CN111539324A - 一种新型核素识别方法 - Google Patents
一种新型核素识别方法 Download PDFInfo
- Publication number
- CN111539324A CN111539324A CN202010327577.9A CN202010327577A CN111539324A CN 111539324 A CN111539324 A CN 111539324A CN 202010327577 A CN202010327577 A CN 202010327577A CN 111539324 A CN111539324 A CN 111539324A
- Authority
- CN
- China
- Prior art keywords
- peak
- identification
- nuclide
- energy
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000001228 spectrum Methods 0.000 claims abstract description 89
- 238000013528 artificial neural network Methods 0.000 claims abstract description 74
- 230000002285 radioactive effect Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 3
- 238000012549 training Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 238000013095 identification testing Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004566 building material Substances 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000011824 nuclear material Substances 0.000 description 1
- 238000005025 nuclear technology Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了一种新型核素识别方法，包括如下步骤：获取目标放射源的γ能谱数据；对预处理后的γ能谱数据分别进行峰位识别与神经网络识别，得到峰位识别候选结果与神经网络识别候选结果，以及对应的置信度；基于峰位识别候选结果与神经网络识别候选结果对应的置信度确定最终置信度；若最终置信度大于预设置信度阈值，则将对应的候选结果作为最终结果。本发明将核素中各条特征峰差异显著的核素加入峰位识别库；将核素中各条特征峰差异不明显，但γ能谱形状差异较大的核素加入神经网络识别库；建立不同的识别库，采用不同的识别方法对不同特征的核素进行识别，能够提高核素识别的正确率，降低误识别率并提高核素识别的环境适应性。
Description
技术领域
本发明涉及核探测技术领域，具体涉及一种新型核素识别方法。
背景技术
近些年来，核技术与核科学得到了突飞猛进的发展，截至2016年底，在世界范围内运行的核电站与核反应堆有500座左右，核电亦成为了能源的重要组成部分，由此带来了一定的风险。例如历史上发生的核电站爆炸和泄露事故，在造成巨大经济损失的同时，也给人们的生活造成了不可磨灭的影响。此外，为了保证国家的安全，也需要对各种核材料进行有力的监控。并且，在地质勘探、矿产分析、建筑物材料的放射性物质检测等领域也广泛的应用了核探测技术。因此，核探测技术的作用与意义日益凸显。
核素识别作为核探测领域的重要研究方向，其主要作用是对由γ能谱采集装置获得的放射性核素的γ能谱进行分析与处理，得到有关核素的定性与定量信息，其结果的准确性、精确性和场景适应性显得尤为重要。目前大多数便携式或移动式核素识别设备，多是采用基于峰位识别或人工智能的方法对核素进行识别。基于峰位识别的核素识别方法，通常需经历以下步骤：对γ能谱数据进行平滑以降低统计涨落的影响；在γ能谱上精确的找到放射源核素对应的各个特征峰峰位；根据找到的特征峰，在核素库中进行匹配，判断出识别核素的种类。此类方法面临的主要问题有以下几点：一是受限于闪烁体能量分辨率较低，峰位常有重叠、掩盖等现象，在低剂量的放射源下，情况更为严重，因此在寻峰过程中常出现漏峰、假峰等现象；二是当核素库中的核素较多时，极可能存在几种不同核素的γ射线特征峰由于差异较小，而共同形成一个“峰包”，寻峰算法可能将这几种核素形成的“峰包”误识别为一个特征峰。以上遇到的问题均会对后续的核素识别造成较大的影响。基于人工智能的核素识别方法，多是利用一类模式识别领域的方法(例如人工神经网络NNT、支持向量机SVM)，该类方法一般需要以下步骤：对核素库中的核素样本进行采集，并划分为训练样本和测试样本；对训练样本进行训练得到识别模型；将测试样本输入识别模型得到识别结果。此类方法面临的主要问题有以下几点：一是需要预先采集核素库中所有核素样本，当核素较多时，样本采集的困难较大；二是核素库中核素较多时，采集到的样本较多，样本集可能存在较多矛盾的、前后不一致的样本，造成各个样本的特征区别不明显，对样本训练造成影响，影响了训练速度以及识别模型的准确性、鲁棒性和稳定性；三是待识别的核素的γ能谱样本与训练时用到的核素γ能谱样本需保持一致的测量环境，当环境改变较大(例如野外作业时温差较大、本底环境差异显著、统计涨落较高等因素)时，也会对识别准确性造成较大的影响。
因此，如何提高核素识别的正确率，降低误识别率并提高核素识别的环境适应性，成为了本领域技术人员急需解决的问题。
发明内容
针对上述现有技术的不足，本发明要解决的问题是：如何提高核素识别的正确率，降低误识别率并提高核素识别的环境适应性。
本发明采用了如下的技术方案：
一种新型核素识别方法，包括如下步骤：
S1、获取目标放射源的γ能谱数据；
S2、对所述γ能谱数据进行预处理：
S3、对预处理后的γ能谱数据分别进行峰位识别与神经网络识别，得到峰位识别候选结果与神经网络识别候选结果，以及峰位识别候选结果与神经网络识别候选结果对应的置信度，峰位识别与神经网络识别中分别采用峰位识别库与神经网络识别库进行识别，其中峰位识别库中的不同核素之间的特征峰能量差大于或等于特征峰能量差阈值，神经网络识别库中的不同核素之间的小于特征峰能量差阈值；
S4、基于峰位识别候选结果与神经网络识别候选结果对应的置信度确定最终置信度；
S5、若最终置信度大于预设置信度阈值，则将对应的候选结果作为最终结果。
优选地，步骤S2中，所述预处理包括数据平滑处理。
优选地，步骤S2中，基于下式对γ能谱数据进行平滑处理：
式中，
表示平滑处理后γ能谱数据中第m道的计数；yi表示γ能谱数据中第i道的计数，4≤i≤1021。
优选地，对预处理后的γ能谱数据进行峰位识别的过程包括：
S3011、从预处理后的γ能谱数据寻找局部极大点，并计算对应的峰高Rm；
当峰高Rm大于或等于寻峰阈值THR时，认为所述局部最高点为特征峰，所述局部极大点的对应的道址即为峰位；Cj表示冲击函数；
j表示变换窗口内的道址，K表示变换窗口，σ为高斯峰函数的标准偏差，σ＝FWHM/2.355，FWHM为利用谱仪系统的FWHM刻度公式求出的FWHM值，EXP[]表示指数运算；
S3012、将特征峰的峰位能量与峰位识别库中的样本峰位能量进行匹配，从而确定候选核素，并将候选核素作为峰位识别候选结果；
S3013、将特征峰与峰位识别库中的候选核素对应的样本特征峰进行匹配，计算所述特征峰的匹配度置信度；
式中，Confi表示峰位为i的特征峰对应的匹配度置信度，ΔE是特征峰与峰位识别库中的候选核素对应的样本特征峰的能量误差，ratio是发射该条特征峰的射线分支比，SumRatio为候选核素的所有样本特征峰的射线分支比之和，ETOL表示能量窗口；
S3014、计算峰位识别候选结果对应的置信度PConf
式中，SumNRatio为候选核素在能量窗口外的所有样本特征峰的射线分支比之和。
优选地，步骤S3012中：当峰位能量的与峰位识别库中对应的能量在一个能量窗口时，可以认为该峰位属于对应核素的一条特征峰。
优选地，基于特征峰的能量选择不同的能量窗口：
特征峰为0～200KeV时，能量窗口为6KeV；
特征峰为200～600KeV时，能量窗口为8KeV；
特征峰为600～1500KeV时，能量窗口为15KeV；
特征峰为1500～2200KeV时，能量窗口为18KeV；
特征峰为2200～3000KeV时，能量窗口为25KeV。
优选地，对预处理后的γ能谱数据分别进行神经网络识别时，采用最优线性联想记忆神经网络，将预处理后的γ能谱数据进行特征提取后将特征输入神经网络进行识别，采用KL正交变换作为特征提取，所述最优线性联想记忆神经网络的学习规则采用最小均方误差学习算法。
优选地，将峰位识别候选结果与神经网络识别候选结果对应的置信度中的最大值作为最终置信度。
综上所述，本发明公开了一种新型核素识别方法，包括如下步骤：S1、获取目标放射源的γ能谱数据；S2、对所述γ能谱数据进行预处理：S3、对预处理后的γ能谱数据分别进行峰位识别与神经网络识别，得到峰位识别候选结果与神经网络识别候选结果，以及峰位识别候选结果与神经网络识别候选结果对应的置信度，峰位识别与神经网络识别中分别采用峰位识别库与神经网络识别库进行识别，其中峰位识别库中的不同核素之间的特征峰能量差大于或等于特征峰能量差阈值，神经网络识别库中的不同核素之间的小于特征峰能量差阈值；S4、基于峰位识别候选结果与神经网络识别候选结果对应的置信度确定最终置信度；S5、若最终置信度大于预设置信度阈值，则将对应的候选结果作为最终结果。与现有技术相比，本发明将核素中各条特征峰差异显著的核素加入峰位识别库；将核素中各条特征峰差异不明显，但γ能谱形状差异较大的核素加入神经网络识别库；建立不同的识别库，采用不同的识别方法对不同特征的核素进行识别，能够提高核素识别的正确率，降低误识别率并提高核素识别的环境适应性。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1是本发明公开的一种新型核素识别方法的一种具体实施例的流程图；
图2是最优线性联想记忆神经网络的示意图；
图3是238U的能谱图；
图4是131I的能谱图；
图5是99mTc的能谱图；
图6是18F的能谱图；
图7是137Cs的能谱图；
图8是60Co的能谱图；
图9是57Co的能谱图
图10是133Ba的能谱图
图11是241Am的能谱图；
图12是152Eu的能谱图；
图13是232Th的能谱图；
图14是40K的能谱图；
图15是226Ra的能谱图；
图16是某次采样中未平滑处理的能谱图；
图17是将图16的能谱图平滑处理后得到的能谱图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示，本发明公开了一种新型核素识别方法，包括如下步骤：
S1、获取目标放射源的γ能谱数据；
S2、对所述γ能谱数据进行预处理：
S3、对预处理后的γ能谱数据分别进行峰位识别与神经网络识别，得到峰位识别候选结果与神经网络识别候选结果，以及峰位识别候选结果与神经网络识别候选结果对应的置信度，峰位识别与神经网络识别中分别采用峰位识别库与神经网络识别库进行识别，其中峰位识别库中的不同核素之间的特征峰能量差大于或等于特征峰能量差阈值，神经网络识别库中的不同核素之间的小于特征峰能量差阈值；
特征峰能量差阈值可为30KeV。
S4、基于峰位识别候选结果与神经网络识别候选结果对应的置信度确定最终置信度；
S5、若最终置信度大于预设置信度阈值，则将对应的候选结果作为最终结果。
与现有技术相比，本发明通过对核素库中各个核素的γ能谱进行分析和选择，分别构建峰位识别库与神经网络识别库：将核素中各条特征峰差异显著的核素加入峰位识别库；将核素中各条特征峰差异不明显，但γ能谱形状差异较大的核素加入神经网络识别库；再对识别核素的γ能谱同时运用峰位核素识别方法和神经网络核素识别方法进行计算，然后对两者进行综合求解得到最终的核素信息。能够提高核素识别的正确率，降低误识别率并提高核素识别的环境适应性。
具体实施时，步骤S2中，所述预处理包括数据平滑处理。
受γ射线与闪烁体探测器中固有的统计涨落、电子学系统噪声的影响，采集到的能谱数据具有较大的统计涨落，在每道的计数较少时，情况更为严重。统计涨落会对能谱数据的分析与处理产生误差，因此在对数据进行分析前先进行平滑处理。能谱数据的平滑就是以一定的数学方法对能谱谱数据进行处理，减少能谱数据中的统计涨落，并保留平滑前谱曲线中有意义的特征，峰的形状和峰的净面积并不产生较大变化。
具体实施时，步骤S2中，基于下式对γ能谱数据进行平滑处理：
式中，
表示平滑处理后γ能谱数据中第m道的计数；yi表示γ能谱数据中第i道的计数，4≤i≤1021。
在本发明中，由于最小二乘法能通过最小化误差的平方和寻找数据的最佳函数匹配，因此采用最小二乘移动方法对能谱数据进行平滑处理。
具体实施时，对预处理后的γ能谱数据进行峰位识别的过程包括：
S3011、从预处理后的γ能谱数据寻找局部极大点，并计算对应的峰高Rm；
当峰高Rm大于或等于寻峰阈值THR时，认为所述局部最高点为特征峰，所述局部极大点的对应的道址即为峰位；Cj表示冲击函数；
j表示变换窗口内的道址，K表示变换窗口，σ为高斯峰函数的标准偏差，σ＝FWHM/2.355，FWHM为利用谱仪系统的FWHM刻度公式求出的FWHM值，EXP[]表示指数运算；
对γ能谱数据进行寻峰时，精确的找出特征峰的峰位是整个峰位核素识别方法的关键所在，寻峰方法的基本要求如下：
(1)比较高的重峰分辨能力。能确定相互距离很近的峰的峰位。
(2)能识别弱峰，特别是位于高本底上的弱峰。
(3)假峰出现的几率要小。
(4)不仅能计算出峰位的整数道址，还能计算出峰位的精确值(浮点值型的峰位)。
基于以上要求，本发明方法选择“对称零面积方法”进行寻峰，该方法在进行谱变换时使用的数字滤波器的冲击函数。
即冲击函数围绕j＝0点左右对称，且对横轴所包围的面积为零，因而称为对称零面积算法。如果在峰区范围内本底谱是常数或按直线分布，则在变换之后的谱中本底的贡献为零。变换之后谱的形状完全反映了峰形的变化。下一步使用峰高统计判定条件来确定峰位。沿变换之后的谱进行检索，找出局部极大点，若极大值超过其均方根误差若干倍时，则认为找到了一个峰，该局部极大点所对应的道址就是峰位。沿道址在谱中进行检索，找出一系列的局部极大值，并进行判定就可以找到一系列的峰。
TRH为寻峰阈值，是预先给定的常数。当寻峰阈值取得大时，能有效地剔除由统计涨落造成的假峰。但也可能同时漏掉了弱的真峰。当设定较小的寻峰阈值时，能找到全部的强峰和弱峰，但也可能会把由统计涨落造成的假峰当成真峰。因此，寻峰阈值的大小应当根据谱数据的具体情况和物理实验任务来确定。本发明方法的寻峰阈值可选为4。
利用匹配滤波器可以得到最佳信号噪声比，导出匹配滤波器寻峰方法。由于谱数据中的峰函数接近于高斯函数，因而把冲击函数为高斯函数的滤波器作为匹配滤波器。
S3012、将特征峰的峰位能量与峰位识别库中的样本峰位能量进行匹配，从而确定候选核素，并将候选核素作为峰位识别候选结果；
S3013、将特征峰与峰位识别库中的候选核素对应的样本特征峰进行匹配，计算所述特征峰的匹配度置信度；
式中，Confi表示峰位为i的特征峰对应的匹配度置信度，ΔE是特征峰与峰位识别库中的候选核素对应的样本特征峰的能量误差，ratio是发射该条特征峰的射线分支比，取值范围为0～1，SumRatio为候选核素的所有样本特征峰的射线分支比之和，ETOL表示能量窗口；
S3014、计算峰位识别候选结果对应的置信度PConf
式中，SumNRatio为候选核素在能量窗口外的所有样本特征峰的射线分支比之和。
具体实施时，步骤S3012中：当峰位能量的与峰位识别库中对应的能量在一个能量窗口时，可以认为该峰位属于对应核素的一条特征峰。
在本发明中，峰位识别库中记录了核素的每个样本特征峰的能量。此外，若出现一个特征峰的能量与多种核素的样本特征峰的能量处于同一个能量窗口，这个时候选取与特征峰能量差值最小的核素样本特征峰。
由于数据统计涨落的误差、能量刻度的误差和寻峰算法引起的误差，得到的峰位能量可能与峰位识别库中对应的能量存在一定偏差，因此需设定一定的能量窗口，当峰位能量的与峰位识别库中对应的能量在一个能量窗口时，可以认为该峰位属于对应核素的一条特征峰。
具体实施时，基于特征峰的能量选择不同的能量窗口：
特征峰为0～200KeV时，能量窗口为6KeV；
特征峰为200～600KeV时，能量窗口为8KeV；
特征峰为600～1500KeV时，能量窗口为15KeV；
特征峰为1500～2200KeV时，能量窗口为18KeV；
特征峰为2200～3000KeV时，能量窗口为25KeV。
由于能量刻度的非线性，在谱范围的不同能量段对应的能量误差并不相同，一般而言，低能区误差较小，能量越高误差越大，因此在选择能量窗口时，需根据峰位对应的能量动态的选择能量窗口。
在本发明中，对于特征峰的能量及其峰位的计算，均可通过现有的能谱分析软件实现。
具体实施时，对预处理后的γ能谱数据分别进行神经网络识别时，采用最优线性联想记忆神经网络，将预处理后的γ能谱数据进行特征提取后将特征输入神经网络进行识别，采用KL正交变换作为特征提取，所述最优线性联想记忆神经网络的学习规则采用最小均方误差学习算法。
在本发明中，由于全谱信息数据量较大，若将全谱数据作为神经网络的输入，将会增大训练量，极大的影响网络训练速度，降低网络的稳定性和鲁棒性，因此可对输入数据进行特征提取，保留有用信息量，减少计算量，以提高网络性能。
本发明方法可选择KL正交变换作为特征提取，首先构造样本集的协方差矩阵，然后计算矩阵的特征向量和特征值，最后选择能保留90％左右信息的前100个特征值，再根据特征值集合求得能谱对应的变换系数作为网络的输入。
神经网络的训练模型与最终的核素识别结果息息相关，考虑到能谱数据具有线性区分特性和为了减少计算量，本发明方法选择最优线性联想记忆(OLAM)作为神经网络训练模型，该网络包含1个输入层和1个输出层，每层由神经元组成，不同层之间的神经元由边连接，每条边有权重W，神经网络训练的目的就在于找到每条边的权重值(构成权重矩阵)。对于该模型神经网络的输出，先计算输入层的加权和，再加上一个偏置项得到最后的输出。
该网络模型结构如图2所示。
故神经网络的输出可由如下公式计算得出：
y＝purelin(wp+b)＝wp+b
w表示权值矩阵，b表示偏置项矩阵。
本发明方法的神经网络学习规则采用的是Widrow-Hoff学习规则，又称为最小均方误差(Least Mean Square Error，LMS)学习算法。它是基于负梯度下降的原则来减小网络的训练误差。令pk＝(p1(k)，p2(k)，…，pR(k))表示网络的输入向量，dk＝(p1(k)，p2(k)，…，pS(k))表示网络的实际输出向量。其中k＝1,2，…，m，表示输入向量与对应期望输出向量样本对的数量，计算出实际输出向量与相应的期望输出向量的误差，并且依据误差来调整网络的权值与阈值，使该误差逐渐减小。LMS学习规则就是要减小这些误差平方和的均值，定义如下：
第k次循环训练时网络权值和阈值修正公式如下：
w(k+1)＝w(k)+2ηe(k)pT(k)，b(k+1)＝b(k)+2ηe(k)
其中η表示学习速率，本方法中令η＝0.0001。
神经网络识别方法对应的置信度按下式计算：
具体实施时，将峰位识别候选结果与神经网络识别候选结果对应的置信度中的最大值作为最终置信度。
下面以实验的方式对本发明的技术方案与现有技术进行对比：
实验采用的γ能谱采集装置由以下几部分组成：前端采用Labr3(Ce)探测器；多道采集部分采用数字化多道谱仪，能量分辨率为3.5％，1024道；直流电源；计算机；运行于计算机上的γ能谱分析软件。
实验采用13种放射源构建核素库，分别为238U、131I、99mTc、18F、137Cs、60Co、57Co、133Ba、241Am、152Eu、232Th、40K、226Ra。
通过对以上13中核素的γ能谱进行分析，将238U、131I、99mTc、18F、57Co、241Am、133Ba这7种核素加入神经网络识别库，其理由如下：
1.这7种核素释放出的γ射线大多集中在低能区，相互之间特征峰相离较近，不容易区分，并且容易形成重峰、叠峰的现象，因此不宜加入峰位识别库；
2.由于这7种核素释放出的γ射线能量多在500KeV以内，对相同剂量、不同类型的放射源而言，能量越低意味着有更高且有效的脉冲总计数，高的脉冲总计数又使得γ能谱整体形状相对于本底环境及其余核素的区分度较为明显，并且受环境统计涨落的影响较小，故不会因为识别环境有较大改变而对网络重新进行训练；并且由于神经网络是将全谱信息作为网络的输入向量，也可在避免对特征峰进行寻峰的同时而不丢弃其他重要的特征数据，能有效的消除寻峰、能量刻度等引起的误差；
对另外6种核素：137Cs、60Co、152Eu、232Th、40K、226Ra，将其加入峰位识别库，因为这6种核素的特征峰分散在全谱范围(50KeV～3MeV)，且各个核素特征峰相互距离较远(如137Cs的662KeV、60Co的1173KeV和1332KeV、40K的1460KeV等)且容易区分，因此适合峰位识别方法。
峰位识别库与神经网络识别库均保存为.xml文件，在γ能谱分析程序启动时自动载入。
首先在标准实验条件下，对13种核素分别测量1个γ能谱数据，测量时间1分钟，放射源剂量率高于本底0.5uSv/h，一共13个数据，供神经网络方法进行训练使用。
然后在标准实验条件下，对13种核素分别测量5个γ能谱数据，测量时间1分钟，放射源剂量率高于本底0.5uSv/h，一共65个数据，供峰位识别方法与神经网络识别方法在普通应用场合进行核素识别测试时使用。
最后在温差较大、统计涨落较高的复杂场合条件下，对13种核素分别测量5个γ能谱数据，测量时间1分钟，放射源剂量率高于本底0.5uSv/h，一共65个数据，供峰位识别方法与神经网络识别方法在复杂应用场合进行核素识别测试时使用。
图3～图15分别为每种核素的1分钟代表性γ能谱图。
对数据进行平滑时，γ能谱图平滑前后的对比如图16及图17所示。
首先选择单一峰位识别方法(PeakAlg)作为对比方法1，该方法仅用峰位识别方法对核素进行识别，其核素库加入了所有13种核素；
然后选择单一神经网络方法(NNTAlg)作为对比方法2，该方法仅用神经网络识别方法对核素进行识别，其核素库加入了所有13种核素；
最后选择本发明方法(NewAlg)作为对比方法3。
在普通环境中，各个方法识别情况如下表所示。
| 核素 | PeakAlg识别正确率 | NNTAlg识别正确率 | NewAlg识别正确率 |
| <sup>238</sup>U | 60％ | 100％ | 100％ |
| <sup>131</sup>I | 80％ | 100％ | 100％ |
| <sup>99</sup>mTc | 80％ | 100％ | 100％ |
| <sup>18</sup>F | 100％ | 80％ | 100％ |
| <sup>137</sup>Cs | 100％ | 100％ | 100％ |
| <sup>60</sup>Co | 100％ | 80％ | 100％ |
| <sup>57</sup>Co | 60％ | 100％ | 100％ |
| <sup>133</sup>Ba | 80％ | 80％ | 80％ |
| <sup>241</sup>Am | 80％ | 100％ | 100％ |
| <sup>152</sup>Eu | 80％ | 80％ | 80％ |
| <sup>232</sup>Th | 100％ | 100％ | 100％ |
| <sup>40</sup>K | 80％ | 100％ | 100％ |
| <sup>226</sup>Ra | 80％ | 80％ | 80％ |
| AVG | 83％ | 92.3％ | 95.3％ |
在温度变化过大、能谱漂移严重的情况下，各个方法识别情况如下表所示。
在普通环境下，本方法(NewAlg)与单一神经网络识别方法(NNTAlg)的识别正确率均较高，而峰位识别方法的识别正确率较低。这是因为对于单一神经网络方法而言，识别与训练均保持了较为一致的实验环境，故网络识别结果较好。而对于单一峰位识别方法(PeakAlg),由于核素库中的核素较多，存在较多特征峰相离较近的核素，在寻峰过程中存在较多假峰、漏峰的现象，对后续核素识别影响较大，因此识别正确率较低。
在复杂环境下，本方法(NewAlg)的识别正确率较普通环境下的识别正确率没有明显下降，而单一神经网络识别方法(NNTAlg)的识别正确率下降较多。这是因为复杂环境下温差较大，环境本底统计涨落较高，网络在识别与训练时的环境差异过大，因此造成NNTAlg算法性能下降显著；而对于NewAlg方法而言，由于分别构建了峰位识别库与神经网络识别库，可有效避免因峰位识别库中特征峰相离较近而出现漏峰、假峰的情形，同时对于神经网络识别库中存在的特征较为明显的核素亦能较好的识别出。
综上所述，本发明方法在场景适应性以及识别性能上是最佳的。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (8)
1.一种新型核素识别方法，其特征在于，包括如下步骤：
S1、获取目标放射源的γ能谱数据；
S2、对所述γ能谱数据进行预处理：
S3、对预处理后的γ能谱数据分别进行峰位识别与神经网络识别，得到峰位识别候选结果与神经网络识别候选结果，以及峰位识别候选结果与神经网络识别候选结果对应的置信度，峰位识别与神经网络识别中分别采用峰位识别库与神经网络识别库进行识别，其中峰位识别库中的不同核素之间的特征峰能量差大于或等于特征峰能量差阈值，神经网络识别库中的不同核素之间的小于特征峰能量差阈值；
S4、基于峰位识别候选结果与神经网络识别候选结果对应的置信度确定最终置信度；
S5、若最终置信度大于预设置信度阈值，则将对应的候选结果作为最终结果。
2.如权利要求1所述的新型核素识别方法，其特征在于，步骤S2中，所述预处理包括数据平滑处理。
3.如权利要求2所述的新型核素识别方法，其特征在于，步骤S2中，基于下式对γ能谱数据进行平滑处理：
式中，
表示平滑处理后γ能谱数据中第m道的计数；yi表示γ能谱数据中第i道的计数，4≤i≤1021。
4.如权利要求3所述的新型核素识别方法，其特征在于，对预处理后的γ能谱数据进行峰位识别的过程包括：
S3011、从预处理后的γ能谱数据寻找局部极大点，并计算对应的峰高Rm；
当峰高Rm大于或等于寻峰阈值THR时，认为所述局部最高点为特征峰，所述局部极大点的对应的道址即为峰位；Cj表示冲击函数；
j表示变换窗口内的道址，K表示变换窗口，σ为高斯峰函数的标准偏差，σ＝FWHM/2.355，FWHM为利用谱仪系统的FWHM刻度公式求出的FWHM值，EXP[]表示指数运算；
S3012、将特征峰的峰位能量与峰位识别库中的样本峰位能量进行匹配，从而确定候选核素，并将候选核素作为峰位识别候选结果；
S3013、将特征峰与峰位识别库中的候选核素对应的样本特征峰进行匹配，计算所述特征峰的匹配度置信度；
式中，Confi表示峰位为i的特征峰对应的匹配度置信度，ΔE是特征峰与峰位识别库中的候选核素对应的样本特征峰的能量误差，ratio是发射该条特征峰的射线分支比，SumRatio为候选核素的所有样本特征峰的射线分支比之和，ETOL表示能量窗口；
S3014、计算峰位识别候选结果对应的置信度PConf
式中，SumNRatio为候选核素在能量窗口外的所有样本特征峰的射线分支比之和。
5.如权利要求4所述的新型核素识别方法，其特征在于，步骤S3012中：当峰位能量的与峰位识别库中对应的能量在一个能量窗口时，可以认为该峰位属于对应核素的一条特征峰。
6.如权利要求4或5所述的新型核素识别方法，其特征在于，基于特征峰的能量选择不同的能量窗口：
特征峰为0～200KeV时，能量窗口为6KeV；
特征峰为200～600KeV时，能量窗口为8KeV；
特征峰为600～1500KeV时，能量窗口为15KeV；
特征峰为1500～2200KeV时，能量窗口为18KeV；
特征峰为2200～3000KeV时，能量窗口为25KeV。
7.如权利要求3所述的新型核素识别方法，其特征在于，对预处理后的γ能谱数据分别进行神经网络识别时，采用最优线性联想记忆神经网络，将预处理后的γ能谱数据进行特征提取后将特征输入神经网络进行识别，采用KL正交变换作为特征提取，所述最优线性联想记忆神经网络的学习规则采用最小均方误差学习算法。
8.如权利要求1所述的新型核素识别方法，其特征在于，将峰位识别候选结果与神经网络识别候选结果对应的置信度中的最大值作为最终置信度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010327577.9A CN111539324A (zh) | 2020-04-23 | 2020-04-23 | 一种新型核素识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010327577.9A CN111539324A (zh) | 2020-04-23 | 2020-04-23 | 一种新型核素识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111539324A true CN111539324A (zh) | 2020-08-14 |
Family
ID=71979011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010327577.9A Pending CN111539324A (zh) | 2020-04-23 | 2020-04-23 | 一种新型核素识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539324A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112415566A (zh) * | 2020-12-15 | 2021-02-26 | 重庆建安仪器有限责任公司 | 一种基于Labr3(Ce)谱仪的稳谱方法 |
| CN116720067A (zh) * | 2023-06-02 | 2023-09-08 | 广东省麦思科学仪器创新研究院 | 基于振荡信号的质谱图全局峰信息特征描述方法和装置 |
| CN117421570A (zh) * | 2023-09-21 | 2024-01-19 | 清华大学 | 无能量刻度情况下的核素识别方法、装置、设备和介质 |
| CN117421570B (zh) * | 2023-09-21 | 2024-06-04 | 清华大学 | 无能量刻度情况下的核素识别方法、装置、设备和介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102081165A (zh) * | 2009-12-01 | 2011-06-01 | 同方威视技术股份有限公司 | 伽马能谱核素识别方法 |
| 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 |
| WO2014089301A1 (en) * | 2012-12-05 | 2014-06-12 | Nymirum, Inc. | Device and methods for analysis of biomolecule structure, dynamics and activity |
| 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 |
| CN107390259A (zh) * | 2017-07-14 | 2017-11-24 | 西南科技大学 | 一种基于svd和svm的核素识别方法 |
| CN108280429A (zh) * | 2018-01-24 | 2018-07-13 | 北京中科核安科技有限公司 | 基于特征峰匹配的核素识别方法、装置和计算机可读介质 |
-
2020
- 2020-04-23 CN CN202010327577.9A patent/CN111539324A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102081165A (zh) * | 2009-12-01 | 2011-06-01 | 同方威视技术股份有限公司 | 伽马能谱核素识别方法 |
| WO2014089301A1 (en) * | 2012-12-05 | 2014-06-12 | Nymirum, Inc. | Device and methods for analysis of biomolecule structure, dynamics and activity |
| 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 |
| 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 |
| CN107390259A (zh) * | 2017-07-14 | 2017-11-24 | 西南科技大学 | 一种基于svd和svm的核素识别方法 |
| CN108280429A (zh) * | 2018-01-24 | 2018-07-13 | 北京中科核安科技有限公司 | 基于特征峰匹配的核素识别方法、装置和计算机可读介质 |
Non-Patent Citations (2)
| Title |
|---|
| 岳璐璐: "基于便携式谱仪的能谱数据", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 陈亮: "核素识别算法及数字化能谱采集系统研究", 《中国优秀博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112415566A (zh) * | 2020-12-15 | 2021-02-26 | 重庆建安仪器有限责任公司 | 一种基于Labr3(Ce)谱仪的稳谱方法 |
| CN112415566B (zh) * | 2020-12-15 | 2023-07-14 | 重庆建安仪器有限责任公司 | 一种基于Labr3(Ce)谱仪的稳谱方法 |
| CN116720067A (zh) * | 2023-06-02 | 2023-09-08 | 广东省麦思科学仪器创新研究院 | 基于振荡信号的质谱图全局峰信息特征描述方法和装置 |
| CN116720067B (zh) * | 2023-06-02 | 2024-05-24 | 广东省麦思科学仪器创新研究院 | 基于振荡信号的质谱图全局峰信息特征描述方法和装置 |
| CN117421570A (zh) * | 2023-09-21 | 2024-01-19 | 清华大学 | 无能量刻度情况下的核素识别方法、装置、设备和介质 |
| CN117421570B (zh) * | 2023-09-21 | 2024-06-04 | 清华大学 | 无能量刻度情况下的核素识别方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105607111B (zh) | 一种γ核素识别方法 | |
| Phillips et al. | Automatic analysis of gamma-ray spectra from germanium detectors | |
| CN107229787B (zh) | 一种基于近似系数与深度学习的伽马能谱分析方法 | |
| CN108983279B (zh) | 一种基于碘化钠探测器的低本底解谱方法 | |
| Olmos et al. | A new approach to automatic radiation spectrum analysis | |
| Alamaniotis et al. | Hybrid fuzzy-genetic approach integrating peak identification and spectrum fitting for complex gamma-ray spectra analysis | |
| CN111539324A (zh) | 一种新型核素识别方法 | |
| CN101632011A (zh) | 用于光谱分析的高级模式识别系统 | |
| Nakhostin | A general-purpose digital pulse shape discrimination algorithm | |
| CN112415566A (zh) | 一种基于Labr3(Ce)谱仪的稳谱方法 | |
| CN108181327B (zh) | 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法 | |
| Chandrikamohan et al. | Comparison of pulse shape discrimination methods for phoswich and CsI: Tl detectors | |
| US7852226B2 (en) | Spectroscopic portal for an adaptable radiation area monitor | |
| 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 | |
| CN110687584B (zh) | 一种基于lstm的快速核素识别方法 | |
| WO2018103398A1 (zh) | 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法 | |
| CN110749918B (zh) | 一种无人机辐射测量稳谱方法 | |
| Johnson et al. | FORIST unfolding code | |
| Maney et al. | A versatile and comprehensive analysis code for automated reduction of gamma-ray spectral data | |
| Loska et al. | A method of searching for peaks and multiplets in γ-ray spectra | |
| Park et al. | New development of hypergam and its test of performance for γ-ray spectrum analysis | |
| Christensen et al. | Quality assurance in the determination of overlapping peak areas | |
| CN109100379A (zh) | 一种基于脉冲快中子检测爆炸物方法 | |
| He et al. | A Study of Combined Peak-Searching Method for Symmetric Zero Area and Gaussian Product Function Based on γ-ray Spectrum | |
| Kusuma et al. | Radionuclide Identification in Open Environment Based on CsI (Na) Scintillation Detector Using Machine Learning Methods |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |