CN112307795A - 基于聚类分析提取统计特征量的物质甄别设备及其方法 - Google Patents

基于聚类分析提取统计特征量的物质甄别设备及其方法 Download PDF

Info

Publication number
CN112307795A
CN112307795A CN201910669208.5A CN201910669208A CN112307795A CN 112307795 A CN112307795 A CN 112307795A CN 201910669208 A CN201910669208 A CN 201910669208A CN 112307795 A CN112307795 A CN 112307795A
Authority
CN
China
Prior art keywords
classifier
characteristic
feature
screening
characteristic parameters
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
Application number
CN201910669208.5A
Other languages
English (en)
Inventor
曾志
潘兴宇
王学武
李君利
曾鸣
李荐民
赵自然
程建平
马豪
张辉
于昊
刘必成
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.)
Tsinghua University
Nuctech Co Ltd
Original Assignee
Tsinghua University
Nuctech 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 Tsinghua University, Nuctech Co Ltd filed Critical Tsinghua University
Priority to CN201910669208.5A priority Critical patent/CN112307795A/zh
Priority to EP20187211.6A priority patent/EP3796049B1/en
Priority to US16/935,415 priority patent/US11619599B2/en
Publication of CN112307795A publication Critical patent/CN112307795A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
    • G01V5/20—Detecting prohibited goods, e.g. weapons, explosives, hazardous substances, contraband or smuggled objects
    • G01V5/22—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays
    • G01V5/222—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays measuring scattered radiation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • G01N23/201—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials by measuring small-angle scattering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/05—Investigating materials by wave or particle radiation by diffraction, scatter or reflection
    • G01N2223/052—Investigating materials by wave or particle radiation by diffraction, scatter or reflection reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/05—Investigating materials by wave or particle radiation by diffraction, scatter or reflection
    • G01N2223/054—Investigating materials by wave or particle radiation by diffraction, scatter or reflection small angle scatter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/20—Sources of radiation
    • G01N2223/205—Sources of radiation natural source
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/304—Accessories, mechanical or electrical features electric circuits, signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/50—Detectors
    • G01N2223/501—Detectors array
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/601—Specific applications or type of materials density profile
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本申请提供了一种物质甄别设备和物质甄别方法，所述物质甄别设备包括：分类器建立单元，被配置为基于针对多个已知样本材料重建的散射密度值建立分类器，其中所述分类器包括与所述多个已知样本材料中的每一个样本材料的特征参数相对应的特征区域；以及待测材料甄别单元，被配置为将待测材料的特征参数与所述分类器进行匹配，通过获得与所述待测材料的特征参数相匹配的特征区域来甄别所述待测材料的类型。

Description

基于聚类分析提取统计特征量的物质甄别设备及其方法
技术领域
本申请属于辐射探测和安全检查方法，旨在利用穿透性强、天然存在的宇宙射线进行不同类型的物质甄别。更具体地，本申请涉及一种利用宇宙射线来进行物质快速甄别的设备以及该设备进行物质物质快速甄别的相应方法。
背景技术
宇宙射线是来自于外太空的高能辐射，当它到达地球的大气层时会产生大量的次级粒子，其中部分粒子可以到达地表。在地表位置处，缪子是宇宙射线中通量最高的带电粒子，其通量大约为：1cm-2min-1。在宇宙射线中缪子有着一定的能量分布和角度分布，其平均能量大约为4GeV，天顶角θ近似服从于cos2θ的关系。
当缪子经过某种物体时，缪子会与它所经过的物质发生相互作用，导致能量的损失或是方向的偏转，基于这两种不同的作用形式，逐渐发展出了宇宙线缪子的透射成像和散射成像技术。缪子散射技术具有穿透能力强、不引入额外放射源等优点，因此该技术作为一种新型辐射成像技术逐渐被引入到安全检查领域用于进行物质成像和甄别。
当缪子穿过某种介质时，会在介质内部发生多次小角度的偏转，这部分偏转大多是由于缪子与介质原子核之间的库伦散射作用造成的。缪子穿过物质后的平面散射角θ近似服从于高斯分布，该分布的均值为0，标准差可以用Rossi公式近似描述：
Figure BDA0002139808020000011
其中p是入射缪子的动量，βc为缪子的速度，对于GeV量级的缪子而言，βcp近似等于缪子的能量E；x为沿着缪子入射方向的介质厚度，常用单位为：cm；ρ为介质的密度，常用单位为：g/cm3；X0为介质的辐射长度，常用单位为：g/cm2，也可以将X0/ρ统一作为介质辐射长度的表示，常用单位为：cm。辐射长度是描述介质属性的物理量，可以用来表示高能粒子在介质中通过韧致辐射导致能量损失为初始能量的1/e时所穿过的平均厚度，它与介质的原子序数和质量数有关，通常原子序数越高，辐射长度值越小。在缪子散射成像过程中，通常采用散射密度λ来描述材料属性：
Figure BDA0002139808020000021
散射密度的常用单位是：mrad2/cm，它反映了材料辐射长度倒数的大小，另外根据Rossi公式，它本质上描述了一定能量的缪子穿过一定厚度材料时的散射角的方差。在实际测量中，通过测量缪子穿过介质时的散射角分布即可得到被测物的散射密度信息，从而进行被测物辐射长度的估计。
为了测量缪子穿过被测物时的角度偏转，通常采用径迹阵列探测系统实现，典型的径迹阵列探测系统如图1所示。通常是在待测区域的顶部和底部分别放置多层位置灵敏探测器，当宇宙线缪子入射时，与探测器发生相互作用，探测器记录下作用点空间位置，根据多个空间位置进行入射和出射径迹的重建，一旦确定了入射和出射径迹，即得到了缪子穿过被测区域前后的偏转角度。
为了实现对待测区域内不同位置处材料散射密度的估计，通常可以采用缪子散射成像算法对待测区域内不同三维体素的材料散射密度值进行重建。典型的重建方法包括PoCA、MLSD等多种不同的算法。
宇宙射线经过重原子序数材料(如铅、铀等)会发生比较大的偏转，根据重建得到的材料散射密度值可以进行对重原子序数进行物质甄别。但宇宙射线经过较小原子序数材料(如水、塑料、面粉等)时，偏转角度小，根据重建后的散射密度来甄别材料，难度较大。由于天然宇宙线缪子通量有限，在安全检查这类有着快速检测要求的场景中，短时间内重建的材料散射密度值总有着较大的统计涨落，尤其是对于中低原子序数的材料而言，这些材料的散射密度值本身就比较接近，如果考虑统计涨落的影响，直接通过散射密度值进行物质甄别是较为困难的。
本发明针对宇宙线成像甄别物质的需求，在宇宙线与物质相互作用机理上，提出了一种基于聚类分析提取统计特征量的物质甄别方法及设备。利用该方法能够在短测量时间下实现宇宙线中低原子序数材料分类，为宇宙线成像快速区分违禁物质提供一种快速甄别方法。
发明内容
本发明的目的在于提供一种用于快速进行物质甄别的设备和方法。在本发明的第一方面中，提供了一种物质甄别设备，其可以包括：分类器建立单元，被配置为基于针对多个已知样本材料重建的散射密度值建立分类器，其中分类器包括与多个已知样本材料中的每一个样本材料的特征参数相对应的特征区域；以及待测材料甄别单元，被配置为将待测材料的特征参数与分类器进行匹配，通过获得与待测材料的特征参数相匹配的特征区域来甄别待测材料的类型。
在第一方面中，分类器建立单元可以包括降噪处理模块，被配置为对针对多个已知样本材料的重建的散射密度值进行降噪处理。
在第一方面中，分类器建立模块还可以包括聚类分析模块，被配置为对降噪处理后的散射密度值进行聚类分析，以获得散射密度值的分布特征。
在第一方面中，分类器建立模块还可以包括特征提取模块，被配置为基于聚类分析后获得的散射密度值的分布特征，提取反映材料特性的特征参数。
在第一方面中，分类器建立模块还可以包括分类器建立模块，被配置为基于所提取的特征参数和对应的已知样本材料的类型建立包括多个特征区域的分类器。
在第一方面中，待测材料甄别单元可以包括待测材料特征提取模块，被配置为提取待测材料的特征参数；以及匹配模块，被配置为将所提取的待测材料的特征参数与分类器中的特征区域进行匹配，以确定特征参数在哪个特征区域中，从而根据所匹配出的特征区域来甄别待测材料的类型，其中，所提取的待测材料的特征参数和所甄别出的待测材料的类型被馈送到分类器，分类器基于馈送的针对待测材料的特征参数和类型来更新。
在本申请的第二方面中，提供了一种物质甄别方法，可以包括以下步骤：基于针对多个已知样本材料重建的散射密度值建立分类器，其中分类器包括与多个已知样本材料中的每一个样本材料的特征参数相对应的特征区域；以及将待测材料的特征参数与分类器进行匹配，通过获得与待测材料的特征参数相匹配的特征区域来甄别待测材料的类型。
在第二方面中，方法还可以包括对针对多个已知样本材料的重建的散射密度值进行降噪处理。
在第二方面中，方法还可以包括对降噪处理后的散射密度值进行聚类分析，以获得散射密度值的分布特征。
在第二方面中，方法还可以包括基于聚类分析后获得的散射密度值的分布特征，提取反映材料特性的特征参数。
在第二方面中，方法还可以包括基于所提取的特征参数和对应的已知样本材料的类型建立包括多个特征区域的分类器。
在第二方面中，方法还可以包括所提取的待测材料的特征参数和所甄别出的待测材料的类型被馈送到分类器，分类器基于馈送的针对待测材料的特征参数和类型来更新。
在本申请的第三方面中，提供了一种非暂时性计算机可读介质，包括记录在其上且能够由处理器运行的计算机程序，计算机程序包括用于实现根据第二方面中的方法的程序代码指令。
基于本申请提出的物质甄别设备和物质甄别方法，能够突破现有技术止步于基于重建散射密度分布仅能识别重原子序数材料的技术壁垒，能够在短测量时间下实现宇宙线中低原子序数材料分类。
附图说明
根据结合附图的以下描述，本公开的特定实施例的上述和其它方面、特征以及优点将更清楚，在附图中：
图1示出了现有技术的典型的径迹阵列探测系统。
图2示出了5mins测量时间下不同材料的重建散射密度分布。
图3示出了根据本申请实施例的物质甄别设备的框图。
图4示出了根据本申请实施例的分类器建立单元的框图。
图5示出了根据本申请实施例的针对不同材料的预处理后的散射密度分布。
图6示出了根据本申请实施例的特征参数提取示意图。
图7示出了根据本申请实施例的不同材料朗道特征参数的分布。
图8中示出了基于模拟数据建立而定材料分类器。
图9中示出了基于实验数据建立的材料分类器。
图10示出了根据本申请实施例的待测材料甄别单元的框图。
图11示出了根据本申请实施例的用于物质甄别方法的概略流程图。
图12示出了根据本申请实施例的建立材料分类器的过程的示例流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可以包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
出于说明的目的，本申请以纸张、水、海洛因、特氟龙、铝、铁、铅7种材料作为被检对象示例。但是本领域技术人员应当理解，被检材料不限于此。以下将参考实施例描述的本申请的技术构思适用于任何被检材料。
本申请采用诸如蒙特卡罗模拟方法之类的方法模拟了宇宙线缪子穿过纸张、水、海洛因、特氟龙、铝、铁、铅这7种材料时径迹阵列探测系统的5min的测量结果，在测量区域按照5cm×5cm×5cm大小划分三维体素，并采用诸如PoCA算法之类的算法重建测量区域的散射密度值。图2中示出了5min测量时间下的各材料以及空气背景的重建散射密度分布。
根据图2可以容易地看出，所有材料的散射密度彼此混杂在一起，区别在于轻材料出现低散射密度的概率更高，这意味着采用单一体素的重建结果进行物质甄别是十分困难的。正是由于这个的问题，目前现有技术中仅采用缪子散射成像技术来区分铝、铁、铅等重原子序数材料，而未曾涉及对较小原子序数材料(例如，纸张、水、海洛因、特氟龙等)的区分。
此外，利用多次测量得到的物质散射角θ的方差可以计算散射密度：
Figure BDA0002139808020000061
假设被测材料的辐射长度为均匀分布的情况下，用贝叶斯理论，可以计算得到在测量到散射密度值λ时被测物辐射长度的后验概率密度分布p(X0/ρ|λ)。对于所有可能的实测散射密度值λ，分别计算对应的后验概率密度分布p(X0/ρ|λ)。利用这个后验概率密度分布，对于实际测量到的散射密度值，可给出被测物辐射长度可能的置信区间，从而甄别物质。但实际上，对于复杂的物品场景甄别效果不好。
为了改进以上问题，本申请提出了一种基于聚类分析提取统计特征量的物质甄别设备。该设备的构思为重建三维散射密度值，采用降噪算法对原始三维散射密度值进行滤波处理，对统计区域内的数据进行聚类分析，根据分析结果提取能够表征物质差异的特征参数，基于特征参数建立材料分类器，以及提取待测材料的特征参数并将其输入到材料分类器中进行匹配，基于待测材料的特征参数所处的区域，即可实现物质甄别。
针对这一技术构思，图3中示出了根据本申请实施例的物质甄别设备1。如图所示，物质甄别设备1可以包括分类器建立单元10和待测材料甄别单元20。分类器建立单元10和待测材料甄别单元20之间是电连接的，以便收发数据。
分类器建立单元101可以被配置为建立如上所述的分类器。
待测材料甄别单元20可以被配置为提取待测材料的特征参数，并且将提取的特征参数输入到分类器中以进行匹配。
图4中示出了根据本申请实施例的分类器建立单元10的框图。
在示例性实施例中，分类器建立单元10可以包括散射密度重建模块101、降噪处理模块102、聚类分析模块103、特征提取模块104、以及分类器建立模块105。在示例性实施例中，散射密度重建模块101、降噪处理模块102、聚类分析模块103、特征提取模块104、以及分类器建立模块105可以是电连接的，从而可以在这些模块之间进行通信、收发数据等。
在示例性实施例中，散射密度重建模块101可以被配置为执行现有技术的重建被检材料的散射密度操作。在一个示例中，散射密度重建方法可以包括PoCA、MLSD等多种方法中的任一种或者其任意组合。然而，本领域技术人员应当理解，散射密度重建方法也可以是将来开发的散射密度重建方法。
在进行散射密度重建时，首先根据测量场景中的被检对象的大小，在整个测量区域内选择合适的尺寸进行网格化，划分三维体素，从而将每一个三维体素作为重建散射密度的最小单元。根据测量得到的缪子径迹，采用成像算法对测量区域内所有体素的散射密度值进行重建，得到散射密度构成的三维矩阵，成像算法包括但不限于PoCA、MLSD等。
为了清楚而不必要地模糊本申请的发明构思，在此不再冗余地重复散射密度重建模块101利用散射密度重建方法对散射密度进行重建的详细细节。
由于重建的散射密度存在较大的统计涨落(例如，由于噪声干扰较大)，难以直接进行物质甄别。因此，为了降低噪声的干扰、提高物质甄别准确率，在甄别前采用降噪算法对原始散射密度进行预处理。
在示例性实施例中，降噪处理模块102可以被配置为从散射密度重建模块101接收重建的散射密度，并且对重建的散射密度进行去噪处理。
在一个示例中，去噪处理处理可以利用例如但不限于均值滤波、非线性滤波等方法来实现，并且也可以利用将来开发的任何去噪处理方法来实现。
示例性地，降噪处理模块102可以被配置为针对任一体素，基于其周围邻近体素的重建散射密度对该体素的重建散射密度进行降噪处理。
在一个示例中，在进行去噪处理时，选取某一体素和它周围3×3×3范围内的其他体素重建结果，对该体素的散射密度进行处理。示例性地，采用基于支持向量回归(SVR)的非线性处理方法进行处理。
图5示出了根据本申请实施例的针对不同材料的预处理后的散射密度分布。从图中可以看出，尽管不同材料仍有着较大的重叠区域，但是相比于原始数据(图2中的重建散射密度)之间的区别更明显。
然而，对于短时间的测量结果，即使进行降噪处理后，同一材料的散射密度也不是一个定值，而是有着一定的连续分布，且不同材料有着一定的重叠，根据单一体素的散射密度值进行物质甄别仍有着较大的误差。
为了进一步精确地物质甄别，对降噪处理后的散射密度值进行随后详细描述的后续处理。
聚类分析模块103可以被配置为从降噪处理模块102接收降噪处理后的散射密度值，并且对降噪处理后的散射密度值进行聚类分析。
示例性地，聚类分析模块103可以被配置为选取空间位置上临近的多个体素内的散射密度值进行聚类分析，以获得散射密度分布特征。
此外，体素的选取需保证所有体素内材料可以假定为同一种材料。
特征提取模块104可以被配置为从聚类分析模块103接收聚类分析结果，并且基于散射密度分布特征提取能够表征散射密度分布的特征参数。
在示例中，特征参数可以反映不同材料的特性。
在一个示例中，参数提取方法可以包括但不限于曲线拟合、参数估计等。
示例性地，以朗道分布拟合方法为例进行详细描述。
对于图5中的散射密度分布，通过朗道分布拟合发现：不同材料散射密度分布形式与朗道分布较为接近，可以用下述公式近似描述：
Figure BDA0002139808020000091
该分布有两个参数：μ(位置参数)和σ(尺度参数)，其中位置参数μ为分布最高点对应的横坐标位置，尺度参数σ则描述了分布的展宽。通过这两个参数可以唯一的确定朗道分布形式，也就意味着能够较好的反映出材料的特征，可以将其作为不同材料测量结果的特征参数。
对于集装箱等安全检查场景，涉及的基本都是大型物质，因此可以以20cm×20cm×20cm的范围划分统计区域，认为该区域内的材料是相同的。然后，对每一区域内的材料进行体素划分，针对20cm×20cm×20cm的材料体，在体素大小为5cm×5cm×5cm的情况下，此时单个材料体被划分为64个体素。根据这一区域内的64个体素的散射密度值提取该区域内的特征参数。在本实施例中采用极大似然估计的方式提取出统计区域内的位置参数和尺度参数，图6即为5min测量时间下的铝材料所在统计区域内提取的特征参数示意图。对于多种不同的材料，统计其所在统计区域内的特征参数，如图7所示，可以看出，不同材料的特征参数有着不同的分布。
从图7中可以看出，与图2中示出的原始数据(即，重建的散射密度)相比，图7中已经能够相对容易地区分出各种材料。
基于上述处理而得到的这种能够相对容易地对材料进行区分的结果，本申请进一步建立分类器建立模块。
分类器建立模块105可以被配置为基于特征提取模块104提取的特征参数，采用诸如支持向量机之类的方法检测材料分类器。
事先采用实验或模拟的方式，对不同材料的测量结果进行分析处理，提取出不同材料的特征参数。根据提取到的特征参数和材料的类型，可以利用模式识别方法建立材料分类器，作为物质的甄别标准。模式识别方法包括但不限于支持向量机、神经网络等。
图8中示出了基于模拟数据建立的材料分类器。图9中示出了基于实验数据建立的材料分类器。其中不同颜色的色块即代表着不同材料特征参数所在的区域，也即材料分类器的结果。
对于未知的被测材料，通过上述方法提取特征参数，输入到材料分类器中即可实现物质甄别。通过模拟数据的测试表明，在5min的测量时间下，对于模拟的7种材料以及空气可以实现77％的甄别准确率。
在进行实际试验时，采用实际的宇宙线缪子径迹探测装置，实际测量了三种不同材料：装满面粉的塑料盒、铝块、铅块。将实验测量结果按照宇宙线缪子的通量分为多组5min的测量结果，并对测量结果同样进行上述处理，并最终基于实验数据建立起空气、面粉、铝块、铅块四种材料的分类器用于物质甄别，如图8所示。基于实验数据的测试，在5min的有效测量数据下，这4种材料的甄别准确率为：91％。
图10示出了根据本申请实施例的待测材料甄别单元的框图。待测材料甄别单元20可以包括待测材料特征提取模块201以及匹配模块202。
待测材料特征提取模块201可以被配置为提取待测材料的特征参数。示例性地，待测材料提取模块201所执行的提取特征参数的步骤可以如特征提取模块104中所执行的操作那样。但是本领域技术人员应当理解，也可以采取与特征提取模块104所采用的手段不同的任何其它手段来提取特征参数。
匹配模块202可以被配置为从待测材料特征提取模块201接收针对待测材料的特征参数，并且将所提取的特征参数与由分类器建立模块105建立的分类器进行匹配，来确定所提取的特征参数落在分类器的哪个区域中，从而识别材料是什么。
匹配模块202还可以被配置为与分类器建立模块105通信，以将针对待测材料提取的特征参数传送给分类器建立模块105，使得分类器建立模块105结合待测材料的提取参数来不断更新分离器。
相对应地，本申请还提出了一种由上述物质甄别设备执行的物质甄别方法。图11示出了根据本申请实施例的用于物质甄别方法的流程图。
在步骤1001处，首先，基于大量样本材料建立针对常见材料的分类器。
示例性地，样本材料可以是纸张、水、面粉、铝、铁、铅等任何较小原子序数材料和重原子序数材料。
在步骤1002处，提取待测材料的特征参数。
在提取待测材料的特征参数之后，在步骤1003处，可以将提取的待测材料的特征参数与在步骤1001中建立的材料分类器进行匹配(操作①)，以确定所提取的待测材料的特征参数在分类器中的哪个区域中，以确定待测材料为何。
附加地并且示例性地，所提取的待测材料的特征参数以及在步骤1003中得到的匹配结果(即，待测材料的类型)还可以被馈送到在步骤1001中建立的材料分类器(操作②和操作③)，以使得在步骤1001中再次基于所馈送的特征参数和材料的类型来更新材料分类器。
图12示出了根据本申请实施例的建立材料分类器的过程的示例流程图。
在步骤1201中，首先针对已知样本重建散射密度值。
在步骤1202中，对在步骤1201中重建的散射密度值进行降噪处理，以滤除噪声。示例性地，基于周围邻近体素的重建结果进行降噪处理。
在步骤1203中，选取空间位置上邻近的噪声处理后的多个体素的散射密度值进行聚类分析。
在步骤1204中，通过对多个体素的散射密度分布进行统计分析，根据分布的特征，从中提取能够表征散射密度分布的特征参数，这些参数反映了不同材料的特性。
在步骤1205中，根据提取的特征参数和材料的类型，建立材料分类器。
备选地，如上所述，材料分类器在后续用于甄别待测物质时，可以实时更新。
尽管以上根据附图中所示的顺序对各个步骤进行了描述，但是本领域技术人员应当理解，所述各个步骤可以按照不同的顺序执行，或者可以在没有上述步骤中的一个或多个步骤的情况下实现本发明的实施例。
根据前述内容可以理解，一个或多个系统或设备的电子组件可以包括但不限于至少一个处理单元、存储器、以及将包括存储器在内的各个组件耦接到处理单元的通信总线或通信装置。系统或设备可以包括或可以访问各种设备可读介质。系统存储器可以包括易失性和/或非易失性存储器形式的设备可读存储介质(比如，只读存储器(ROM)和/或随机存取存储器(RAM))。通过示例而非限制的方式，系统存储器还可以包括操作系统、应用程序、其它程序模块和程序数据。
实施例可以实现为系统、方法或程序产品。因此，实施例可以采用全硬件实施例或者包括软件(包括固件、常驻软件、微代码等)的实施例的形式，它们在本文中可以统称为“电路”、“模块”或“系统”。此外，实施例可以采取在其上体现有设备可读程序代码的至少一个设备可读介质中体现的程序产品的形式。
可以使用设备可读存储介质的组合。在本文档的上下文中，设备可读存储介质(“存储介质”)可以是任何有形的非信号介质，其可以包含或存储由配置为由指令执行系统、装置或设备使用或与其结合使用的程序代码组成的程序。出于本公开的目的，存储介质或设备应被解释为非暂时性的，即不包括信号或传播介质。
本公开出于说明和描述的目的得以呈现，但是并非旨在穷举或限制。许多修改和变化对于本领域普通技术人员将是明显的。选择和描述实施例以便说明原理和实际应用，并且使得本领域普通技术人员能够理解具有适合于所预期的特定用途的各种修改的本公开的各种实施例。

Claims (13)

1.一种物质甄别设备，包括：
分类器建立单元，被配置为基于针对多个已知样本材料重建的散射密度值建立分类器，其中所述分类器包括与所述多个已知样本材料中的每一个样本材料的特征参数相对应的特征区域；以及
待测材料甄别单元，被配置为将待测材料的特征参数与所述分类器进行匹配，通过获得与所述待测材料的特征参数相匹配的特征区域来甄别所述待测材料的类型。
2.根据权利要求1所述的物质甄别设备，其中，所述分类器建立单元包括：
降噪处理模块，被配置为对针对多个已知样本材料的所述重建的散射密度值进行降噪处理。
3.根据权利要求2所述的物质甄别设备，其中，所述分类器建立模块还包括：
聚类分析模块，被配置为对降噪处理后的散射密度值进行聚类分析，以获得散射密度值的分布特征。
4.根据权利要求3所述的物质甄别设备，其中，所述分类器建立模块还包括：
特征提取模块，被配置为基于聚类分析后获得的散射密度值的分布特征，提取反映材料特性的特征参数。
5.根据权利要求4所述的物质甄别设备，其中，所述分类器建立模块还包括：
分类器建立模块，被配置为基于所提取的特征参数和对应的已知样本材料的类型建立包括所述多个特征区域的分类器。
6.根据权利要求1所述的物质甄别设备，其中，所述待测材料甄别单元包括：
待测材料特征提取模块，被配置为提取待测材料的特征参数；以及
匹配模块，被配置为将所提取的待测材料的特征参数与所述分类器中的所述特征区域进行匹配，以确定特征参数在哪个特征区域中，从而根据所匹配出的特征区域来甄别待测材料的类型，其中，
所提取的待测材料的特征参数和所甄别出的待测材料的类型被馈送到所述分类器，所述分类器基于馈送的针对待测材料的特征参数和类型来更新。
7.一种物质甄别方法，包括：
基于针对多个已知样本材料重建的散射密度值建立分类器，其中所述分类器包括与所述多个已知样本材料中的每一个样本材料的特征参数相对应的特征区域；以及
将待测材料的特征参数与所述分类器进行匹配，通过获得与所述待测材料的特征参数相匹配的特征区域来甄别所述待测材料的类型。
8.根据权利要求7所述的物质甄别方法，还包括：
对针对多个已知样本材料的所述重建的散射密度值进行降噪处理。
9.根据权利要求8所述的物质甄别方法，还包括：
对降噪处理后的散射密度值进行聚类分析，以获得散射密度值的分布特征。
10.根据权利要求9所述的物质甄别方法，还包括：
基于聚类分析后获得的散射密度值的分布特征，提取反映材料特性的特征参数。
11.根据权利要求10所述的物质甄别方法，还包括：
基于所提取的特征参数和对应的已知样本材料的类型建立包括所述多个特征区域的分类器。
12.根据权利要求7所述的物质甄别方法，还包括：
所提取的待测材料的特征参数和所甄别出的待测材料的类型被馈送到所述分类器，所述分类器基于馈送的针对待测材料的特征参数和类型来更新。
13.一种非暂时性计算机可读介质，包括记录在其上且能够由处理器运行的计算机程序，所述计算机程序包括用于实现根据权利要求7至12中任一项所述的方法的程序代码指令。
CN201910669208.5A 2019-07-23 2019-07-23 基于聚类分析提取统计特征量的物质甄别设备及其方法 Pending CN112307795A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910669208.5A CN112307795A (zh) 2019-07-23 2019-07-23 基于聚类分析提取统计特征量的物质甄别设备及其方法
EP20187211.6A EP3796049B1 (en) 2019-07-23 2020-07-22 Substance identification device and method for extracting statistical feature based on cluster analysis
US16/935,415 US11619599B2 (en) 2019-07-23 2020-07-22 Substance identification device and method for extracting statistical feature based on cluster analysis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910669208.5A CN112307795A (zh) 2019-07-23 2019-07-23 基于聚类分析提取统计特征量的物质甄别设备及其方法

Publications (1)

Publication Number Publication Date
CN112307795A true CN112307795A (zh) 2021-02-02

Family

ID=72050642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910669208.5A Pending CN112307795A (zh) 2019-07-23 2019-07-23 基于聚类分析提取统计特征量的物质甄别设备及其方法

Country Status (3)

Country Link
US (1) US11619599B2 (zh)
EP (1) EP3796049B1 (zh)
CN (1) CN112307795A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114137004A (zh) * 2021-11-16 2022-03-04 中国原子能科学研究院 一种材料识别方法、装置及存储介质
CN116087244A (zh) * 2023-04-06 2023-05-09 之江实验室 一种多材料诊断方法、装置及应用

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080191133A1 (en) * 2006-10-27 2008-08-14 Christopher Morris Radiation portal monitor system and method
CN108426898A (zh) * 2018-02-24 2018-08-21 中国工程物理研究院材料研究所 利用宇宙射线μ子快速识别重核材料的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9841530B2 (en) * 2014-08-11 2017-12-12 Decision Sciences International Corporation Material discrimination using scattering and stopping of muons and electrons

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080191133A1 (en) * 2006-10-27 2008-08-14 Christopher Morris Radiation portal monitor system and method
CN108426898A (zh) * 2018-02-24 2018-08-21 中国工程物理研究院材料研究所 利用宇宙射线μ子快速识别重核材料的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENG YIFAN等: "Discrimination of drugs and explosives in cargo inspections by applying machine learning in muon tomography", 强激光与离子束, vol. 30, no. 8, 31 August 2018 (2018-08-31), pages 1 - 7, XP055940875 *
郑逸凡: "利用宇宙线缪子成像进行材料识别方法研究", 清华大学学位论文服务系统, 24 May 2018 (2018-05-24), pages 1 - 59 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114137004A (zh) * 2021-11-16 2022-03-04 中国原子能科学研究院 一种材料识别方法、装置及存储介质
CN116087244A (zh) * 2023-04-06 2023-05-09 之江实验室 一种多材料诊断方法、装置及应用

Also Published As

Publication number Publication date
EP3796049B1 (en) 2024-10-16
US20210025836A1 (en) 2021-01-28
US11619599B2 (en) 2023-04-04
EP3796049A1 (en) 2021-03-24

Similar Documents

Publication Publication Date Title
US7945105B1 (en) Automated target shape detection for vehicle muon tomography
US10042079B2 (en) Image-based object detection and feature extraction from a reconstructed charged particle image of a volume of interest
EP3067823A1 (en) Detection method and device
Rogers et al. A deep learning framework for the automated inspection of complex dual-energy x-ray cargo imagery
Uroukov et al. A preliminary approach to intelligent X-ray imaging for baggage inspection at airports
Mery et al. A logarithmic X-ray imaging model for baggage inspection: Simulation and object detection
RU2007113185A (ru) Система обнаружения многочисленных угроз
Thomay et al. A binned clustering algorithm to detect high-Z material using cosmic muons
JP2010540930A (ja) 検知システムにおける誤警報を減少させるためのシステム及び方法
CN111801601B (zh) 使用带电粒子检测和/或识别材料和物品的方法和装置
CN110717478B (zh) 一种基于微波的物体检测系统及方法
CN112307795A (zh) 基于聚类分析提取统计特征量的物质甄别设备及其方法
EP2227709B1 (en) System and method for inspecting containers for target material
Fongaro et al. Application of the angle measure technique as image texture analysis method for the identification of uranium ore concentrate samples: New perspective in nuclear forensics
Furlan et al. Application of muon tomography to detect radioactive sources hidden in scrap metal containers
Weekes et al. Material identification in nuclear waste drums using muon scattering tomography and multivariate analysis
Gilbert et al. A single-pixel X-ray imager concept and its application to secure radiographic inspections
Moshkbar-Bakhshayesh Developing a new approach for material discrimination using modular radial basis neural networks based on dual-energy X-ray radiography
US20210149073A1 (en) Automatic detection of manipulated metal objects in x-ray images
Shutko et al. Two-Dimensional Spectral Detector for Baggage Inspection X-Ray System
Zhu et al. Detection of Contraband in Milk Powder Cans by Using Stacked Auto-Encoders Combination with Support Vector Machine
Fu et al. The application of wavelet denoising in material discrimination system
Gupta Measuring and predicting detection performance on security images as a function of image quality
Firsching et al. Quantitative sorting using dual energy X-ray transmission imaging
Stowell et al. Figures of Merit for the Application of Muon Tomography to the Characterization of Nuclear Waste Drums-19253

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