CN102081165B - 伽马能谱核素识别方法 - Google Patents

Abstract

本发明提供了一种伽马能谱核素识别方法，其包括如下步骤：a)获取伽马能谱；b)寻找能谱中的峰，并计算峰的面积；c)通过匹配寻找到的峰与核素库中核素的谱线得到可能存在的备选核素；d)用贝叶斯网络模型计算每个备选核素出现概率；e)去除备选核素之间由于匹配到相同的峰而相互干扰的情况，更新各个备选核素的出现概率，得到最终的置信系数。

Description

伽马能谱核素识别方法

技术领域

本发明涉及一种放射性物质的识别方法，尤其是涉及一种通过伽马能谱来识别被检物质中所含放射性元素的识别方法。

背景技术

放射性物质(也称为核素)都具有自己特有的本征能谱，即每种核素所释放的伽马射线有几种能量，并且各种能量的伽马射线的强度比例是一定的。根据放射性物质的这一属性，便可以通过分析被检物质的伽马能谱来识别其中所包含的核素。

伽马光子入射到探测器内的晶体上使晶体发光，晶体所产生的光信号被光电倍增管转化为脉冲信号，而该脉冲的强度正比于入射光子的能量。在一段时间内所有进入探测器的伽马光子形成的脉冲经过一系列的处理并被离散化后以直方图的形式记录下来，这便是伽马能谱。伽马能谱的横坐标称为道数，其值和入射光子的能量相关，可以通过“能量刻度”对道数和能量之间的关系进行标定；伽马能谱的纵坐标是对应能量光子的计数。当核素发出某种能量的伽马射线时，就会在能谱上有一个峰与之对应，峰的中心道数所对应的能量就是伽马射线的能量，而峰的面积和伽马射线的强度相关，不同能量下的峰面积和伽马射线强度的关系可以用“效率刻度”来标定。峰的形状和探测器的类型有关，不同能量下的峰的形状由“峰形刻度”来标定。能量刻度和峰形刻度只和探测器相关，而效率刻度不仅和探测器相关，还和被检物质的形状、包装以及被检物质和探测器之间的位置关系都相关。在实验室条件下这些因素可以人为的控制，从而可以达到较为精确的测量效果，然而在现场环境下，许多因素不可控，这就使得同一种放射性物质的能谱在不同的情况下有很大的变化，这样就会增加核素识别的难度。此外，能谱中有本底、逃逸峰、康普顿平台、其他射线等多种成分。在有遮挡的情况下，有些低能区的峰会被屏蔽。另外，探测器本身具有误差和有限的分辨率，当放射源中含有多种放射性物质时，在识别过程中还要克服多种物质之间的相互干扰，这些都增加了能谱识别的难度。

目前较为常见的核素识别方法分为两类，一类是峰相关的方法，一类是模板匹配的方法。

峰相关的方法的思路是这样的，首先通过寻峰找到能谱中的峰的位置并估计出峰的面积，然后在编辑好的核素库中寻找和这些峰位能量匹配的核素，通过建立线性方差组或采用其他方法来估计每种核素对各个峰面积的贡献，从而判断是否含有某种核素。这种方法的缺点在于寻峰的结果受多种因素的影响，并且还有一些峰，如康普顿边缘、反散射峰、逃逸峰等，并不对应核素的特征谱线。另外，核素库中谱线的强度只是在理想状态下的谱线强度，而在实际情况下能谱中这些谱线对应的峰面积的比会有所改变。

模板匹配的方法是用整个能谱与核素的模板进行匹配，然而由于每种核素在不同的条件下测得的能谱并不相同，所以就要求每种核素要有在不同条件下的能谱模板。这时虽然可以用模拟的方法模拟各种条件下的能谱，但超大的计算量也是无法承受的。

发明内容

为了克服上述现有技术中所存在的不足，本发明提出了一种新的伽马能谱的核素识别方法。该伽马能谱核素识别方法的步骤包括：a)用伽马探测器获取被检测物质的伽马能谱；b)寻找所述伽马能谱中的峰，并计算峰的面积；c)将步骤b)中寻找到的峰与核素库中核素的谱线进行匹配，找到有谱线与所述峰的峰位相对应的核素作为备选核素；d)计算每个所述备选核素在所述被检测物质中出现的概率；e)去除所述备选核素之间由于匹配到相同的峰而产生的相互干扰，更新各个备选核素的出现概率，将所述出现概率大于第一预定阈值的核素识别为被检测物质中包含的核素，将所述出现概率作为置信系数。

优选的，所述伽马探测器是碘化钠探测器。

优选的，所述步骤b)中包括如下子步骤：将获取的所述伽马能谱减去本底并对其进行光滑处理。

优选的，所述步骤b)中进一步包括分离基底子步骤：把所述伽马能谱分为纯峰信号和基底信号，所述基底信号表示除去所述峰以外的其他所有计数。

优选的，所述步骤b)中进一步包括二次差分寻峰子步骤：用二次差分的方法来寻找经过所述光滑处理的伽马能谱中的高斯峰。

优选的，用高斯函数的二阶导数作为所述二次差分的差分滤波器，用所述差分滤波器对所述伽马能谱数据进行滤波。

优选的，所述步骤b)中进一步包括峰区分割子步骤，在该子步骤中，将所述二次差分寻峰子步骤中寻找到的峰的峰区进行分割，并确定初始峰位。

优选的，在所述峰区分割子步骤之后，所述步骤b)中进一步包括高斯混合模型估计子步骤，在该子步骤中，对高斯混合模型的参数进行估计，以确定峰位。

优选的，所述步骤b)中进一步包括基底类型判断子步骤，在该子步骤中，根据所述分离基底子步骤所分离出来的基底的走势来判断所述基底的类型。

优选的，所述步骤b)中进一步包括最小二乘拟合子步骤，在该子步骤中，根据所述基底的类型来选择拟合函数对以各个所述初始峰位为中心的区间进行最小二乘拟合。

优选的，其特征在于，所述步骤d)采用贝叶斯网络模型来计算每个所述备选核素在所述被检测物质中的出现概率。

优选的，所述步骤e)进一步包括如下子步骤：将所述出现概率值大于第二预定阈值的核素和对应的匹配峰分组，使得每组峰中的每个峰能被匹配的核素在其他组中没有匹配的峰，并且每组峰中任意两个峰都有一个核素同时有谱线和这两个峰匹配。

优选的，所述步骤e)还包括如下子步骤：对于每个所述组，将组内峰的面积逐次划归到最有可能和匹配最好的核素。

优选的，其特征在于，所述步骤e)还包括如下子步骤：对所述组内的核素两两之间进行对比，以找到出现概率和峰面积匹配综合结果最好的一个核素，按照核素库中谱线的强度比以及伽马探测器的效率标定估计该匹配综合结果最好的核素对峰面积的贡献，然后从对应的峰中扣除相应的面积，之后用被划归到该匹配综合结果最好的核素的峰的面积计算峰的显著度，并代入贝叶斯网络重新计算该匹配综合结果最好的核素出现的概率。

优选的，所述步骤e)还包括如下子步骤：在处理完所述匹配综合结果最好的核素之后，在剩余的峰面积和剩余的核素中继续找下一个匹配综合结果最好的核素，如此循环，直到所有的峰面积都被扣除或达到预定循环次数为止；在循环结束之后，仍没有被处理的核素的概率被置为零；最后识别出的核素是出现概率大于所述第一预定阈值的核素。

优选的，所述第一预定阈值大于所述第二预定阈值。

优选的，所述第一预定阈值为50％以上。

优选的，所述第二预定阈值为10％。

本发明通过采用基底分离算法、二次差分寻峰法、混合高斯模型、最小二乘曲线拟合等方法，保证了峰位和峰面积的准确性；通过分析寻峰的结果，估计了每个峰是康普顿边缘、反散射峰、逃逸峰的可能性。本发明由于只采用备选核素参与后续的贝叶斯网络建模等运算，从而使得大大减少了计算量。另外，由于本发明中所采用的贝叶斯网络模型中综合考虑了屏蔽、本底噪声、康普顿平台、反散射峰、逃逸峰以及其他核素的干扰等因素，所以会使得识别结果更有意义。除此之外，本发明还通过对相互干扰的核素进行分组，在每组内估计各个相互干扰的核素对峰面积的贡献并从峰面积中扣除相应的部分，以减少核素间的相互干扰，从而提升了被隐藏核素的置信系数的准确度。当采用本发明所述的伽马能谱核素识别方法在机场、码头、工厂等非实验室条件的环境下对放射性物质进行监测时既可以保证较高的检测速度和灵敏度，也能降低因误报警而带来的损失。

