、131i、137cs、133ba、152eu、241am八种核素,所述能谱数据集针对该八种核素共计256种组合生成,且每种组合生成了固定阈值数量的数据。
5.根据权利要求1所述的基于塑料闪烁体的轻量化神经网络核素识别方法,其特征在于,步骤s3中,对所述能谱数据集在模型训练前进行归一化处理。
6.根据权利要求1所述的基于塑料闪烁体的轻量化神经网络核素识别方法,其特征在于,步骤s4中,所述silu激活函数的表达式为,其中为sigmoid 函数。
7.根据权利要求4所述的基于塑料闪烁体的轻量化神经网络核素识别方法,其特征在于,所述方法适用于所述八种核素之外的其他放射性核素,其识别过程与所述八种核素一致,仅需替换步骤s2中对应的核素特征能量与发射概率即可扩展。
8.根据权利要求1所述的基于塑料闪烁体的轻量化神经网络核素识别方法,其特征在于,步骤s3中,所述能谱数据集按4:1的比例划分为训练集和测试集。
9.根据权利要求1所述的基于塑料闪烁体的轻量化神经网络核素识别方法,其特征在于,步骤s1中,所述能量刻度参数m、n、q和所述峰形刻度参数a、b、c是使用参数优化方法针对实际测量环境的数据拟合获得。
10.根据权利要求1所述的基于塑料闪烁体的轻量化神经网络核素识别方法,其特征在于,所述micronet-1d模型为一维多标签分类模型,其输入为一维能谱序列。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com