CN111413724B - 一种cr-39测量氡气辐射浓度的方法、系统及设备 - Google Patents
一种cr-39测量氡气辐射浓度的方法、系统及设备 Download PDFInfo
- Publication number
- CN111413724B CN111413724B CN202010129451.0A CN202010129451A CN111413724B CN 111413724 B CN111413724 B CN 111413724B CN 202010129451 A CN202010129451 A CN 202010129451A CN 111413724 B CN111413724 B CN 111413724B
- Authority
- CN
- China
- Prior art keywords
- alpha particle
- signal
- layer
- image
- neural network
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
- G01T1/167—Measuring radioactive content of objects, e.g. contamination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Radiation (AREA)
Abstract
本申请公开了一种CR‑39测量氡气辐射浓度的方法、系统及设备,包括:获取CR‑39样品的信号图像;将信号图像输入到浓度测量模型的第一层卷积神经网络中进行校准,获取包括候选alpha粒子信号窗口的信号图像;将校准后的信号图像输入至第二层卷积神经网络中进行再次校准,得到进一步校准后的信号图像;将进一步校准后的信号图像输入至浓度测量模型的第三层卷积神经网络中,得到包括alpha粒子信号定位的图像;计算包括alpha粒子信号定位的图像中的alpha粒子的数量,完成对氡气浓度的检测。本申请解决了现有方法中固有噪声和alpha粒子信号难以区分的技术问题。
Description
技术领域
本申请涉及氡气浓度测量技术领域,尤其涉及一种CR-39测量氡气辐射浓度的方法、系统及设备。
背景技术
氡及其衰变子体对于人体健康的危害主要与室内环境中氡的浓度和人在室内滞留的时间长短有关,也就是说与暴露浓度与暴露时间有关。一般室内空气中都有氡的存在(室外亦是如此),室内氡浓度上限值的含义是指人在其中生活而终生不受氡危害的室内空气氡浓度的范围,该值一般70~150Bq*m-3。室内氡浓度超过上限值较多,而达到行动值时,就应采取措施。室内氡浓度的行动值一般为150~400Bq*m-3。因此测量氡气浓度判断环境是否能够生活成为了需求之一。
现有技术中,氡气浓度探测器包括:短期测量工具——CLS100、长期测量工具——AT100以及水中氡气含量测量工具——WT100。其中,空气中氡气含量长期测量的测量结果更加准确,主要利用CR-39进行测量。探测器容器要满足以下要求:
1、具有一定导电性,防止电荷积累;
2、扩散和过滤结:过滤回城和钍射气(Rn-220)。
由于制造过程中,CR-39(碳本酸丙烯乙酸)样品内部会形成很多微小气泡和缺陷,刻蚀后,这些气泡和缺陷形成的噪声称作固有噪声。固有噪声和探测出来的alpha粒子信号又十分相似,如何区分固有噪声和alpha粒子信号成为需要解决的问题。
发明内容
本申请提供了一种CR-39测量氡气辐射浓度的方法、系统及设备,解决了固有噪声和alpha粒子信号难以区分的技术问题。
有鉴于此,本申请第一方面提供了一种CR-39测量氡气辐射浓度的方法,所述方法包括:
获取CR-39样品的信号图像;
将所述信号图像输入到浓度测量模型的第一层卷积神经网络中进行校准,获取包括候选alpha粒子信号窗口的所述信号图像;
将所述包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第二层卷积神经网络中进行再次校准,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像;
将所述进一步校准后的包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第三层卷积神经网络中,得到包括alpha粒子信号定位的图像;
计算所述包括alpha粒子信号定位的图像中的alpha粒子的数量,完成对氡气浓度的检测。
可选的,所述将所述信号图像输入到所述浓度测量模型的第一层卷积神经网络中进行校准,获取包括候选alpha粒子信号窗口的所述信号图像具体为:
将所述信号图像输入到所述浓度测量模型的第一层卷积神经网络中,获取候选alpha粒子信号窗口和边界框回归向量,利用所述边界框回归向量校准所述候选alpha粒子信号窗口使得去除重叠的所述候选alpha粒子窗口,得到校准后的包括候选alpha粒子信号窗口的信号图像。
可选的,所述将所述包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第二层卷积神经网络中进行再次校准,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像具体为:
将所述包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第二层卷积神经网络中,利用所述边界框回归向量校准所述候选alpha粒子信号窗口,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像。
可选的,所述第一层卷积神经网络包括依次连接的卷积层、池化层以及全连接层;所述卷积层的大小为3*3;所述卷积层以及所述全连接层之后分别使用RELU函数作为非线性激励函数。
可选的,所述第二层卷积神经网络包括依次连接的两个卷积层以及全连接层;所述卷积层的大小为3*3;所述卷积层以及所述全连接层之后分别使用RELU函数作为非线性激励函数。
可选的,所述第三层卷积神经网络包括依次连接的三个卷积层、池化层以及全连接层;所述卷积层的大小为3*3;所述卷积层、所述池化层以及所述全连接层之后分别使用RELU函数作为非线性激励函数。
本申请第二方面提供一种CR-39测量氡气辐射浓度的系统,所述系统包括:
信号获取模块,用于获取CR-39样品的信号图像;
第一图像校准模块,用于将所述信号图像输入到所述浓度测量模型的第一层卷积神经网络中进行校准,获取包括候选alpha粒子信号窗口的所述信号图像;
第二图像校准模块,用于将所述包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第二层卷积神经网络中进行再次校准,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像;
alpha粒子信号定位模块,用于将所述进一步校准后的包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第三层卷积神经网络中,得到包括alpha粒子信号定位的图像;
浓度计算模块,用于计算所述包括alpha粒子信号定位的图像中的alpha粒子的数量,完成对氡气浓度的检测。
可选的,所述第一图像校准模块具体用于:
将所述信号图像输入到所述浓度测量模型的第一层卷积神经网络中,获取候选alpha粒子信号窗口和边界框回归向量,利用所述边界框回归向量校准所述候选alpha粒子信号窗口使得去除重叠的所述候选alpha粒子窗口,得到校准后的包括候选alpha粒子信号窗口的信号图像。
可选的,所述第二图像校准模块具体用于:
将所述包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第二层卷积神经网络中,利用所述边界框回归向量校准所述候选alpha粒子信号窗口,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像。
本申请第三方面提供一种CR-39测量氡气辐射浓度设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令,执行如上述第一方面所述的CR-39测量氡气辐射浓度的方法的步骤。
从以上技术方案可以看出,本申请具有以下优点:
本申请中,提供了一种CR-39测量氡气辐射浓度的方法,包括获取CR-39样品的信号图像;将信号图像输入到浓度测量模型的第一层卷积神经网络中进行校准,获取包括候选alpha粒子信号窗口的信号图像;将包括候选alpha粒子信号窗口的信号图像输入至浓度测量模型的第二层卷积神经网络中进行再次校准,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像;将进一步校准后的包括候选alpha粒子信号窗口的信号图像输入至浓度测量模型的第三层卷积神经网络中,得到包括alpha粒子信号定位的图像;计算包括alpha粒子信号定位的图像中的alpha粒子的数量,完成对氡气浓度的检测。
本申请通过采用已经训练好的卷积神经网络模型区分CR-39样品内部的固有噪声以及alpha粒子信号,并通过多次的校准获取准确的包括alpha粒子信号的信号图像,从而完成alpha粒子的筛选,使得计算人员不用通过肉眼对固有噪声和alpha粒子信号进行辨别和计算,提高了氡气浓度测量的精度及效率。
附图说明
图1为本申请一种CR-39测量氡气辐射浓度的方法的一个实施例的方法流程图;
图2为本申请一种CR-39测量氡气辐射浓度的系统的一个实施例的系统框图;
图3为本申请一种CR-39测量氡气辐射浓度方法的一个实施例中的浓度测量模型的示意图。
具体实施方式
本申请通过采用已经训练好的卷积神经网络模型区分CR-39样品内部的固有噪声以及alpha粒子信号,并通过多次的校准获取准确的包括alpha粒子信号的信号图像,从而完成alpha粒子的筛选,使得计算人员不用通过肉眼对固有噪声和alpha粒子信号进行辨别和计算,提高了氡气浓度测量的精度及效率。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了更好的理解本申请,请参阅图1,图1为本申请一种CR-39测量氡气辐射浓度的方法的一个实施例的方法流程图,包括:
101、获取CR-39样品的信号图像。
需要说明的是,CR-39样品内部会形成很多微小气泡和缺陷,刻蚀后,这些气泡和缺陷形成的噪声称作固有噪声。因此,取CR-39样品的信号图像包括alpha粒子信号以及固有噪声信号。
102、将信号图像输入到浓度测量模型的第一层卷积神经网络中进行校准,获取包括候选alpha粒子信号窗口的信号图像。
需要说明的是,本申请中浓度测量模型为训练好的模型,其训练过程为采用大量的CR-39样本的信号图像进行训练,提取alpha粒子信号的特征,从而得到能够精确区分alpha粒子信号以及固有噪声信号的浓度测量模型。
浓度测量模型可以为多层的卷积神经网络结构。在一种具体的实施方式中采用三层的卷积神经网络结构,其在第一层卷积神经网络结构中可以用于校准alpha粒子信号窗口,获得校准后的包括alpha粒子信号窗口的信号图像。
在一种具体的实施方式中,第一层卷积神经网络结构包括依次连接的卷积层、池化层以及全连接层;卷积层的大小为3*3;卷积层以及全连接层之后分别使用RELU函数作为非线性激励函数,具体如图3所示。
将信号图像输入到浓度测量模型的第一层卷积神经网络中的过程具体为,获取候选alpha粒子信号窗口和边界框回归向量,利用边界框回归向量校准候选alpha粒子信号窗口使得去除重叠的候选alpha粒子窗口,得到校准后的包括候选alpha粒子信号窗口的信号图像。
103、将包括候选alpha粒子信号窗口的信号图像输入至浓度测量模型的第二层卷积神经网络中进行再次校准,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像。
需要说明的是,第二层卷积神经网络可以用于对第一层卷积神经网络校准后得到的信号图像进行再次校准,得到更加精确的包括alpha粒子信号的信号图像。
在一种具体的实施方式中,第二层卷积神经网络包括依次连接的两个卷积层以及全连接层;卷积层的大小为3*3;卷积层以及全连接层之后分别使用RELU函数作为非线性激励函数,具体示意图如图3所示。
将包括候选alpha粒子信号窗口的信号图像输入至浓度测量模型的第二层卷积神经网络中的具体过程包括,利用边界框回归向量校准候选alpha粒子信号窗口,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像。
104、将进一步校准后的包括候选alpha粒子信号窗口的信号图像输入至浓度测量模型的第三层卷积神经网络中,得到包括alpha粒子信号定位的图像。
需要说明的是,第三层卷积神经网络可以具体的定位alpha粒子信号,从而获得高精确的包括alpha粒子信号的信号图像,使得能够得到容易分辨的alpha粒子信号。
在一种具体的实施方式中,第三层卷积神经网络包括依次连接的三个卷积层、池化层以及全连接层;卷积层的大小为3*3;卷积层、池化层以及全连接层之后分别使用RELU函数作为非线性激励函数。
具体的将进一步校准后的信号图像输入到浓度测量模型的第三层卷积神经网络中的过程为,利用边界框回归向量校准候选alpha粒子信号窗口,去除重叠候选窗口获取精确定位好alpha粒子信号的信号图像,计算信号图像中的alpha粒子信号的数量,完成对氡气浓度的测量。
本申请通过采用已经训练好的卷积神经网络模型区分CR-39样品内部的固有噪声以及alpha粒子信号,并通过多次的校准获取准确的包括alpha粒子信号的信号图像,从而完成alpha粒子的筛选,使得计算人员不用通过肉眼对固有噪声和alpha粒子信号进行辨别和计算,提高了氡气浓度测量的精度及效率。
以上是本申请一种CR-39测量氡气辐射浓度的方法的实施例,本申请还包括一种CR-39测量氡气辐射浓度的系统的实施例,具体如图2所示,包括:
信号获取模块201,用于获取CR-39样品的信号图像。
第一图像校准模块202,用于将信号图像输入到浓度测量模型的第一层卷积神经网络中进行校准,获取包括候选alpha粒子信号窗口的信号图像。
第二图像校准模块203,用于将包括候选alpha粒子信号窗口的信号图像输入至浓度测量模型的第二层卷积神经网络中进行再次校准,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像。
alpha粒子信号定位模块204,用于将进一步校准后的包括候选alpha粒子信号窗口的信号图像输入至浓度测量模型的第三层卷积神经网络中,得到包括alpha粒子信号定位的图像。
浓度计算模块205,用于计算包括alpha粒子信号定位的图像中的alpha粒子的数量,完成对氡气浓度的检测。
具体的,第一图像校准模块201具体用于:
将信号图像输入到浓度测量模型的第一层卷积神经网络中,获取候选alpha粒子信号窗口和边界框回归向量,利用边界框回归向量校准候选alpha粒子信号窗口使得去除重叠的候选alpha粒子窗口,得到校准后的包括候选alpha粒子信号窗口的信号图像。
第二图像校准模块202具体用于:
将包括候选alpha粒子信号窗口的信号图像输入至浓度测量模型的第二层卷积神经网络中,利用边界框回归向量校准候选alpha粒子信号窗口,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像。
本申请还提供了一种CR-39测量氡气辐射浓度设备的实施例,包括处理器以及存储器:存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行本申请中一种CR-39测量氡气辐射浓度的方法的实施例。
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。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,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,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。
另外,在本申请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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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全部或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)执行本申请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(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:RandomAccess Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种CR-39测量氡气辐射浓度的方法,其特征在于,包括:
获取CR-39样品的信号图像;
将所述信号图像输入到浓度测量模型的第一层卷积神经网络中进行校准,获取包括候选alpha粒子信号窗口的所述信号图像;
将所述包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第二层卷积神经网络中进行再次校准,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像;
将所述进一步校准后的包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第三层卷积神经网络中,得到包括alpha粒子信号定位的图像;
计算所述包括alpha粒子信号定位的图像中的alpha粒子的数量,完成对氡气浓度的检测。
2.根据权利要求1所述的CR-39测量氡气辐射浓度的方法,其特征在于,所述将所述信号图像输入到浓度测量模型的第一层卷积神经网络中进行校准,获取包括候选alpha粒子信号窗口的所述信号图像具体为:
将所述信号图像输入到所述浓度测量模型的第一层卷积神经网络中,获取候选alpha粒子信号窗口和边界框回归向量,利用所述边界框回归向量校准所述候选alpha粒子信号窗口使得去除重叠的所述候选alpha粒子窗口,得到校准后的包括候选alpha粒子信号窗口的信号图像。
3.根据权利要求2所述的CR-39测量氡气辐射浓度的方法,其特征在于,所述将所述包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第二层卷积神经网络中进行再次校准,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像具体为:
将所述包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第二层卷积神经网络中,利用所述边界框回归向量校准所述候选alpha粒子信号窗口,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像。
4.根据权利要求1所述的CR-39测量氡气辐射浓度的方法,其特征在于,所述第一层卷积神经网络包括依次连接的卷积层、池化层以及全连接层;所述卷积层的大小为3*3;所述卷积层以及所述全连接层之后分别使用RELU函数作为非线性激励函数。
5.根据权利要求1所述的CR-39测量氡气辐射浓度的方法,其特征在于,所述第二层卷积神经网络包括依次连接的两个卷积层以及全连接层;所述卷积层的大小为3*3;所述卷积层以及所述全连接层之后分别使用RELU函数作为非线性激励函数。
6.根据权利要求1所述的CR-39测量氡气辐射浓度的方法,其特征在于,所述第三层卷积神经网络包括依次连接的三个卷积层、池化层以及全连接层;所述卷积层的大小为3*3;所述卷积层、所述池化层以及所述全连接层之后分别使用RELU函数作为非线性激励函数。
7.一种CR-39测量氡气辐射浓度的系统,其特征在于,包括:
信号获取模块,用于获取CR-39样品的信号图像;
第一图像校准模块,用于将所述信号图像输入到浓度测量模型的第一层卷积神经网络中进行校准,获取包括候选alpha粒子信号窗口的所述信号图像;
第二图像校准模块,用于将所述包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第二层卷积神经网络中进行再次校准,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像;
alpha粒子信号定位模块,用于将所述进一步校准后的包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第三层卷积神经网络中,得到包括alpha粒子信号定位的图像;
浓度计算模块,用于计算所述包括alpha粒子信号定位的图像中的alpha粒子的数量,完成对氡气浓度的检测。
8.根据权利要求7所述的CR-39测量氡气辐射浓度的系统,其特征在于,所述第一图像校准模块具体用于:
将所述信号图像输入到所述浓度测量模型的第一层卷积神经网络中,获取候选alpha粒子信号窗口和边界框回归向量,利用所述边界框回归向量校准所述候选alpha粒子信号窗口使得去除重叠的所述候选alpha粒子窗口,得到校准后的包括候选alpha粒子信号窗口的信号图像。
9.根据权利要求7所述的CR-39测量氡气辐射浓度的系统,其特征在于,所述第二图像校准模块具体用于:
将所述包括候选alpha粒子信号窗口的信号图像输入至所述浓度测量模型的第二层卷积神经网络中,利用边界框回归向量校准所述候选alpha粒子信号窗口,得到进一步校准后的包括候选alpha粒子信号窗口的信号图像。
10.一种CR-39测量氡气辐射浓度设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的CR-39测量氡气辐射浓度的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129451.0A CN111413724B (zh) | 2020-02-28 | 2020-02-28 | 一种cr-39测量氡气辐射浓度的方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129451.0A CN111413724B (zh) | 2020-02-28 | 2020-02-28 | 一种cr-39测量氡气辐射浓度的方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111413724A CN111413724A (zh) | 2020-07-14 |
CN111413724B true CN111413724B (zh) | 2022-03-25 |
Family
ID=71492781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010129451.0A Active CN111413724B (zh) | 2020-02-28 | 2020-02-28 | 一种cr-39测量氡气辐射浓度的方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111413724B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0452915A2 (en) * | 1990-04-18 | 1991-10-23 | Fuji Photo Film Co., Ltd. | Method and apparatus for adjusting read-out conditions and/or image processing conditions for radiation images, radiation image read-out apparatus, and radiation image analyzing method and apparatus |
US5553159A (en) * | 1991-04-16 | 1996-09-03 | Fuji Photo Film Co., Ltd. | Radiation image processing method utilizing neural networks |
CN103176219A (zh) * | 2012-11-27 | 2013-06-26 | 核工业北京地质研究院 | 一种核探测数据的离散余弦神经网络模糊降噪方法 |
EP3286582A1 (fr) * | 2015-04-20 | 2018-02-28 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Procede de determination d'activite d'au moins un corps present dans un materiel procede d'identification de corps et dispositifs associes |
CN108508473A (zh) * | 2018-05-30 | 2018-09-07 | 国家海洋技术中心 | 基于水下自主航行器的水体γ辐射立体监测系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7485877B2 (en) * | 2005-05-27 | 2009-02-03 | The Regents Of The University Of Michigan | Integrative and real-time radiation measurement methods and systems |
-
2020
- 2020-02-28 CN CN202010129451.0A patent/CN111413724B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0452915A2 (en) * | 1990-04-18 | 1991-10-23 | Fuji Photo Film Co., Ltd. | Method and apparatus for adjusting read-out conditions and/or image processing conditions for radiation images, radiation image read-out apparatus, and radiation image analyzing method and apparatus |
US5553159A (en) * | 1991-04-16 | 1996-09-03 | Fuji Photo Film Co., Ltd. | Radiation image processing method utilizing neural networks |
CN103176219A (zh) * | 2012-11-27 | 2013-06-26 | 核工业北京地质研究院 | 一种核探测数据的离散余弦神经网络模糊降噪方法 |
EP3286582A1 (fr) * | 2015-04-20 | 2018-02-28 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Procede de determination d'activite d'au moins un corps present dans un materiel procede d'identification de corps et dispositifs associes |
CN108508473A (zh) * | 2018-05-30 | 2018-09-07 | 国家海洋技术中心 | 基于水下自主航行器的水体γ辐射立体监测系统及方法 |
Non-Patent Citations (3)
Title |
---|
Pattern recognition of nuclear traces produced by alpha particles in solid state detectors;Ananda C.Trindade et al.;《2009 International Nuclear Atlantic Conference》;20091231;第1-8页 * |
Textual and shape-based feature extraction and neuro-fuzzy classifier for nuclear track recognition;Omid Khayat et al.;《Radiation Effects and Defects in Solids》;20131231;第168卷(第4期);第264-273页 * |
固体径迹法测量D-D中子源水泥反射中子;王玫 等;《核电子学与探测技术》;20120229;第32卷(第2期);第188-191页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111413724A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7820973B2 (en) | Method of identifying the energy range of radiation from radioactive material and system for detecting the same | |
CN111366270B (zh) | 一种温度异常筛选方法、系统及计算机存储介质 | |
Popescu et al. | CT image assessment by low contrast signal detectability evaluation with unknown signal location | |
CN102809494A (zh) | 数字x射线成像系统调制传递函数的刀口法测量方法 | |
CN109464148A (zh) | 测量脊柱弯曲的装置及系统 | |
JP7324548B2 (ja) | 小便検査を行うための装置及び方法 | |
CN111413724B (zh) | 一种cr-39测量氡气辐射浓度的方法、系统及设备 | |
CN108447047A (zh) | 抗酸杆菌检测方法及装置 | |
JP4828962B2 (ja) | 放射能検査方法および装置 | |
CN112884721B (zh) | 一种异常检测方法、系统及计算机可读存储介质 | |
US7064826B2 (en) | Digital optical measurement of particle populations using reduced magnification | |
CN115824427B (zh) | 温度校正方法、装置、设备及存储介质 | |
CN107092772B (zh) | 一种传感器特征曲线的确定方法及其装置 | |
CN108171756A (zh) | 自适应标定方法、装置及计算机终端 | |
CN112801967A (zh) | 一种精子形态分析方法和装置 | |
CN115690546B (zh) | 虾长测量方法、装置、电子设备及存储介质 | |
Hülber et al. | A scanning and image processing system with integrated design for automated micronucleus scoring | |
CN104596578A (zh) | 一种基于移动终端的外接件巡检方法、系统及移动终端 | |
CN113538412A (zh) | 一种航拍图像的绝缘子缺陷检测方法及装置 | |
CN115393838A (zh) | 指针式仪表读数识别方法、装置、电子设备及存储介质 | |
Kim et al. | Industrial x-ray inspection system with improved image characterization using blind deblurring based on compressed-sensing scheme | |
CN111898314A (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
KR102581512B1 (ko) | 간단한 소변검사를 수행하기 위한 장치 및 방법 | |
CN116679172B (zh) | 一种电力现场局部放电源可视化检测系统及方法 | |
CN117635614B (zh) | 一种超快x射线成像无损检测方法及系统 |
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 |