CN108280429B - 基于特征峰匹配的核素识别方法、装置和计算机可读介质 - Google Patents

基于特征峰匹配的核素识别方法、装置和计算机可读介质 Download PDF

Info

Publication number
CN108280429B
CN108280429B CN201810069498.5A CN201810069498A CN108280429B CN 108280429 B CN108280429 B CN 108280429B CN 201810069498 A CN201810069498 A CN 201810069498A CN 108280429 B CN108280429 B CN 108280429B
Authority
CN
China
Prior art keywords
nuclide
target
peak position
similarity
peak
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810069498.5A
Other languages
English (en)
Other versions
CN108280429A (zh
Inventor
董翀
张�杰
沈杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Nuc Safe Technology Co ltd
Original Assignee
Beijing Nuc Safe Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Nuc Safe Technology Co ltd filed Critical Beijing Nuc Safe Technology Co ltd
Priority to CN201810069498.5A priority Critical patent/CN108280429B/zh
Publication of CN108280429A publication Critical patent/CN108280429A/zh
Application granted granted Critical
Publication of CN108280429B publication Critical patent/CN108280429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Radiation (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明提供了一种基于特征峰匹配的核素识别方法、装置和计算机可读介质，涉及核辐射检测技术领域，该方法包括：采集γ能谱脉冲信号，并计算出γ能谱脉冲信号中多个测量峰位的峰位信息；通过计算每个测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个测量峰位相匹配的目标核素，以及目标核素的置信度；按照匹配峰数量和核素蜂总数对目标核素进行排序，得到排序结果；基于排序结果确定目标核素的置信度的总和，得到总置信度；基于总置信度确定目标核素是否存在，缓解了现有的核素识别方法识别精度较低的技术问题。

Description

基于特征峰匹配的核素识别方法、装置和计算机可读介质
技术领域
本发明涉及核辐射检测技术领域，尤其是涉及一种基于特征峰匹配的核素识别方法、装置和计算机可读介质。
背景技术
放射性核素的种类分析一直是核辐射检测领域极具挑战性的问题。近年来，γ能谱分析在该领域得到迅猛发展，是放射性核素分析的主要方法之一。γ能谱分析中首先要对谱数据进行平滑处理，经过平滑、寻峰处理得到准确的峰位之后，最后通过核素识别方法确定样品中的核素种类。
核素识别一般经过建立核素库、特征峰位匹配和相干核素的判断三步。核素库是核素识别的基础，用于测得的特征峰位能量值与核素库中各个核素的特征峰位能量进行匹配。特征峰位匹配是对特征峰位能量的初步筛选，去掉由系统本身和寻峰过程中产生误差使得与核素库中的能量存在差异过大特征峰位能量，这是提高核素识别准确度的一个重要环节。接下来就是相干核素的判断，相干核素包括一个峰可能同时和几个核素相对应，几种不同的核素放射出的γ射线可能同在一个能窗之内和几种不同的核素放出γ射线可能共同形成一个“峰包”三种情况，其判断方法对核素识别准确度尤为重要。
近年来，研究者们发展了很多核素识别算法。但是，这些方法往往因为单纯的计算置信度，并没有对识别到的核素存在可能性大小的判断方法。在相干核素的处理中没有综合考虑匹配峰数量和核素峰总数量对核素识别准确度的贡献，从而使得识别准确度不够高。
发明内容
有鉴于此，本发明的目的在于提供一种基于特征峰匹配的核素识别方法、装置和计算机可读介质，以缓解了现有的核素识别方法识别精度较低的技术问题。
第一方面，本发明实施例提供了一种基于特征峰匹配的核素识别方法，包括：采集γ能谱脉冲信号，并计算出所述γ能谱脉冲信号中多个测量峰位的峰位信息；通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素，以及所述目标核素的置信度；按照匹配峰数量和核素蜂总数对所述目标核素进行排序，得到排序结果，其中，所述核素蜂总数为所述核素库中每个目标核素所对应的特征峰位的数量，所述匹配峰为所述测量峰位中与所述目标核素相匹配的峰位；基于所述排序结果确定所述目标核素的置信度的总和，得到总置信度；基于所述总置信度确定所述目标核素是否存在。
进一步地，通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素包括：通过高斯分布函数计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到多个第一相似值；通过所述第i个测量峰位的峰支比和核素分支之比总和对每个所述第一相似值进行更新，得到多个第二相似值；基于所述多个第二相似值确定与所述第i个测量峰位相匹配的目标核素j，其中，所述目标核素j为所述多个第二相似值中大于零的第二相似值所对应的核素。
进一步地，通过高斯分布函数计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到多个第一相似值包括：
通过公式
Figure BDA0001557722290000031
计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到第一相似值，其中，pi是所述第i个测量峰位，pst是每个核素的特征峰位之间，FWHM是所述第i个测量峰位的半高宽，ffwhm预定义系数。
进一步地，通过所述第i个测量峰位的峰支比和核素分支之比总和对每个所述第一相似值进行更新，得到多个第二相似值包括：通过公式
Figure BDA0001557722290000032
对每个所述第一相似值进行更新，得到第二相似值，其中，bi是所述第i个测量峰位，btol是核素分支之比总和。
进一步地，所述目标核素的数量为多个，按照匹配峰数量和核素蜂总数对所述目标核素进行排序，得到排序结果包括：按照所述匹配峰数量对多个所述目标核素进行排序，得到第一核素序列；按照所述核素蜂总数对所述第一核素序列进行再次排序，得到第二核素序列，并将所述第二核素序列作为所述排序结果。
进一步地，基于所述排序结果确定所述目标核素的置信度的总和，得到总置信度包括：基于所述第二核素序列判断每个所述目标核素相匹配的至少一个测量峰位中是否包含有效的测量峰位；如果判断出包含，则确定所述目标核素的置信度的总和。
进一步地，按照所述核素蜂总数对所述第一核素序列进行再次排序，得到第二核素序列包括：当所述第一核素序列中任意两个目标核素之间所对应的测量峰位的数量相同时，则按照所述核素库中所述任意两个目标核素所对应的核素蜂总数，对所述任意两个目标核素进行正序排序，得到所述第二核素序列。
进一步地，基于所述总置信度确定所述目标核素是否存在包括：判断所述总置信度是否大于预设置信度；如果判断出是，则确定所述目标核素存在。
第二方面，本发明实施例提供了一种基于特征峰匹配的核素识别装置，包括：采集单元，用于采集γ能谱脉冲信号，并计算出所述γ能谱脉冲信号中多个测量峰位的峰位信息；第一确定单元，用于通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素，以及所述目标核素的置信度；排序单元，用于按照匹配峰数量和核素蜂总数对所述目标核素进行排序，得到排序结果，其中，所述核素蜂总数为所述核素库中每个目标核素所对应的特征峰位的数量，所述匹配峰为所述测量峰位中与所述目标核素相匹配的峰位；第二确定单元，用于基于所述排序结果确定所述目标核素的置信度的总和，得到总置信度；第三确定单元，用于基于所述总置信度确定所述目标核素是否存在。
第三方面，本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述所述的方法。
在本发明实施例中，首先，采集γ能谱脉冲信号，并计算出所述γ能谱脉冲信号中多个测量峰位的峰位信息；然后，通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素，以及所述目标核素的置信度；接下来，按照匹配峰数量和核素蜂总数对所述目标核素进行排序，得到排序结果；再者，基于所述排序结果确定所述目标核素的置信度的总和，得到总置信度；最后，基于所述总置信度确定所述目标核素是否存在。在本发明实施例中，在一个真实存在的核素至少独占一个测量峰的征峰匹配的基础上，按匹配峰数量和核素峰总数对目标核素进行排序，既克服了现有的技术方案无法判断核素存在可能性大小的缺陷，又提高了核素识别的准确度。进而缓解了现有的核素识别方法识别精度较低的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于特征峰匹配的核素识别方法的流程图；
图2是根据本发明实施例的一种γ能谱脉冲信号的波形图；
图3是根据本发明实施例的一种对γ能谱脉冲信号进行平滑处理之后的波形图；
图4是根据本发明实施例的另一种基于特征峰匹配的核素识别方法的流程图；
图5是根据本发明实施例的一种基于特征峰匹配的核素识别装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
根据本发明实施例，提供了一种基于特征峰匹配的核素识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于特征峰匹配的核素识别方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，采集γ能谱脉冲信号，并计算出所述γ能谱脉冲信号中多个测量峰位的峰位信息；
步骤S104，通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素，以及所述目标核素的置信度，其中，所述置信度表示所述目标核素以相似程度与对应的测量峰位相匹配的概率；
步骤S106，按照匹配峰数量和核素蜂总数对所述目标核素进行排序，得到排序结果，其中，所述核素蜂总数为所述核素库中每个目标核素所对应的特征峰位的数量，所述匹配峰为所述测量峰位中与所述目标核素相匹配的峰位；
步骤S108，基于所述排序结果确定所述目标核素的置信度的总和，得到总置信度；
步骤S110，基于所述总置信度确定所述目标核素是否存在。
在本发明实施例中，首先，采集γ能谱脉冲信号，并计算出所述γ能谱脉冲信号中多个测量峰位的峰位信息；然后，通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素，以及所述目标核素的置信度；接下来，按照匹配峰数量和核素蜂总数对所述目标核素进行排序，得到排序结果；再者，基于所述排序结果确定所述目标核素的置信度的总和，得到总置信度；最后，基于所述总置信度确定所述目标核素是否存在。在本发明实施例中，在一个真实存在的核素至少独占一个测量峰的征峰匹配的基础上，按匹配峰数量和核素峰总数对目标核素进行排序，既克服了现有的技术方案无法判断核素存在可能性大小的缺陷，又提高了核素识别的准确度，进而缓解了现有的核素识别方法识别精度较低的技术问题。
在本发明实施例中，首先，采用几种不同的源构成混合核素，然后，通过该混合核素建立核素库。在该核素库中选择的各个核素特征峰位能量选择的是核素的几个分支比大，且易于区分的特征γ射线的能量值。该核素库可以应用在不同场景中，以进一步减少特征γ射线重叠的可能性，去除一种核素的特征峰位与另一种核素的特征峰位完全匹配的情况。
可选地，可以采用232Th+Dau，133BA，60CO，137Cs和241AM源构成混合核素，建立核素库。在该核素库中各个核素的特征峰位能量选择的是该核素的几个分支比大，且易于区分的特征γ射线的能量值。如下表1所示的即为一种基于232Th+Dau，133BA，60CO，137Cs和241AM构建的核素库。
表1
Figure BDA0001557722290000081
在构建核素库之后，就可以采集γ能谱脉冲信号。可选地，可以采用HA-MCA-S多道γ能谱分析系统在NaI探头环境下测定，其中，使用HAbase数字多道分析器和RP2005γ辐射探测器检测信号，图2为测得的γ能谱脉冲信号。在获取γ能谱脉冲信号之后，就可以采用HA_Spectrum多道γ能谱分析软件分析γ能谱脉冲信号。
在采用HA_Spectrum多道γ能谱分析软件分析γ能谱脉冲信号时，首先需要对γ能谱脉冲信号进行平滑处理，其中，可以选用自适应最小二乘算法对数据进行平滑处理，其平滑结果如图3所示。在对γ能谱脉冲信号进行平滑处理之后，就可以对平滑处理之后的γ能谱脉冲信号进行寻峰处理，以计算出γ能谱脉冲信号中多个测量峰位的峰位信息。可选地，可以采用对称零面积法计算出γ能谱脉冲信号中多个测量峰位的峰位信息，其中，寻峰阈值和半高宽符合度阈值分别是1.5和0.75，得到峰值信息。
在计算出γ能谱脉冲信号中多个测量峰位的峰位信息，就可以通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素，以及所述目标核素的置信度。