附图说明

图1是本发明的伽马能谱核素识别方法的流程图。

图2是用碘化钠(NaI)探测器获取的核素Cs137的伽马能谱。

图3是本发明的寻峰算法的流程图。

图4是描述核素发出射线被探测器吸收，在能谱中寻到对应的峰的贝叶斯网络模型。

具体实施方式

下面将结合附图来详细描述本发明的伽马能谱核素识别方法。

图1示出了本发明的伽马能谱核素识别方法的流程图。如图1所示，在步骤S01中，通过伽马射线探测装置来获取被检测物质的伽马能谱，并将其输入到伽马能谱处理模块进行寻峰和核素识别。此处所述的伽马射线探测装置可以采用现有的各种类型的伽马射线探测装置(例如碘化钠探测器)，因而本文将不再赘述伽马射线探测装置的具体结构。图2示出了用碘化钠探测器获取的核素Cs137的伽马能谱(其中横坐标是道数，纵坐标是计数)。

在接下来的步骤S02中，将进行寻峰(即寻找伽马能谱中的峰)，求出峰的道数、能量、面积及显著度，该步骤的具体流程将在后文中结合图3进行详细说明。在该步骤S02中，通过采用基底分离算法、二次差分寻峰法、高斯混合模型、最小二乘曲线拟合等方法，保证了峰位和峰面积的准确性。

本发明的伽马能谱核素识别方法的第三步是步骤S03，其通过将步骤S02中所寻找到的伽马能谱中的峰与事先存储的核素库中核素的谱线进行匹配，以寻找有谱线与所述峰的峰位对应的核素作为识别的备选核素。只有当核素库中某核素的谱线中有一条与之前步骤中所寻找到的某个峰匹配时，该核素才有出现可能(即在被检测物质中可能会包含该核素)，所以先对核素库中的每个核素进行一次筛选，把有谱线和之前所寻找到的能谱中的峰位匹配的核素留下来作为备选核素，其他的核素则认为不可能出现在被检测物质中。

在之后的步骤S04中，对S03中筛选得到的备选核素用如图4所示的贝叶斯网络模型进行建模，并推断出该备选核素在被检测物质中出现的概率。

接下来的步骤S05将相互干扰的核素及其对应的峰进行分组，在每组内进行迭代，每次迭代选出最有可能的一个核素，估计其对峰面积的贡献并从峰面积中扣除相应的部分，以去除备选核素之间由于匹配到相同的峰而造成的相互干扰，更新各个备选核素出现的概率，得到最终的置信系数。在后文中将结合图4来具体说明上述步骤S04和S05。

下面将结合图3来说明上述步骤S02的具体处理过程。

如图3所示，步骤S02包括如下子步骤：减去本底并光滑S020、分离基底S021、二次差分寻峰S022、峰区分割S024、高斯混合模型估计S025、最小二乘拟合S028以及基底类型判断S027。

在子步骤S020中，对输入的伽马能谱进行光滑处理。首先用中值滤波去除输入数据中的奇异点，然后进行高斯滤波。根据输入的伽马能谱数据的峰形和噪声随能量的变化，对滤波器的长度和平滑程度作相应的调整。在低能区峰宽较小，峰比较密集，所以应当采用平滑程度较低的滤波器，对高斯滤波器而言就是要采用方差较小的高斯函数。而当能量较大时，峰的宽度也相应的变大，此时峰的个数一般而言也比较少，但是由于计数率低，数据显得很不光滑，所以在这种情况下应当采用平滑程度较高的滤波器，对高斯滤波器而言就是要采用方差较大的高斯函数。

子步骤S021中所述的分离基底是指把伽马能谱分为纯峰信号和基底信号两部分。其中“基底”表示除去峰以外其他的所有计数，其既包括本底，也包括高能峰的康普顿平台等。分离基底的基本方法是用伽马能谱各道的值和以各道为中心的窗口两侧的平均值作对比，选较小的一个作为新的值，如此迭代数次便得到基底。

在子步骤S022中，用二次差分的方法来寻找伽马能谱中的高斯峰。此时选用高斯函数的二阶导数作为差分滤波器，用该差分滤波器对伽马能谱数据进行滤波，这相当于将伽马能谱数据先与高斯函数作卷积，然后再求二阶导数。由于高斯函数与高斯函数的卷积仍是高斯函数，而高斯函数的二阶导数在均值附近的一个区域是小于零的，所以可以利用这一特征，来从滤波结果中检测出连续为负的区域作为疑似峰区，而初始峰位可以选择峰区的中心、峰区中二阶差分的最小值点，或者整个峰区以二阶差分的绝对值为权重的加权平均。疑似峰区要通过峰形验证，也就是说疑似峰区的峰宽要与该能量处峰宽刻度的值相一致，如果疑似峰区的峰宽相对于该能量处峰宽刻度的值而言太小的话，则认为是噪声，如果太大则有可能是重峰。

经过上述各子步骤的光滑和寻峰，可以找到伽马能谱中的一些峰位。为了能继续使用高斯混合模型进行更精确的峰位估计，找出二次差分法漏检的峰位、分开重峰，则需要在子步骤S024中将子步骤S022的二次差分寻峰所得到的峰的峰区进行分割，例如：如果所寻找到的几个峰离得比较近就将这几个峰放在一个区内，如果离得比较远就将其分在不同的区内，此外还确定初始峰位。在接下来的子步骤S025中采用EM迭代算法来估计高斯混合模型的参数，该参数即为伽马能谱的峰位和面积，通过使用高斯混合模型可以进行更精确的峰位估计，同时也可以更准确地计算峰的面积。

前面寻峰的方法都是在分离基底后剩下的峰信号上进行的，由于基底的估计本身存在误差，所以这就增加了结果的误差。为了能更准确地对原始伽马能谱数据进行拟合，在对各个初始峰位为中心的小段进行拟合时，可以把峰函数和本底函数一起拟合，其采用的方法是最小二乘法(如子步骤S028所示)。拟合函数是多项式本底和高斯峰的和，可以有多个高斯峰。因为本底比较复杂，当拟合区间较大时用一个多项式拟合会导致误差很大，从而影响到峰位和峰面积的估计，所以拟合的区间不宜太宽，这样做的另外一个好处是区间中不需要太多的高斯峰。在进行子步骤S028所述的最小二乘拟合前可以根据子步骤S021所分离出来的基底的走势来选择基底的类型(如子步骤S027所示)，例如当上述分离出来的基底的走势接近于直线状，则选择使用线性函数来进行后续的最小二乘拟合，而当上述分离出来的基底的走势接近于抛物线状，则选择使用二次函数来进行后续的最小二乘拟合，总之，可以根据分离出来的基底的走势来选择适合的函数来进行后续的最小二乘拟合。

如图3所示，在子步骤S022所述的二次差分寻峰、子步骤S025所述的高斯混合模型估计、以及子步骤S028所述的最小二乘拟合之后都可以输出寻找到的峰位及峰的其他信息(例如峰的面积、峰的能量或峰的显著度)，只是准确程度不同而已，其中子步骤S025所述的高斯混合模型估计所得到的峰位及峰的上述其他信息要比子步骤S022所述的二次差分寻峰所得到的相应信息精确，而子步骤S028所述的最小二乘拟合所得到的峰位及峰的上述其他信息又比子步骤S025所述的高斯混合模型估计所得到的相应信息精确。因此，技术人员可以根据伽马射线探测器的精确程度和识别需求来选择在哪一步输出结果。对得到的峰位，求得对应的峰面积、本底面积、显著程度后输出到步骤S03中，以进行备选核素的识别。

下面将结合图4来描述步骤S04和S05的具体处理过程。图4示出了用于描述核素发出伽马射线被探测器吸收、在能谱中寻到对应的峰的过程的贝叶斯网络模型。在该模型中已经考虑了下述各种情形：伽马射线是否被屏蔽、在能谱中能否形成明显的峰、能谱中寻到的峰是否是其他因素(如本底噪声，其他峰的康普顿边缘，反散射峰，逃逸峰等)造成的、峰位与射线能量的匹配程度等。通过该模型可以推断出被检物质中含有特定核素的概率。

在图4中，N∈{0，1}，其表示被测物质中是否有此核素，其中1表示被测物质中有此核素，0表示无此核素。L＝{L_i，i＝1，…K}，L_i∈{0，1}，该L_i表示核素在核素库中的谱线是否被屏蔽，其中1表示核素在核素库中的谱线被屏蔽，0表示未被屏蔽。能量较高的伽马射线是否被屏蔽和能量较低的伽马射线是否被屏蔽是相关的，当低能伽马射线未被屏蔽时，高能伽马射线肯定不会被屏蔽。D＝{D_i，i＝1，…K}，D_i∈{0，1}，该D_i表示在相应的谱线位置是否检测到峰，其中1表示在相应的谱线位置检测到了峰，0表示在相应的谱线位置未检测到峰。检测到峰的原因有两类，一类是由该核素在相应能量位置的伽马射线引起的，另一类是其他因素(例如是误差等)引起的。如果核素所发出的伽马射线的强度不够，或本底计数较高时，即使该伽马射线未被屏蔽，也不一定能在能谱中形成显著的峰。P＝{P_i，i＝1，…K}是在谱线对应的区间内检测出的峰位及峰的其他信息，包括峰的面积，显著度等。统计推断被检物质中含有特定核素的概率的过程是指已知节点P＝{P_i，i＝1，…K}的观测，求N的条件概率分布，如下式所示：

$\mathrm{Pr}\left(N\right|P)=\frac{\mathrm{Pr}(N,P)}{\mathrm{Pr}\left(P\right)}=\frac{\underset{L,D}{\mathrm{\Σ}}\mathrm{Pr}(N,L,D,P)}{\underset{N,L,D}{\mathrm{\Σ}}\mathrm{Pr}(N,L,D,P)}---\left(1\right)$

其中

$\mathrm{Pr}(N,L,D,P)=\mathrm{Pr}\left(N\right)\underset{i=1}{\overset{K}{\mathrm{\Π}}}\mathrm{Pr}\left(L_i\right|N,L_{i-1})\underset{i=1}{\overset{K}{\mathrm{\Π}}}\mathrm{Pr}\left(D_i\right|L_i)\underset{i=1}{\overset{K}{\mathrm{\Π}}}\mathrm{Pr}\left(P_i\right|L_i,D_i)---\left(2\right)$

伽马能谱中的峰可以是其他峰造成的康普顿边缘、反散射峰、逃逸峰，或其他核素的谱线对应的峰，或者是噪声。为了使推断更准确，把这些因素造成峰的可能性归结到观测P_i的分布中。P_i是否是其他原因造成的和N的概率是密切相关的。推断时可以先给P_i一个初始分布，然后推断出N的概率后，再根据N的概率更新P_i的分布，如此迭代几次。在每次更新P_i的分布的时候考虑到其他核素的概率，可以有效减少具有共同匹配峰的核素之间的相互干扰。

至此，对每个可能的核素已经求得一个出现的概率，此概率值可以作为在被检物质中发现该核素的置信系数。然而以上的分析只是定性的，通过定量的分析可以估计每种可能的核素对峰面积的贡献，从而更好地去除核素之间的相互干扰，减少误识别。为此，首先将概率值超过一定阈值(该阈值例如是10％)的核素和对应的匹配峰分组，使得每组峰中每个峰能被匹配的核素在其他组中没有匹配的峰，并且每组峰中任意两个峰都有一个核素同时有谱线和这两个峰匹配。将核素和峰分组后对每一组的处理方法相同，各组之间互不影响。

对于每个组，将组内峰的面积逐次划归到最有可能和匹配最好的核素。具体实现方法是，先对组内的核素两两之间进行对比，对比的规则是综合核素库中谱线的强度比与对应峰面积的相关程度以及前一步已经求得的各个核素的概率。找到出现概率和峰面积匹配综合结果最好的一个核素后，按照核素库中谱线的强度比以及探测器的效率标定估计此核素对峰面积的贡献，然后从对应的峰中扣除相应的面积。然后用这些被划归到此核素的峰的面积计算峰的显著度，并代入贝叶斯网络重新计算此核素出现的概率，这时不再考虑其他核素的影响。处理完此核素后，在剩余的峰面积和剩余的核素中继续找下一个，如此循环，直到所有的峰面积都被扣除或达到设定的循环次数为止。当循环结束时，仍没有被处理的核素的概率被置为零。最后识别出的核素是出现概率大于一定阈值(该阈值可以由技术人员根据伽马射线探测器的精确程度和识别需求来进行设定，例如可以是50％或以上)的核素，出现的概率同时作为置信系数。至此，便完成了被检测物质中所包含的核素的识别。

虽然已经结合具体实施方式详细地描述了本发明，但是应该理解的是，前述实施方式仅仅是作为示例，而并不是为了限制本发明。本领域技术人员根据其已有的专业知识可以容易地想象到这些实施方式的其他的变形和修改，其可以在不脱离本发明的精神和范围的情况下对前述实施方式做出这些变形和修改，以获得本发明的部分或所有优点。

Claims (15)

1.一种伽马能谱核素识别方法，其中包括步骤：

a)用伽马探测器获取被检测物质的伽马能谱；

b)寻找所述伽马能谱中的峰，并计算所述峰的面积；

c)将步骤b)中寻找到的峰与核素库中核素的谱线进行匹配，找到有谱线与所述峰的峰位相对应的核素作为备选核素；

d)计算每个所述备选核素在所述被检测物质中的出现概率；

e)去除所述备选核素之间由于匹配到相同的峰而产生的相互干扰，更新各个备选核素的出现概率，将所述出现概率大于第一预定阈值的核素识别为被检测物质中包含的核素，将所述出现概率作为置信系数；

其中所述步骤e)进一步包括如下子步骤：将所述出现概率值大于第二预定阈值的核素和对应的匹配峰分组，使得每组峰中的每个峰能被匹配的核素在其他组中没有匹配的峰，并且每组峰中任意两个峰都有一个核素同时有谱线和这两个峰匹配。

2.如权利要求1所述的伽马能谱核素识别方法，其特征在于，所述伽马探测器是碘化钠探测器。

3.如权利要求1或2所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中包括如下子步骤：将获取的所述伽马能谱减去本底并对其进行光滑处理。

4.如权利要求3所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中进一步包括分离基底子步骤：把所述光滑处理后的伽马能谱分为纯峰信号和基底信号，所述基底信号表示除去所述峰以外的其他所有计数。

5.如权利要求4所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中进一步包括二次差分寻峰子步骤，在该子步骤中，用二次差分的方法来寻找经过所述光滑处理的伽马能谱中的高斯峰。

6.如权利要求5所述的伽马能谱核素识别方法，其特征在于，用高斯函数的二阶导数作为所述二次差分的差分滤波器，用所述差分滤波器对所述伽马能谱数据进行滤波。

7.如权利要求5或6所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中进一步包括峰区分割子步骤，在该子步骤中，将所述二次差分寻峰子步骤中寻找到的峰的峰区进行分割，并确定初始峰位。

8.如权利要求7所述的伽马能谱核素识别方法，其特征在于，在所述峰区分割子步骤之后，所述步骤b)进一步包括高斯混合模型估计子步骤，在该子步骤中，对高斯混合模型的参数进行估计，以确定峰位。

9.如权利要求8所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中进一步包括基底类型判断子步骤，在该子步骤中，根据所述分离基底子步骤所分离出来的基底的形状走势来判断所述基底的类型。

10.如权利要求9所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中进一步包括最小二乘拟合子步骤，在该子步骤中，根据所述基底的类型来选择拟合函数对以各个所述初始峰位为中心的区间进行最小二乘拟合。

11.如权利要求1所述的伽马能谱核素识别方法，其特征在于，所述步骤d)采用贝叶斯网络模型来计算每个所述备选核素在所述被检测物质中的出现概率。

12.如权利要求11所述的伽马能谱核素识别方法，其特征在于，所述步骤e)还包括如下子步骤：对于每个所述组，将组内峰的面积逐次划归到最有可能和匹配最好的核素。

13.如权利要求12所述的伽马能谱核素识别方法，其特征在于，所述步骤e)还包括如下子步骤：对所述组内的核素两两之间进行对比，以找到出现概率和峰面积匹配综合结果最好的一个核素，按照核素库中谱线的强度比以及伽马探测器的效率标定估计该匹配综合结果最好的核素对峰面积的贡献，然后从对应的峰中扣除相应的面积，之后用被划归到该匹配综合结果最好的核素的峰的面积计算峰的显著度，并代入贝叶斯网络重新计算该匹配综合结果最好的核素出现的概率。

14.如权利要求13所述的伽马能谱核素识别方法，其特征在于，所述步骤e)还包括如下子步骤：在处理完所述匹配综合结果最好的核素之后，在剩余的峰面积和剩余的核素中继续找下一个匹配综合结果最好的核素，如此循环，直到所有的峰面积都被扣除或达到预定循环次数为止；在循环结束之后，仍没有被处理的核素的概率被置为零；最后识别出的核素是出现概率大于所述第一预定阈值的核素。

15.如权利要求11或14所述的伽马能谱核素识别方法，其特征在于，所述第一预定阈值大于所述第二预定阈值。

Images