CN110687584A - 一种基于lstm的快速核素识别方法 - Google Patents

Abstract

本发明公开了一种基于LSTM(long short‑term memory)的快速核素识别方法，属于应用电子设备进行识别的方法技术领域，根据核素识别应用的场合选择合适的特征放射性核素库；根据探测器的能量分辨率和特征γ射线的能量，计算出感兴趣区的宽度；粒子被收集之后，判断粒子能量的感兴趣区；对数据进行预处理并存储下该粒子的能量信息；存储的粒子数满足预设值时，进入核素识别模块，识别出结果后，输出识别结果和置信度。本发明在核素识别过程中，解决了传统核素识别方法速度慢和对特征γ射线能量相近核素识别难缺点，可实现快速而准确核素识别的功能。

Description

一种基于LSTM的快速核素识别方法

技术领域

本发明涉及一种基于LSTM的快速核素识别方法，属于应用电子设备进行识别的方法或装置技术领域。

背景技术

传统的放射性核素识别技术是首先采集能谱，然后再对能谱数据进行分析的方法，主要采用特征峰与核素库匹配等方式实现。通过较长的时间的测得受统计涨落影响较小的能谱，利用寻峰算法找到能谱中呈高斯形状的特征峰并其记录峰位，将其峰位信息与核素库内不同放射性核素的特征γ射线的能量进行比较和分析，从而推断出样品的核素种类。近年有人将模式识别的方法引入放射性核素识别领域，即采集能谱中的特征峰的峰位信息，利用模式识别而不是核素匹配的方式进行核素识别。后来出现了一种不用形成能谱而仅靠粒子的能量序列的规律，利用序贯贝叶斯公式实现核素识别的方法。但上述方法均存在一些问题与不足。

传统的识别方法是基于能谱数据进行分析，而为了避免能谱数据的统计涨落对识别结果产生影响，收集能谱所需的时间较长，从而导致识别较慢。但由于能谱中的信息会不可避免地受到康普顿坪、单双逃逸峰、反射峰的影响，并且极易受到噪声和基线漂移等因素的干扰，从而识别的准确率不高。利用模式识别进行核素识别的方法仍然是基于形成能谱后的数据而进行的分析，速度较慢，且识别的效果不稳定，对混合核素识别的效果较差。基于序贯贝叶斯方法的核素识别具有识别速度快的特点，但该方法对混合放射性核素的能量相近的峰进行识别时，准确率较低并依赖于高能量分辨率的探测器。

随着核能与核技术工程的发展，一种有效的对放射性物质的测量与识别方式对核技术应用与核安全具有重要意义。但是放射性核素的种类极其繁多，总共包括2000多种放射性核素，且每种放射性核素包含少则一条多则百余条的特征γ射线。且这些射线大多集中于能量0-3MeV之间，这给利用γ射线的信息进行放射性核素识别的方法带来的困难，且目前已有的核素识别方法难以有效地完成核素识别的任务。

发明内容

本发明的目的是针对现有技术存在的放射性核素识别速度慢、正确率较低的问题，提供了一种基于LSTM的快速核素识别方法。

本发明解决上述问题采用的技术方案：LSTM的快速核素识别方法步骤如下：

步骤一，根据核素识别应用的场合选择合适相对应的特征放射性核素库：核爆炸放射性核素库、反应堆放射性核素库、核燃料后处理厂放射性核素库、医用核素放射性核素库或常用工业放射性核素库；

步骤二，根据探测器的能量分辨率和特征γ射线的能量，计算并选择感兴趣区的宽度；

步骤三，粒子被收集之后，将该粒子的能量与核素库中每种核素的每条特征γ射线的感兴趣区进行比较，当该粒子能量在一个以上感兴趣区之内，则认为该粒子属于这个感兴趣区；

步骤四，对数据进行预处理，将各个感兴趣区内收集到的粒子的能量都减去相应感兴趣区中心的能量值，并存储下该差值作为该粒子的能量特征信息；

步骤五，对于各个核素，当其中一条γ射线的感兴趣区内收集到的粒子数达到预设值时，以该核素所有感兴趣区内所存储的粒子的特征信息作为判断依据，采用基于LSTM的核素识别方法，判断该种核素是否存在，并给出判断结果的置信度。

所述探测器对γ射线的收集是一个动态的过程，不同能量的γ射线依次被关注核素的感兴趣区筛选、记录与预处理，形成各个感兴趣区相互独立的能量序列ε_i，j＝{E_i，j，1’，E_i，j，2’，E_i，j，3’，...E_i，j，n’}；对于一种放射性核素，当最长ε_i，j的长度达到l时，将各个ROI收集到的数据进行整理成向量的模式，得到模型的输入向量；输入向量中的每一行依次送入相同的LSTM的cell中进行更新，通过一个全连接层后，输出判断的结果。

所述核素库内的每一种放射性核素释放的γ射线，在探测器灵敏体积内沉积的能量，服从以其能量值为中心的高斯分布。

所述γ射线实际沉积能量为E_i的概率为：

其中，E_μ为该γ射线理论的能量值，η(E_μ)为探测器对能量为E_μ的γ射线的能量分辨率；

由高斯函数性质：

所以当感兴趣区的宽度为

时，峰面积的覆盖度可达99.76％；感兴趣区为

对于每一个感兴趣区收集到的粒子将作如下处理：

E_i’＝E_i-E_μ；

其中，E_i’为处理后的γ射线的能量值，E_i为处理前的能量值，E_μ为该感兴趣区中心的能量值。

本发明的有益效果：将深度学习方法引入了核素识别过程中，解决了传统核素识别方法速度慢和对特征γ射线能量相近核素识别难缺点，可实现快速而准确核素识别的功能。本发明不同于传统的首先采集能谱，然后再对能谱数据进行分析的方法，而只需要采集并依次记录从主放大器输出的粒子脉冲幅度信息，经过处理和分析后即可实现快速而准确核素识别的功能。由于分析不必首先生成能谱，且LSTM网络参数可以在使用前完成的训练并保存至系统，在使用现场可以直接利用训练好的模型进行分析，极大的缩短了识别的速度。针对某一核素的识别，只要其最强的γ射线感兴趣内的计数达到50，无论是否存在能量相近的干扰核素，都可给出较准确的识别结果。针对存在特征γ射线能量相近的混合放射性核素(¹³³Ba、¹³¹I与¹³³Xe)，分别利用600组测试样本进行测试，识别正确率分别为99.33％，99％和99.17％。对于不存在感兴趣区交叉的情况(¹³⁷Cs、⁶⁰Co与¹⁵²Eu)，分别利用600组测试样本进行测试，识别正确率分别为99.67％，99.83％和99.83％。

附图说明

图1基于LSTM的快速核素识别方法流程图

图2核素库内需要关注的区域分布示意图

图中：R₁，R₂，...，R_n为第1，2，...，n种放射性核素，E为能量，ζ为发射率。

图3核素识别算法的流程与结构示意图

图4 LSTM模块的基本计算流程示意图

图5单个放射性核素的不同感兴趣区收集并处理后的能量序列示意图

图6 LSTM模块的网络结构分布示意图

图7 ¹³³Ba、¹³¹I与¹³³Xe混合能谱的抽样过程示意图

图中：纵坐标为收集到的γ射线的能量E，横坐标为γ射线被收集的先后次序n。

图8训练迭代过程中准确性与交叉熵的变化情况示意图

图中：横坐标分别为第一次迭代中样本的数量N_s和迭代次数epoch，纵坐标分别损失函数的值l和正确率Acc。

具体实施方式

本发明首次将深度学习引入核素识别问题中。将深度学习方法LSTM模型嵌入一整套核素识别算法中，利用实时采集的能量序列的信息而非传统的具有统计意义的能谱数据作为核素识别的依据，实现对人工放射性核素的快速而准确的识别。利用蒙特卡洛仿真的方式生成了大量的训练样本，对模型进行了训练。并通过对实测样品能谱和仿真能谱进行抽样的手段生成了测试样本，分别对γ射线能量接近导致感兴趣区交叉和γ射线能量相距较远的混合核素进行了检验，取得了较好的结果。

下面结合实施例和附图对本发明的作进一步的描述。

实例1

如图1所示，本发明实施例提供的基于LSTM的快速核素识别方法包括以下步骤：

S101：根据核素识别应用的场合选择合适的特征放射性核素库；

S102：根据探测器的能量分辨率和全能峰的峰位，计算并选择合适的感兴趣区的宽度；

S103：粒子被收集之后，判断粒子能量的感兴趣区；

S104：对数据进行预处理并存储下该粒子的能量信息；

S105：存储的粒子数满足预设值时，进入核素识别模块，该模块基于LSTM模型，识别出结果后，输出识别结果和置信度。

在步骤S101中提供的核素库内的每一种放射性核素，完全损失自己的能量在探测器灵敏体积内的条件下，相应的脉冲高度并非完全一样，而是围绕着某个脉冲高度涨落的，并且服从高斯分布。

在步骤S102中提供的γ射线实际沉积能量为E_i的概率为：

其中，E_μ为该γ射线理论的能量值，η(E_μ)为探测器对能量为E_μ的γ射线的能量分辨率；

由高斯函数性质：

所以当感兴趣区的宽度为

时，峰面积的覆盖度可达99.76％；感兴趣区为

在步骤S103中提供的为了提高识别效率，对于同种核素，当粒子能量落入其中一个感兴趣区内部之后，则不再对是否落入该核素的其它感兴趣区进行判断。

在步骤S104中提供的对于每一个感兴趣区收集到的粒子将作如下处理：

E_i’＝E_i-E_μ；

其中，E_i’为处理后的γ射线的能量值，E_i为处理前的能量值，E_μ为该感兴趣区中心的能量值。

在步骤S105中提供的核素识别模块的网络结构设置有：LSTM单元、全连接层和激活函数；探测器对γ射线的收集是一个动态的过程，不同能量的γ射线依次被关注核素的感兴趣区筛选、记录与预处理，最终形成各个感兴趣区相互独立的能量序列ε_i，j＝{E_i，j，1’，E_i，j，2’，E_i，j，3’，...，E_i，j，n’}；对于一种放射性核素，当最长ε_i，j的长度达到l时，将各个感兴趣区收集到的数据进行整理成向量的模式，即可得到模型的输入向量；输入向量中的每一行依次送入相同的LSTM的cell中进行更新，随后通过一个全连接层后，输出判断的结果；

下面结合实验对本发明的应用效果作详细的描述。

1、能谱的生成

为了得到多组不同状态的测试样本，本发明利用蒙特卡洛仿真软件MCNP生成的能谱作为测试集的来源。首先验证MCNP仿真的合理性，利用ORTEC公司型号为DETECTIVE-EX-100的HPGe探测器对10cm以外的¹³⁷Cs、⁶⁰Co和¹⁵²Eu混合点源进行探测，在MCNP中建立同样的模型，将两者的测量结果进行比较；可以看出，利用MCNP计算所得的能谱与实测的能谱较为接近，利用MCNP计算所得的能谱具有合理性。

2、粒子抽样

由于该模型的输入样本基于连续到达的粒子序列而不是能谱，但放射性核素的衰变服从泊松分布，所以可以根据能谱数据，通过抽样的方法，获得能量序列。首先得到实测能谱.然后抽取随机数R～U(0，1)，若：

则代表收集到一个对应能谱第m道能量的γ射线，其中n_t为能谱在该道的计数，n_t0＝0，将多次抽样得到的能量依次保存，则可形成能量序列和模型的输入向量。

3、核素识别

对于HPGe探测器，¹³³Ba、¹³¹I与¹³³Xe的部分γ射线能量较为接近，部分感兴趣区存在交叉，利用蒙特卡洛仿真生成包含但不仅限于¹³³Ba、¹³¹I与¹³³Xe的19组能谱，并针对每组能谱数据进行600次抽样。

取最长ε_i，j的长度l＝50，则一共生成22600组维度为50×k的能量序列，k为所关注核素的感兴趣区数量，例如对于¹³³Ba，则训练样本输入向量的维度为22600×50×7；可以得出，在第一次迭代中，随着训练样本的增加，准确性迅速上升至70％随后缓慢上升至96％左右，并且loss逐渐下降至0.2以下。随着迭代次数的增加，准确性和损失函数的值先分别增加和降低，随后趋于不变，可以看出在迭代次数为4时，可以认为训练已经达到饱和。没有必要再继续增加迭代次数，准确性位于99.9％左右，损失函数的值小于0.01.

针对¹³³Ba、¹³¹I与¹³³Xe的混合放射性核素的能谱，分别利用600组测试样本进行测试，结果见表1。

表1对于¹³³Ba、¹³¹I与¹³³Xe的混合放射性核素能谱对三种核素的识别结果

对于不存在感兴趣区交叉的情况，利用仿真生成¹³⁷Cs、⁶⁰Co与¹⁵²Eu的混合放射性核素的能谱并依据上述方法，可以得到训练样本和测试样本，训练模型后测试，结果见表2。

表2对于¹³⁷Cs、⁶⁰Co与¹⁵²Eu混合放射性核素能谱对三种核素的识别结果

可以看出，无论混合的人工放射性核素的γ射线能量相互之间是否存在干扰，该算法都有较高的识别准确率，满足现场对核素识别的要求。

Claims (4)

1.一种基于LSTM的快速核素识别方法，其特征在于LSTM的快速核素识别方法步骤如下：

步骤一，根据核素识别应用的场合选择相对应的特征放射性核素库：核爆炸放射性核素库、反应堆裂变产物放射性核素库、核燃料后处理厂放射性核素库、医用放射性核素库或工业放射性核素库；

步骤二，根据探测器的能量分辨率和特征γ射线的能量，计算并选择感兴趣区的宽度；

步骤三，粒子被收集之后，将该粒子的能量与核素库中每种核素的每条特征γ射线的感兴趣区进行比较，当该粒子能量在一个以上感兴趣区之内，则认为该粒子属于这个感兴趣区；

步骤四，对数据进行预处理，将各个感兴趣区内收集到的粒子的能量都减去相应感兴趣区中心的能量值，并存储下该差值作为该粒子的特征信息；

步骤五，对于各个核素，当其中一条γ射线的感兴趣区内收集到的粒子数达到预设值时，以该核素所有感兴趣区内所存储的粒子的特征信息作为判断依据，采用基于LSTM的核素识别方法，判断该种核素是否存在，并给出判断结果的置信度；

探测器对γ射线的收集是一个动态的过程，不同能量的γ射线依次被关注核素的感兴趣区筛选、记录与预处理，形成各个感兴趣区相互独立的能量序列ε_i，j＝{E_i，j，1’，E_i，j，2’，E_i，j，3’，...E_i，j，n’}；对于一种放射性核素，当最长ε_i，j的长度达到l时，将各个感兴趣区收集到的数据整理成向量的模式，得到模型的输入向量；输入向量中的每一行依次送入相同的LSTM的cell中进行更新，通过一个全连接层后，输出判断的结果。

2.如权利要求1所述的基于LSTM的快速核素识别方法，其特征在于，所述核素库内的每一种放射性核素特征γ射线，在探测器灵敏体积内沉积的能量，服从以其能量值为中心的高斯分布。

3.如权利要求1所述的基于LSTM的快速核素识别方法，其特征在于，所述γ射线实际沉积能量为E_i的概率为：

其中，E_μ为该γ射线理论的能量值，η(E_μ)为探测器对能量为E_μ的γ射线的能量分辨率；

由高斯函数性质：

所以当感兴趣区的宽度为

时，峰面积的覆盖度为99.76％；感兴趣区为

4.如权利要求1所述的基于LSTM的快速核素识别方法，其特征在于，对于每一个感兴趣区收集到的粒子作如下处理：

E_i’＝E_i-E_μ；

其中，E_i’为处理后的γ射线的能量值，E_i为处理前的能量值，E_μ为该感兴趣区中心的能量值。

Images