在一个可选的实施例中，通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素包括如下步骤：
步骤S1041，通过高斯分布函数计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到多个第一相似值；
步骤S1042，通过所述第i个测量峰位的峰支比和核素分支之比总和对每个所述第一相似值进行更新，得到多个第二相似值；
步骤S1043，基于所述多个第二相似值确定与所述第i个测量峰位相匹配的目标核素j，其中，所述目标核素j为所述多个第二相似值中大于零的第二相似值所对应的核素。
可选地，步骤S1041，通过高斯分布函数计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到多个第一相似值包括：
通过公式
Figure BDA0001557722290000091
计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到第一相似值，其中，pi是所述第i个测量峰位，pst是每个核素的特征峰位之间，FWHM是所述第i个测量峰位的半高宽，ffwhm预定义系数。
预定义系数ffwhm的选择方法：ffwhm大小的选择对于核素识别结果影响很大。选择取决于寻峰算法对于相邻两个峰的分辨能力，也要考虑到峰位误差和能量刻度误差的大小。经过实验，ffwhm的取值范围为(0.5,1]。
具体地，由于测量峰位以特征峰位为中心呈现为近似高斯分布，因此，在本发明实施例中，使用高斯分布函数来表示某核素第i个测量峰位与特征峰位的相近程度。
可选地，步骤S1042，通过所述第i个测量峰位的峰支比和核素分支之比总和对每个所述第一相似值进行更新，得到多个第二相似值包括：
通过公式
Figure BDA0001557722290000101
对每个所述第一相似值进行更新，得到第二相似值，其中，bi是所述第i个测量峰位，btol是核素分支之比总和。
在本发明实施例中，对步骤S1041中计算出的相似程度fi(pi)，通过第i个测量峰位的峰支比和核素分支之比总btol更新相似程度fi(pi)。
在计算出每个测量峰位与核素库中各个特征峰位之间的相似程度之后，就可以基于多个第二相似值确定与所述第i个测量峰位相匹配的目标核素j，其中，所述目标核素j为所述多个第二相似值中大于零的第二相似值所对应的核素。
在本发明实施例中，针对fi,new(pi)>0的核素，记录各个测量峰位所对应的目标核素个数以及各个目标核素的置信度。
也就是说，在本发明实施例中，计算了每个测量峰位与核素库中每个核素的每个特征峰位之间的相似程度，得到了多个第二相似值。例如，分别计算第i个测量峰位与核素库中核素232Th+Dau所对应的7个特征峰位中每个特征峰位的相似程度，得到7个第二相似值。以及计算第i个测量峰位与核素库中核素60CO所对应的2个特征峰位中每个特征峰位的相似程度，得到2个第二相似值。接下来，在9个第二相似值中，确定大于0的第二相似值所对应的核素为目标核素。
在确定出每个测量峰位相匹配的目标核素，以及确定出每个目标核素的置信度之后，就可以按照匹配峰数量和核素蜂总数对所述目标核素进行排序，得到排序结果。
在一个可选的实施例中，如果所述目标核素的数量为多个，那么按照匹配峰数量和核素蜂总数对所述目标核素进行排序，得到排序结果包括如下步骤：
步骤S1061，按照所述匹配峰数量对多个所述目标核素进行倒序排序，得到第一核素序列；
可选地，按照所述核素蜂总数对所述第一核素序列进行再次排序，得到第二核素序列包括：当所述第一核素序列中任意两个目标核素之间所对应的测量峰位的数量相同时，则按照所述核素库中所述任意两个目标核素所对应的核素蜂总数，对所述任意两个目标核素进行正序排序，得到所述第二核素序列。
步骤S1062，按照所述核素蜂总数对所述第一核素序列进行正序排序，得到第二核素序列，并将所述第二核素序列作为所述排序结果。
在一个可选的实施例中，步骤S108，基于所述排序结果确定所述目标核素的置信度的总和，得到总置信度包括如下步骤：
步骤S1081，基于所述第二核素序列判断每个所述目标核素相匹配的至少一个测量峰位中是否包含有效的测量峰位；
步骤S1082，如果判断出包含，则确定所述目标核素的置信度的总和。
在本发明实施例中，首先对匹配峰数量对多个目标核素进行正序排序，其中，匹配峰数量为测量峰位中与该目标核素的特征峰位相匹配的峰位数量，其中，相匹配可以理解为测量峰位与特征峰位之间的相似度(第二相似值)大于0。在按照匹配峰数量对多个所述目标核素进行倒序排序，得到第一核素序列之后，就可以按照核素蜂总数对所述第一核素序列进行再次排序，得到第二核素序列，并将所述第二核素序列作为所述排序结果。
例如，测量峰位中与核素232Th+Dau相匹配的匹配峰数量为7个；测量峰位中与核素60CO相匹配的匹配峰数量为2个；测量峰位中与核素137Cs相匹配的匹配峰数量为1个；测量峰位中与核素241AM相匹配的匹配峰数量为1个；测量峰位中与核素133BA相匹配的匹配峰数量为0个。那么首先按照匹配峰数量对上述核素进行正序排序，得到第一核素序列，其中，表2所示的即为上述第一核素序列。
表2
目标核素 匹配峰数量
<sup>232</sup>Th+Dau 7
<sup>60</sup>CO 2
<sup>137</sup>Cs 1
<sup>241</sup>AM 1
<sup>133</sup>BA 0
从表2中可以看出，与目标核素232Th+Dau相匹配的测量峰位的数量为7个，与目标核素60CO相匹配的测量峰位的数量为2个，目标核素137Cs相匹配的测量峰位的数量为1个，目标核素241AM相匹配的测量峰位的数量为1个，目标核素133BA相匹配的测量峰位的数量为0个。
在得到第一核素序列之后，就可以按照核素蜂总数对第一核素序列进行再次排序，得到第二核素序列，并将第二核素序列作为所述排序结果。如上述表2所示，核素137Cs和核素241AM所对应的匹配峰数量相同，因此，需要按照核素蜂总数对137Cs和核素241AM进行正序排列。通过上述表1可知，核素137Cs的核素蜂总数为1，核素241AM的核素蜂总数也为1。此时，按照核素蜂总数对137Cs和核素241AM进行正序排列，得到的第二核素序列如表3所示。
表3
目标核素 匹配峰数量 核素峰总数
<sup>232</sup>Th+Dau 7 7
<sup>60</sup>CO 2 2
<sup>137</sup>Cs 1 1
<sup>241</sup>AM 1 1
<sup>133</sup>BA 0 2
表4
Figure BDA0001557722290000131
在本发明实施例中，规定与核素相匹配的匹配峰数量越多，那么该核素存在的可能性越大。此时，可以按照如表3所示的第二核素序列对每个目标核素所对应的匹配峰进行有效性检测。具体地，如表4所示，按照第二核素序列中每个目标核素的顺序进行有效性检测。例如，首先对232Th+Dau的第一个匹配峰进行有效性检测。如果检测出有效，则将包含有效的匹配到的测量峰核素加入结果列表，并将该核素的匹配峰标记为无效，不再用于匹配。通过上述步骤，对目标核素的每个匹配峰均进行有效性检测，直到全部核素处理完毕，对记录各个峰做重新处理。
由表4可知，在寻峰过程中无法检测到133BA的两个峰值信息。因为，核素库中133BA的两个峰位356.017KeV和80.997KeV分别与232Th+Dau的两个峰位338KeV和87KeV相近，所以在寻峰的过程中，这两个峰位被覆盖。133BA没有独占任何一个测量峰，不作为一个真实存在的核素计算，由此表3中匹配峰数量为0，其存在的可能性为0。对于表3中按核素峰总数量的排序，指的是不同核素的匹配峰总数相同时，对其正序排序。所以，匹配峰数占核素峰总数越大，核素存在的可能性就越大。
在得到排序结果之后，以及基于该排序结果进行匹配峰的有效性识别之后，就可以基于识别结果确定目标核素的置信度的总和。
如果识别结果为上述表4，则基于上述表4进行总置信度的计算，例如，将232Th+Dau所对应的7个置信度进行求和计算，得到核素232Th+Dau所对应的总置信度。以及将核素60CO所对应的2个置信度进行求和计算，得到核素60CO所对应的总置信度。以及将核素137Cs所对应的1个置信度进行求和计算，得到核素137Cs所对应的总置信度。以及将核素241AM所对应的1个置信度进行求和计算，得到核素241AM所对应的总置信度。
具体地，如果一个目标核素在多个测量峰位中所对应的匹配峰数量为n个，那么可以通过公式
Figure BDA0001557722290000141
计算目标峰位的总置信度。
其中，f是目标核素的总置信度，fi(pi)是目标核素对应的匹配峰的置信度，n是目标核素在多个测量峰位中所对应的匹配峰数量。峰的分之比越大，对核素置信度最终计算结果的影响越大。若最终置信度的值大于0.05，则认为可能存在该核素。至此，得到了核素库中每个核素的总置信度。
在确定上述各个目标核素的总置信度之后，就可以基于总置信度确定所述目标核素是否存在，可选地，基于总置信度确定所述目标核素是否存在包括：
判断所述总置信度是否大于预设置信度；如果判断出是，则确定所述目标核素存在。
在本发明实施例中，采用两种不同的方法进行了比较，一种方法是方法1，即本发明实施例所提出的方法，置信度归一化结合匹配峰数量和先按匹配峰数量倒序排序再按核素峰总数正序排序的核素识别方法，此方法在一个真实存在的核素至少独占一个测量峰的基础上考虑到所有匹配峰对识别准确度的贡献。另外一种方法是方法2，方法2置信度未归一化，去掉了多个核素的峰，用只匹配了一个核素的峰初步得到可能存在的核素。
表5
方法 <sup>232</sup>Th+Dau <sup>60</sup>CO <sup>137</sup>Cs <sup>241</sup>AM
1 0.8722 0.9174 0.999 0.8185
2 1.1197 1.8624 1.3966 1.1705
两种方法的结果如表5所示，方法1中232Th+Dau、60CO、137Cs和241AM的峰能够全部识别到，而且归一化后的置信度都在0.8以上，137Cs的识别效果接近100％，所以能够准确判断核素存在。然而，方法2结果中少识别了232Th+Dau的1620KeV的峰，造成结果不够准确，且4种源的置信度在1到2之间，无法判断核素存在可能性的大小。
所以，本发明提出的方法之所以能够提高核素识别的准确度，其原因在于匹配峰的数量对识别率有重要贡献，匹配的峰数越多核素存在的可能性就越大，而不是只有匹配了一个核素的峰起决定性因素。另外，置信度的归一化能够给识别结果的可能性做出判断。
图4是根据本发明实施例的另一种基于特征峰匹配的核素识别方法的流程图，如图4所示，该方法包括如下步骤：
步骤S401，采集γ能谱脉冲信号；
步骤S402，对γ能谱脉冲信号进行平滑处理，并计算出平滑处理之后的γ能谱脉冲信号中多个测量峰位的峰位信息；
步骤S403，通过计算每个测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个测量峰位相匹配的目标核素，以及目标核素的置信度；
步骤S404，按照匹配峰数量和核素蜂总数对所述目标核素进行排序，得到排序结果；
步骤S405，基于排序结果列判断每个目标核素相匹配的至少一个测量峰位中是否包含有效的测量峰位；如果是，则执行步骤S406，否则执行步骤S407；
步骤S406，将已处理的有效测量峰位标记为无效；
步骤S407，确定目标核素不存在；
步骤S408，确定目标核素的置信度的总和；
步骤S409，判断所述总置信度是否大于预设置信度；如果判断出是，则执行步骤S410，否则，返回执行步骤S407；
步骤S410，确定目标核素存在。
需要说明的是，上述步骤S401至步骤S410所描述方案的具体实现过程如上所述，这里不再赘述。
实施例二：
本发明实施例还提供了一种基于特征峰匹配的核素识别装置，该基于特征峰匹配的核素识别装置主要用于执行本发明实施例上述内容所提供的基于特征峰匹配的核素识别方法，以下对本发明实施例提供的基于特征峰匹配的核素识别装置做具体介绍。
图5是根据本发明实施例的一种基于特征峰匹配的核素识别装置的示意图，如图5所示，该基于特征峰匹配的核素识别装置主要包括：采集单元10，第一确定单元20，排序单元30，第二确定单元40和第三确定单元50，其中：
采集单元10，用于采集γ能谱脉冲信号，并计算出所述γ能谱脉冲信号中多个测量峰位的峰位信息；
第一确定单元20，用于通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素，以及所述目标核素的置信度，其中，所述置信度表示所述目标核素以相似程度与对应的测量峰位相匹配的概率；
排序单元30，用于按照匹配峰数量和核素蜂总数对所述目标核素进行排序，得到排序结果，其中，所述核素蜂总数为所述核素库中每个目标核素所对应的特征峰位的数量，所述匹配峰为所述测量峰位中与所述目标核素相匹配的峰位；
第二确定单元40，用于基于所述排序结果确定所述目标核素的置信度的总和，得到总置信度；
第三确定单元50，用于基于所述总置信度确定所述目标核素是否存在。
在本发明实施例中，在一个真实存在的核素至少独占一个测量峰的征峰匹配的基础上，按匹配峰数量和核素峰总数对目标核素进行排序，既克服了现有的技术方案无法判断核素存在可能性大小的缺陷，又提高了核素识别的准确度。进而缓解了现有的核素识别方法识别精度较低的技术问题。
可选地，第一确定单元用于：通过高斯分布函数计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到多个第一相似值；
通过所述第i个测量峰位的峰支比和核素分支之比总和对每个所述第一相似值进行更新，得到多个第二相似值；基于所述多个第二相似值确定与所述第i个测量峰位相匹配的目标核素j，其中，所述目标核素j为所述多个第二相似值中大于零的第二相似值所对应的核素。
可选地，第一确定单元还用于：通过高斯分布函数计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到多个第一相似值包括：通过公式
Figure BDA0001557722290000181
计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到第一相似值，其中，pi是所述第i个测量峰位，pst是每个核素的特征峰位之间，FWHM是所述第i个测量峰位的半高宽，ffwhm预定义系数。
可选地，第一确定单元还用于：通过公式
Figure BDA0001557722290000182
对每个所述第一相似值进行更新，得到第二相似值，其中，bi是所述第i个测量峰位，btol是核素分支之比总和。
可选地，所述目标核素的数量为多个，排序单元用于：按照所述匹配峰数量对多个所述目标核素进行排序，得到第一核素序列；按照所述核素蜂总数对所述第一核素序列进行再次排序，得到第二核素序列，并将所述第二核素序列作为所述排序结果。
可选地，第二确定单元用于：基于所述第二核素序列判断每个所述目标核素相匹配的至少一个测量峰位中是否包含有效的测量峰位；如果判断出包含，则确定所述目标核素的置信度的总和。
可选地，排序单元还用于：当所述第一核素序列中任意两个目标核素之间所对应的测量峰位的数量相同时，则按照所述核素库中所述任意两个目标核素所对应的核素蜂总数，对所述任意两个目标核素进行正序排序，得到所述第二核素序列。
可选地，第三确定单元用于：判断所述总置信度是否大于预设置信度；如果判断出是，则确定所述目标核素存在。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明实施例所提供的一种基于特征峰匹配的核素识别方法和装置的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种基于特征峰匹配的核素识别方法，其特征在于，包括：
采集γ能谱脉冲信号，并计算出所述γ能谱脉冲信号中多个测量峰位的峰位信息；
通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素，以及所述目标核素的置信度；
按照匹配峰数量和核素峰总数对所述目标核素进行排序，得到排序结果，其中，所述核素峰总数为所述核素库中每个目标核素所对应的特征峰位的数量，所述匹配峰为所述测量峰位中与所述目标核素相匹配的峰位；
基于所述排序结果确定所述目标核素的置信度的总和，得到总置信度；
基于所述总置信度确定所述目标核素是否存在；
其中，通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素包括：
通过高斯分布函数计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到多个第一相似值；
通过所述第i个测量峰位的峰支比和核素分支之比总和对每个所述第一相似值进行更新，得到多个第二相似值；
基于所述多个第二相似值确定与所述第i个测量峰位相匹配的目标核素j，其中，所述目标核素j为所述多个第二相似值中大于零的第二相似值所对应的核素；
其中，通过高斯分布函数计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到多个第一相似值包括：
通过公式
Figure FDA0002399743300000021
计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到第一相似值，其中，pi是所述第i个测量峰位，pst是每个核素的特征峰位，FWHM是所述第i个测量峰位的半高宽，ffwhm预定义系数。
2.根据权利要求1所述的方法，其特征在于，通过所述第i个测量峰位的峰支比和核素分支之比总和对每个所述第一相似值进行更新，得到多个第二相似值包括：
通过公式
Figure FDA0002399743300000022
对每个所述第一相似值进行更新，得到第二相似值，其中，bi是所述第i个测量峰位的峰支比，btol是核素分支之比总和。
3.根据权利要求1所述的方法，其特征在于，所述目标核素的数量为多个，按照匹配峰数量和核素峰总数对所述目标核素进行排序，得到排序结果包括：
按照所述匹配峰数量对多个所述目标核素进行排序，得到第一核素序列；
按照所述核素峰总数对所述第一核素序列进行再次排序，得到第二核素序列，并将所述第二核素序列作为所述排序结果。
4.根据权利要求3所述的方法，其特征在于，基于所述排序结果确定所述目标核素的置信度的总和，得到总置信度包括：
基于所述第二核素序列判断每个所述目标核素相匹配的至少一个测量峰位中是否包含有效的测量峰位；
如果判断出包含，则基于所述排序结果确定所述目标核素的置信度的总和。
5.根据权利要求3所述的方法，其特征在于，按照所述核素峰总数对所述第一核素序列进行再次排序，得到第二核素序列包括：
当所述第一核素序列中任意两个目标核素之间所对应的测量峰位的数量相同时，则按照所述核素库中所述任意两个目标核素所对应的核素峰总数，对所述任意两个目标核素进行正序排序，得到所述第二核素序列。
6.根据权利要求1所述的方法，其特征在于，基于所述总置信度确定所述目标核素是否存在包括：
判断所述总置信度是否大于预设置信度；
如果判断出是，则确定所述目标核素存在。
7.一种基于特征峰匹配的核素识别装置，其特征在于，包括：
采集单元，用于采集γ能谱脉冲信号，并计算出所述γ能谱脉冲信号中多个测量峰位的峰位信息；
第一确定单元，用于通过计算每个所述测量峰位与核素库中各个特征峰位之间的相似程度，确定与每个所述测量峰位相匹配的目标核素，以及所述目标核素的置信度；
排序单元，用于按照匹配峰数量和核素峰总数对所述目标核素进行排序，得到排序结果，其中，所述核素峰总数为所述核素库中每个目标核素所对应的特征峰位的数量，所述匹配峰为所述测量峰位中与所述目标核素相匹配的峰位；
第二确定单元，用于基于所述排序结果确定所述目标核素的置信度的总和，得到总置信度；
第三确定单元，用于基于所述总置信度确定所述目标核素是否存在；
其中，所述第一确定单元用于：
通过高斯分布函数计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到多个第一相似值；
通过所述第i个测量峰位的峰支比和核素分支之比总和对每个所述第一相似值进行更新，得到多个第二相似值；
基于所述多个第二相似值确定与所述第i个测量峰位相匹配的目标核素j，其中，所述目标核素j为所述多个第二相似值中大于零的第二相似值所对应的核素；
其中，所述第一确定单元还用于：
通过公式
Figure FDA0002399743300000051
计算第i个测量峰位与所述核素库中每个核素的特征峰位之间的相似程度，得到第一相似值，其中，pi是所述第i个测量峰位，pst是每个核素的特征峰位，FWHM是所述第i个测量峰位的半高宽，ffwhm预定义系数。
8.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行上述权利要求1-6中任一项所述的方法。
CN201810069498.5A 2018-01-24 2018-01-24 基于特征峰匹配的核素识别方法、装置和计算机可读介质 Active CN108280429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810069498.5A CN108280429B (zh) 2018-01-24 2018-01-24 基于特征峰匹配的核素识别方法、装置和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810069498.5A CN108280429B (zh) 2018-01-24 2018-01-24 基于特征峰匹配的核素识别方法、装置和计算机可读介质

Publications (2)

Publication Number Publication Date
CN108280429A CN108280429A (zh) 2018-07-13
CN108280429B true CN108280429B (zh) 2020-06-26

Family

ID=62804914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810069498.5A Active CN108280429B (zh) 2018-01-24 2018-01-24 基于特征峰匹配的核素识别方法、装置和计算机可读介质

Country Status (1)

Country Link
CN (1) CN108280429B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111007559B (zh) * 2019-11-25 2023-09-15 中国辐射防护研究院 一种基于Hilbert-Huang变换的γ能谱平滑方法
CN111539324A (zh) * 2020-04-23 2020-08-14 重庆建安仪器有限责任公司 一种新型核素识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2246711A2 (en) * 2009-04-17 2010-11-03 Canberra Industries, Inc. Intelligent Sensor Platform
CN103424766A (zh) * 2013-03-19 2013-12-04 中国人民解放军第二炮兵工程大学 一种基于模式识别的核素快速识别方法
KR101380769B1 (ko) * 2013-11-13 2014-04-17 주식회사 고도기술 방사성폐기물 드럼 tgs 분석의 기준핵종 정량분석을 위한 간섭핵종의 간섭현상 제거방법
CN103913764A (zh) * 2014-02-24 2014-07-09 东华理工大学 一种基于高斯响应矩阵的NaI(TI)闪烁探测器γ能谱高分辨反演解析过程及方法
CN103955518A (zh) * 2014-05-06 2014-07-30 北京华泰诺安科技有限公司 一种检测物谱图与数据库谱图的匹配方法
CN104075806A (zh) * 2013-12-31 2014-10-01 杭州彩谱科技有限公司 一种基于复合led光源的光电积分式测色仪及其测量方法
CN105607111A (zh) * 2014-11-05 2016-05-25 中国科学院高能物理研究所 一种γ核素识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2246711A2 (en) * 2009-04-17 2010-11-03 Canberra Industries, Inc. Intelligent Sensor Platform
CN103424766A (zh) * 2013-03-19 2013-12-04 中国人民解放军第二炮兵工程大学 一种基于模式识别的核素快速识别方法
KR101380769B1 (ko) * 2013-11-13 2014-04-17 주식회사 고도기술 방사성폐기물 드럼 tgs 분석의 기준핵종 정량분석을 위한 간섭핵종의 간섭현상 제거방법
CN104075806A (zh) * 2013-12-31 2014-10-01 杭州彩谱科技有限公司 一种基于复合led光源的光电积分式测色仪及其测量方法
CN103913764A (zh) * 2014-02-24 2014-07-09 东华理工大学 一种基于高斯响应矩阵的NaI(TI)闪烁探测器γ能谱高分辨反演解析过程及方法
CN103955518A (zh) * 2014-05-06 2014-07-30 北京华泰诺安科技有限公司 一种检测物谱图与数据库谱图的匹配方法
CN105607111A (zh) * 2014-11-05 2016-05-25 中国科学院高能物理研究所 一种γ核素识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A package for gamma-ray spectrum analysis and routine neutron activation analysis;M E MEDHAT 等;《PRAMANA—journal of physics》;20050831;第65卷(第2期);第245-258页 *
HPGe γ谱谱分析有关方法的研究;王仕木;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150415(第4期);第C040-17页 *
Implicit FWHM calibration for gamma-ray spectra;WANG Yiming 等;《Nuclear Science and Techniques》;20150617;第24卷(第2期);第020403-1至020403-6页 *
基于模糊逻辑的γ能谱核素识别;王一鸣，魏义祥;《清华大学学报（自然科学版）》;20121231;第52卷(第12期);第1738页1.4节 *
相近Ｘ射线粉末衍射谱异同的判断;马礼敦;《理化检验-物理分册》;20120108;第48卷(第1期);第26-32、61页 *
类型γ射线能谱指纹的识别机理;刘素萍 等;《物理学报》;20021130;第51卷(第11期);第2411-2416页 *

Also Published As

Publication number Publication date
CN108280429A (zh) 2018-07-13

Similar Documents

Publication Publication Date Title
CN105607111B (zh) 一种γ核素识别方法
US6253162B1 (en) Method of identifying features in indexed data
CN104380088B (zh) 对sem-eds数据集中的未知物的聚类分析
US10061043B2 (en) Apparatus and method for the evaluation of gamma radiation events
EP2102636B1 (en) Radioactive isotope identification
Alamaniotis et al. Hybrid fuzzy-genetic approach integrating peak identification and spectrum fitting for complex gamma-ray spectra analysis
JP5964983B2 (ja) 質量分析法により微生物を特定するための方法
Veneziani et al. An analysis of star formation with Herschel in the Hi-GAL survey-I. The science demonstration phase fields
US20160363442A1 (en) Characterizing a sample by material basis decomposition
CN108280429B (zh) 基于特征峰匹配的核素识别方法、装置和计算机可读介质
CN101632011A (zh) 用于光谱分析的高级模式识别系统
CN111538069A (zh) 能谱分析系统、方法及能谱数据分析设备
Beinke et al. High potential for methodical improvements of FISH-based translocation analysis for retrospective radiation biodosimetry
Likar et al. A peak-search method based on spectrum convolution
JP2013527433A (ja) 分光分析の方法および関連装置
JP2841258B2 (ja) 蛍光ｘ線定性分析方法
Bonamente Distribution of the C statistic with applications to the sample mean of Poisson data
CN111539324A (zh) 一种新型核素识别方法
JP6565801B2 (ja) 質量分析データ処理装置、質量分析装置、質量分析データ処理方法、及び質量分析データ処理用プログラム
JP2016186489A (ja) 分光分析の方法および関連装置
JP2000266737A (ja) 未知物質の構造解析装置
Lam et al. Gamma peak search and peak fitting algorithm for a low-resolution detector with applications in gamma spectroscopy
Monterial et al. Benchmarking algorithm for radio nuclide identification (barni) literature review
CN110749918A (zh) 一种无人机辐射测量稳谱方法
Straasø et al. Objective algorithm to separate signal from noise in a Poisson-distributed pixel data set

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant