CN117932355A - 一种核素识别方法、系统及电子设备 - Google Patents
一种核素识别方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117932355A CN117932355A CN202410107288.6A CN202410107288A CN117932355A CN 117932355 A CN117932355 A CN 117932355A CN 202410107288 A CN202410107288 A CN 202410107288A CN 117932355 A CN117932355 A CN 117932355A
- Authority
- CN
- China
- Prior art keywords
- energy
- roi
- time
- decision function
- nuclide
- 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 119
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 181
- 230000008569 process Effects 0.000 claims description 25
- 230000002123 temporal effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 abstract description 18
- 230000005251 gamma ray Effects 0.000 description 33
- 238000005259 measurement Methods 0.000 description 14
- 238000010276 construction Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 239000002245 particle Substances 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000001617 sequential probability ratio test Methods 0.000 description 5
- 238000010183 spectrum analysis Methods 0.000 description 5
- 238000013398 bayesian method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000002285 radioactive effect Effects 0.000 description 3
- 239000012857 radioactive material Substances 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- FVAUCKIRQBBSSJ-UHFFFAOYSA-M sodium iodide Chemical compound [Na+].[I-] FVAUCKIRQBBSSJ-UHFFFAOYSA-M 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052732 germanium Inorganic materials 0.000 description 2
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- XKUYOJZZLGFZTC-UHFFFAOYSA-K lanthanum(iii) bromide Chemical compound Br[La](Br)Br XKUYOJZZLGFZTC-UHFFFAOYSA-K 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000084 gamma-ray spectrum Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 235000009518 sodium iodide Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Measurement Of Radiation (AREA)
Abstract
本发明公开的核素识别方法、系统及电子设备,涉及核素识别领域。本发明基于贝叶斯方法和序贯后验概率,通过在决策函数上设定时间间隔的取值范围,而非直接给定一个预设的时间间隔参数,大大提高方法的普适性;根据统计特征确定ROI区域内的本底概率密度函数和康普顿概率密度函数,基于测量得到的核探测事件序列中的能量和时间间隔信息确定能量贝叶斯因子和时间贝叶斯因子,结合两个因子,可以实现对康普顿坪的有效甄别和区分。在同样的识别条件下,设定相同的置信度时,本发明提供的核素识别方法可以比能谱解谱分析‑特征峰匹配法更快地对放射性核素的存在和种类做出有效的识别;相比于现有核素识别方法,本发明提供的核素识别方法更具普适性。
Description
技术领域
本发明涉及核素识别领域,特别是涉及一种核素识别方法、系统及电子设备。
背景技术
目前常见的传统核素识别方法是基于γ能谱解谱分析技术和特征峰匹配技术,这两种技术主要包括本底扣除、滤波平滑和寻峰等内容,都是通过对全能峰的峰形进行高斯分布假设和对峰位进行匹配,统计性地分析放射性材料释放出的特征γ射线,实现对放射性材料的定性和定量判断。但是这些方法需要收集足够多的光子,以减小特征峰的统计涨落性,因此对探测时间和放射性核素射线释放强度有一定要求。而在港口、机场和边境等特殊安检场景下,人员和货物的流量较大,只能对检测目标时间进行短时间的测量(秒量级)。同时检测目标在安检过程中,相对于探测器而言处于运动状态,会进一步影响探测器收集到的光子数。此外,在这些场景中放射性材料通常都会放置于屏蔽良好的容器罐中或置于集装箱内,使得伽马畸变和计数率降低,并受到环境本底和康普顿散射的影响,影响对核素的快速准确识别,更进一步增大了对γ辐射信号处理的难度。综上,在港口、机场和边境等特殊安检场景下,基于高斯模型的寻峰-匹配核素识别方法在分析γ能谱时变得困难且不准确,识别速度与准确度之间的矛盾更为突出。尽管采用固定式大体积探测器可在一定程度上缓解此矛盾,但高昂的价格和较大的尺寸限制了其广泛应用。
此外,目前基于全谱分析的新型核素识别方法主要有序贯贝叶斯方法、模糊数学方法、神经网络方法和反卷积方法等,这些方法不仅使用特征峰作为有用信息,还将分支比、半衰期和能谱图像等信息纳入到分析信息中,以降低在低计数率条件下核素识别的不确定度和提高检测效率。序贯贝叶斯核素识别方法具有识别下限高、识别速度快等优点。模糊数学核素识别方法则是在复杂环境下仍可以精确识别。神经网络核素识别方法具有可以模拟任意函数的特性,可以利用放射性核素的全谱信息进行分析,无需平滑、寻峰、峰拟合等复杂操作,即可快速准确识别核素。
针对机场、港口和核辐射应急等特殊场景下放射性物质的非法运输检测,存在非静态测量、可探测时间短、被探测信号弱等特点,在测量技术上提出了新的需求:
1、可测量时间短,通常在亚秒级至十几秒级范围内。
2、获得的信息量丰富,不仅需确定γ射线的能量,还应确定对应的放射性核素种类、强度、剂量等信息。
3、数据可信度要求高,在较高的置信水平下,对识别效率和准确率的要求高,同时误报率和漏警率应尽可能的低。
传统上一般采用γ能谱特征峰匹配技术对放射性核素、剂量等指标进行分析,这种分析方法通常需要收集足够的光子来进行识别,即需要基于大量γ射线测量事例与长时间测量,才能降低统计涨落性以保证必要的测量代表性和测量精度。在国际原子能机构(International Atomic Energy Agency,IAEA)推荐的辐射检测流程中,基于此方法的主要有固定式入口辐射监测仪系统、手持式/便携式γ谱仪和实验室高分辨率γ谱仪三大类。最新发展起来的固定式大体积碘化钠探测器和高纯锗探测器,可以对放射性核素的种类的做出准确识别,但是该系统的造价十分昂贵、便携式差、无法快速部署。便携式γ谱仪主要有闪烁体γ谱仪和半导体γ谱仪,这类探测器通常探测效率低,需要长时间的测量收集足够多的光子,以降低计数的统计涨落性。实验室高分辨率γ谱仪则主要是液氮制冷的高纯锗γ谱仪,该系统的普适性差、无法快速部署、成本昂贵。综上,使用传统方法——即从核素数据库检索结合γ能谱中特征峰匹配的核素识别方法——很难保证在短时间内实现低水平核素的快速测量和识别:该方法一方面难以满足复杂环境中多种核素的识别要求。另一方面由于能谱峰位成型时间较长,难以实现快速地核素识别。同时,基于γ能谱解谱分析和特征峰匹配的传统核素识别方法在全能峰净计数率不够多时很容易发生漏警事件。
此外,目前基于全谱分析的新型核素识别方法主要有基于贝叶斯理论和序贯概率比检验的序贯贝叶斯方法、模糊数学方法、神经网络方法和反卷积方法等,这些方法在不同类型γ谱仪上的普适性、受本底和康普顿坪的影响程度、误报率、漏警率和所需的计算量大小等方面都会存在一些不足之处。模糊数学方法、神经网络方法和反卷积方法基于全谱分析,所需要的粒子数量多、所需测量时间长。同时神经网络方法和反卷积方法所需要的计算量大,因此不适用于实时的在线分析。
基于贝叶斯理论和序贯概率比检验的序贯贝叶斯核素识别方法利用放射性核素的半衰期、特征伽马射线能量和分支比三大特征,通过选取合适的先验函数和置信度,使用序贯概率比检验更新决策函数,对假设检验进行统计推断。但是该方法需要预设一些与样本相关的、实际测量过程时应属于未知量的参数,这会大大限制该方法的普适性;例如该方法由于检验模型中的时间间隔参数项,会导致该方法对高能射线在低能感兴趣区产生的康普顿坪具有很高的误报率;此外,此方法对于本底的分布采用了高斯模型,其与实际情况不相符。这导致目前已有的序贯贝叶斯方法在应用之中存在一些局限。
发明内容
为解决现有技术存在的上述问题,本发明提供了一种核素识别方法、系统及电子设备。
为实现上述目的,本发明提供了如下方案:
一种核素识别方法,包括:
获取射线的时间-能量信息,并基于所述射线的时间-能量信息中的能量信息确定该射线是否属于某一ROI区域;
当该射线属于某一ROI区域时,描述这一ROI区域中所有的核探测事件序列;
基于描述后的核探测事件序列中的能量信息确定能量贝叶斯因子;
基于所述能量贝叶斯因子确定能量决策函数;
基于描述后的核探测事件序列中的时间信息确定ROI区域内的时间间隔;
基于所述时间间隔确定时间贝叶斯因子;
基于所述时间贝叶斯因子确定时间决策函数;
联立所述能量决策函数和所述时间决策函数得到该ROI区域的联合决策函数;
基于该ROI区域所对应特征γ射线,检索该ROI区域对应的潜在核素,联合检索到的核素所对应的各ROI区域的联合决策函数,得到核素联合决策函数;
基于所述核素联合决策函数完成核素的判决和识别。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明基于贝叶斯因子和序贯后验概率,通过在决策函数上设定时间间隔的取值范围,而非直接给定一个预设的时间间隔参数,使得方法的普适性大大提高;根据统计特征确定ROI区域内的本底概率密度函数和康普顿概率密度函数,并基于测量得到的核探测事件序列中的能量和时间间隔信息确定能量贝叶斯因子和时间贝叶斯因子,结合两个因子,核探测事件序列可以实现对康普顿坪的有效甄别和区分。在同样的识别条件下,设定相同的置信度时,本发明提供的核素识别方法可以比能谱解谱分析-特征峰匹配法更快的对放射性核素的存在和种类做出有效的识别;相比于模糊数学、神经网络核素识别方法,本发明提供的核素识别方法更具普适。
此外,相比现有的基于贝叶斯理论和序贯概率比检验的序贯核素识别方法,本发明提供的核素识别方法,能够显著降低误报率和漏报率,可以非常有效的识别在低能能量窗内出现的来自高能射线的康普顿粒子。
进一步,本发明提供了一种核素识别系统,所述系统用于实施上述提供的核素识别方法;所述系统包括:
射线所属区域确定模块,用于获取射线的时间-能量信息,并基于所述射线的时间-能量信息中的能量信息确定该射线是否属于某一ROI区域;
核探测事件序列描述模块,用于当该射线属于某一ROI区域时,描述这一ROI区域中所有的核探测事件序列;
能量贝叶斯因子确定模块,用于基于描述后的核探测事件序列中的能量信息确定能量贝叶斯因子;
能量决策函数确定模块,用于基于所述能量贝叶斯因子确定能量决策函数;
ROI区域时间间隔确定模块,用于基于描述后的核探测事件序列中的时间信息确定ROI区域内的时间间隔;
时间贝叶斯因子确定模块,用于基于所述时间间隔确定时间贝叶斯因子;
时间决策函数确定模块,用于基于所述时间贝叶斯因子确定时间决策函数;
决策函数联立模块,用于联立所述能量决策函数和所述时间决策函数得到该ROI区域的联合决策函数;
核素联合决策函数确定模块,用于基于该ROI区域所对应特征γ射线,检索该ROI区域对应的潜在核素,联合检索到的核素所对应的各ROI区域的联合决策函数,得到核素联合决策函数;
核素识别模块,基于所述核素联合决策函数完成核素的判决和识别。
再进一步,本发明还提供了一种电子设备,该电子设备包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序,以实施上述提供的核素识别方法。
因本发明提供的系统和电子设备实现的技术效果与上述提供的核素识别方法实现的技术效果相同,故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明提供的核素识别方法的总体流程图;
图2为本发明提供的核素识别方法的实施流程图;
图3为本发明提供的第一59keVγ射线时间和能量决策函数变化图;
图4为本发明提供的第一661keVγ射线时间和能量决策函数变化图;
图5为本发明提供的241Am的第一核素联合决策函数变化图
图6为本发明提供的137Cs的第一核素联合决策函数变化图;
图7为本发明提供的第二59keVγ射线时间和能量决策函数变化图;
图8为本发明提供的第二661keVγ射线时间和能量决策函数变化图;
图9为本发明提供的241Am的第二核素联合决策函数的变化图;
图10为本发明提供的137Cs的第二核素联合决策函数的变化图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明的目的是提供一种核素识别方法、系统及电子设备,能够对康普顿坪进行很好的区分,能够更快地对放射性核素的存在和种类做出有效的识别,更具普适性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
当有γ射线入射到γ谱仪测量系统的灵敏体积,测量系统会输出射线的能量和时间数据对(ε,t)到上位机,上位机根据核素快速识别算法基于入射射线的能量和时间数据对(ε,t)计算决策函数和完成统计推断,并对放射性核素的有无和种类做出有效推断。基于此,图1和图2所示,本发明提供的核素识别方法包括:
步骤1:ROI区域识别。
当探测器探测到一个射线,输出射线的时间-能量信息ξ(0)=(ε(0),τ(0)),根据能量信息ε(0)判断该射线是否属于某一个ROI区域。若否则舍弃该射线。若该射线属于某一个ROI区域,例如属于ROIi区域,则该ROIi区域内的全部核探测事件序列可描述为:
εi,j=ε(0),τi,j=τ(0)。
式中,ξi,j表示ROIi区域内的第j个射线的时间和能量信息,其中ROIi表示第i个感兴趣区,表示为:
ROIi=(Ei-k·σi,Ei+k·σi)。
其中,Ei表示第i个ROI所对应的特征γ射线的能量,k为包含因子,σi是第i个ROI所对应特征γ射线的全能峰的标准偏差。
步骤2:能量贝叶斯因子的计算。
其中是根据当前射线的能量信息计算的ROIi区域的第j个能量贝叶斯因子,/>和/>分别是原假设H0(不存在全能峰)和备择假设H1(存在全能峰)下的能量概率密度函数,/>和/>分别是H0和H1假设下能量的标准方差,/>是H1假设下的先验概率。并且有:
其中,是ROIi区域的能量宽度,πi(σ2)是的ROIi区域能量先验概率密度函数,πi,0和πi,1分别是H0和H1假设下的能量先验概率。
步骤3:能量决策函数的计算。
其中,和/>分别是H0和H1假设下根据当前射线的能量计算的ROIi区域的能量后验概率,也是γ射线决策判决的决策函数。
步骤4:能量先验概率的更新。
步骤5:ROIi区域内时间间隔计算。
使用步骤1中ROIi区域内核探测事件序列计算ROIi区域内的时间间隔,为:
Δti,j=τi,j-τi,j-1。
其中,τi,j为当前射线的测量时刻,τi,j-1为ROIi区域内的上一条射线的测量时刻。
步骤6:ROIi区域内时间贝叶斯因子计算。
式中,为时间贝叶斯因子,gi,0(Δti,j|τi,0)为原假设M0(不存在放射性核素)下的时间间隔概率密度函数,gi,1(Δti,j|τi,1)为备择假设M1(存在放射性核素)下的时间间隔概率密度函数,τi,0为原假设M0下时间间隔的数学期望,τi,1为备择假设M1下时间间隔的数学期望,Δti,j为时间间隔,hi,1(τi,1)为备择假设M1下的概率密度函数。并有:
式中,g0(Δti,j|τ0)和g1(Δti,j|τ1)分别为原假设M0(不存在放射性核素)和备择假设M1(存在放射性核素)下的时间间隔概率密度函数,τ0和τ1分别是M0和M1假设下时间间隔的数学期望,h1(τ1)为M1假设下的概率密度函数, 和τbkg分别是本底的计数率和时间间隔的均值,两者互为倒数,τmin是决定M1假设下检测灵敏度下限ηmin的参数。其中,检测灵敏度下限ηmin定义为有源条件下可做出有效判断、且满足一定检测性能所需的最小信噪比η,信噪比为全谱净计数率与本底计数率的比值。θ(τ)是全谱时间间隔的先验概率密度函数,θ0和θ1分别是M0和M1假设下的先验概率,有θ0+θ1=1。
步骤7:时间决策函数计算。
其中,和/>分别是M0和M1假设下根据当前射线的时间间隔计算的时间后验概率,也是γ射线决策判决的决策函数。
步骤8:时间先验概率的更新。
步骤9:γ射线决策判决。
联立ROIi区域内的时间和能量的决策函数,综上对γ射线的存在与否做出决策判决,具体为:
其中,和/>分别是能量决策函数的上下阈值,/>和/>分别是时间决策函数的上下阈值。
其中,απ、βπ分别时能量阈值决策判决时犯第一类和犯第二类错误的概率,其中αθ、βθ分别时时间阈值决策判决时犯第一类和犯第二类错误的概率。
步骤10:放射性核素Ix联合决策函数的计算。
其中,PX表示核素IX的决策函数,m表示核素IX的特征γ射线编号,λm表示相应γ射线的权重系数,和/>分别表示该射线所对应的能量和时间的决策函数,ηm和κm分别是γ射线的分支比和本征探测效率,N是核Ix的γ射线总数量。
步骤11:放射性核素决策判决。
综上做出的决策判决为:
其中,PX,up_th和PX,low_th分别为上阈值和下阈值。
基于上述描述,相对于现有技术,本发明具有以下特点:
1)原假设和备择假设的概率密度函数构造是本发明的重点之一。在本发明中,针对是否存在放射性核素的假设,基于单能分解理论和一定的变换,转化成在能量窗内是否存在全能峰。
2)能量相关统计量的概率密度函数构造方法是本发明的重点之一。实际过程中能量的概率密度函数实际是高斯分布、均匀分布和三角分布根据各自计数率份额的一个线性叠加,而非局限于本发明实例中的高斯分布和均匀分布,可以依据实际使用场景确定具体概率密度分布。
3)能量相关的统计量和时间相关的统计量的先验概率的构造是本发明的重点之一。在本发明中,先验概率密度函数可以选取无信息先验概率密度函数或者共轭先验概率密度函数,不局限于本发明实例中的无信息先验概率密度函数。同时先验概率初始值可根据实际情况确定,包括但不限于本发明实例中的参数(0.5,0.5)。
4)能量相关统计量和时间相关统计量的决策函数的构造结构是本发明的重点之一。在本发明中,决策函数可以有两种构造路径:a)根据先验概率和样本概率密度函数得到决策函数;b)在构造过程中,决策函数也可以先根据样本概率密度函数首先计算得到贝叶斯因子,再根据前述的先验概率和贝叶斯因子进行联合构造得到。无论是何种路径,根据前述要点信息所构造的决策函数结构是本案要保护的要点。【贝叶斯因子作为中间参量,在实际构造过程中可以不参与构造过程】
5)决策函数的求解是本发明的重点之一,无论是根据先验概率和贝叶斯因子进行计算,还是直接根据先验信息和样本信息直接计算。在根据先验概率和贝叶斯因子进行计算的过程中,贝叶斯因子作为中间参量,在实际使用计算过程中可以不参与计算。
6)进行能量相关统计量和时间相关统计量的统计推断时最后进行阈值判别的构造方法是本发明的重点之一。常规贝叶斯方法中,一般选择原假设和备择假设的后验概率的相对大小(及上下阈值均为0.5),即概率比检验,进行统计决策时,在原假设和备择假设的后验概率比较接近时,很大概率做出错误决策。在本发明中,能量和时间间隔的决策函数都设置了上下阈值为不同的值,(如本实例中,对于能量窗的判定阈值为0.8和0.2,为举例的实例,不代表其具体值为本发明的保护要点),这样大大提高了决策结果的准确性。同时,对于决策函数的两类决策(支持原假设和支持备择假设)的决策阈值的引入,是本发明的保护要点,至于阈值具体值的选取可以依据实际使用场景确定。
7)根据进入伽马射线的能量相关统计量和时间相关统计量联合判别结果作为其该条γ射线的判别结果是本发明的重点之一,结合6)中的内容,虽然现有也有采用时间、能量的联合进行核素识别的方式,但是所用的概率密度函数、决策函数,与本发明中采用的均不一样。
8)根据放射性核素的全部γ射线决策函数及所构造的权重系数之积构造为核素的决策函数,是本发明的重点之一,现有技术并未公开相同或类似方法。
9)在决策函数的统计决策中,设置了上下阈值为不同值,这样大大提高了决策结果的准确性。同时,对于决策函数的两类决策(支持原假设和支持备择假设)的决策阈值的引入,是本发明的重点之一,至于阈值具体值的选取可以依据实际使用场景确定。
10)在决策函数的权重系数的构造中,根据射线的分支比和本征探测效率之积在对应核素中的归一化结果作为其在该核素中的权重系数。
下面以本底和137Cs为例,对本发明上述提供的核素识别方法的具体实现过程进行说明。其中,使用溴化镧γ谱仪进行实例举例,在实际操作过程过可以选取任意的γ谱仪进行。
实施例1
在本实例中使用了一套1.5英寸的溴化镧探测系统,能量刻度和半高宽刻度分别为:
E=0.07525·ch+0.9285(R2=1)。
构建了一个核素库包含22个核素,共46条特征伽马射线,相应的我们在全谱中划定了46个ROI。取ROI为十分之一高宽区间FWTM,此时包含因子k=2.146、置信度约为96.8%、ROIi区域的能量宽度ΔEi=4.296*σi。并采集本底数据,刻度全谱的本底计数率和46个ROI区域内的本底计数率/>
由于先验概率具有无偏性,设定先验概率的初始值为(0.5,0.5)。设定本方法在ROIi区域的检测灵敏度下限为30%,有τi,min=50%·τi,bkg,设定απ=βπ=0.2、αθ=βθ=0.2,决策判决的上下阈值有 PX,up_th=0.64,PX,low_th=0.04。
基于此,进行本底的识别。
探测器探测到第一个射线,时间、能量信息为(0.045657025,44)/(时间/秒,能量/道址)。
基于本发明上述提供的步骤1,得到,该射线属于32keV射线对应的ROI1(33,51)和35keV射线对应的ROI2(38,58)。
由步骤2分别计算ROI1和ROI2的能量贝叶斯因子,为:
由步骤3分别计算ROI1和ROI2的能量决策函数,为:
由步骤4分别更新ROI1和ROI2的能量先验概率:π1,0=0.3909、π2,0=0.4464。
由步骤5-步骤8分别计算ROI1和ROI2的时间间隔、时间贝叶斯因子、时间决策函数,为:
Δt1=0.0457、
Δt2=0.0457、
由步骤9对ROI1对应的32keV特征γ射线和ROI2对应的35keV特征γ射线做出决策判决,为:
由于和/>ROI1不做决策,等待下一个射线。由于和/>ROI2不做决策,等待下一个射线。
其中,假设步骤9判决出ROI1对应的32keV特征γ射线存在或者ROI1全为本底信号,由于32keV射线属于核素133Ba,则此时需要考察放射性核素133Ba是否存在:
由步骤10,使用32keV、81keV、276keV、302keV、356keV和383ke特征γ射线对应的ROI1、ROI5、ROI17、ROI18、ROI22和ROI23的时间和能量决策函数,计算核素133Ba联合决策函数。
由步骤11,根据133Ba的联合决策函数对放射性核素进行识别。
下一个射线的到来后,根据射线的时间和能量信息先重复步骤1-步骤8,计算对应ROI的时间和能量决策函数。随后重复步骤9对特征γ射线进行识别。最后重复步骤10,对放射性核素进行识别。
本实例中一共测量识别了104个射线粒子,共用时166.25秒,全谱计数率为60.15s-1。
为详细说明核素识别过程,举例探测器探测的第3424个射线(即下述中首次做出不存在661keV特征γ射线和对应的核素137Cs判决时的射线粒子),以此观察该射线前后γ射线决策函数和核素联合决策函数的变化。
探测器探测到第3424个射线,时间、能量信息为(57.85114355,881)/(时间/秒,能量/道址)。此时能量和时间的先验概率已被更新为π31,0=0.999975、θ31,0=0.6936;
由步骤1得到,该射线属于661keV射线对应的ROI31(857,900)。
由步骤2分别计算ROI31的能量贝叶斯因子,为:
由步骤3分别计算ROI31的能量决策函数,为:
由步骤4分别更新ROI31的能量先验概率,为:π31,0=0.999960。
由步骤5-步骤8分别计算ROI31的时间间隔、时间贝叶斯因子、时间决策函数,为:
Δt31=0.0042、
由步骤9对ROI31对应的661keV特征γ射线做出决策判决:由于和/>做出ROI31信号全部来自本底的判决。由于ROI31信号对应的特征能量661keV,对应的特征γ射线属于核素137Cs,随后需要计算核素137Cs的联合决策函数对核素137Cs是否存在进行判决更新。
由步骤10计算核素137Cs的联合决策函数,为:
由步骤11对核素137Cs是否存在做出决策判决:由于做出核素137Cs不存在的决策判决(由于核素137Cs只有一条661keV特征γ射线,故在步骤8做出ROI31信号全部来自本底时即可做出核素137Cs不存在的决策判决,此处计算核素137Cs的联合决策函数仅为说明核素识别详细过程。
对于核素241Am和它的59keV特征γ射线,在14.9575秒(881个总样本量,17个ROI4样本量)时同时判别为不存在。对于核素137Cs它的661keV特征γ射线57.8611秒(3424个总样本量,28个ROI31样本量)时同时被判别为不存在。两个γ射线决策函数随时间的变化如图3和图4所示。241Am和137Cs的核素联合决策函数随时间的变化如图5和图6所示。其中,图3中,最终识别结果为:不存在59.54keVγ射线,用时14.9757s,用全谱射线数881,用ROI区域射线数17。图4中,最终识别结果:不存在661keVγ射线。用时57.8511s,用全谱射线数3424,用ROI区域射线数28。图5中,最终识别结果不存在核素Am-241。图6中,最终识别结果:不存在核素Cs-137。
此外在本底条件下,没有发生放射性核素误报(误报定义为:放射性核素不存在,但是被决策判决为有)事件。上述两条特征γ射线被判决为不存在且对应ROI内信号全部来自本底时,所需时间过长是因为本底条件下的特征γ射线对应ROI内收集样本量的速率过低,做出有效判决时观察ROI内收集的样本量可以发现:ROI内收集到少量的样本量,即可做出有效识别。
实施例2
该实施例使用的各部件和参数与上述实施例1中的相同。137Cs(9.22*103Bq)(源-探测器前端面距离35cm)(等效剂量率约为5.52nGy/h)的识别结果。
探测器探测到第一个射线,时间、能量信息为(0.030928838,161)/(时间/秒,能量/道址)。
由步骤1可得,该射线属于122keV射线对应的ROI8(150,171)。
由步骤2计算ROI8区域的能量贝叶斯因子:
由步骤3计算ROI8区域的能量决策函数:
由步骤4更新ROI8区域的能量先验概率:π1,0=0.3849。
由步骤5-步骤8计算ROI8区域的时间间隔、时间贝叶斯因子、时间决策函数:
Δt1=0.0309、
由步骤9对ROI8对应的122keV射线做出决策判决:由于和ROI8不做决策,等待下一个射线。
如果步骤8判决出存在γ射线,假设ROI8对应的122keV射线存在,则此时需要分别考察放射性核素57Co和152Eu是否存在,具体的:
由步骤10,使用122keV射线和136keV射线对应ROI8和ROI10区域的时间和能量决策函数,计算核素57Co联合决策函数。使用122keV、244keV、344keV、779keV、964keV和1408keV对应的ROI8、ROI16、ROI21、ROI32、ROI36和ROI42区域的时间和能量决策函数,计算核素152Eu联合决策函数。
由步骤11,根据57Co和152Eu的联合决策函数分别对两个放射性核素是否存在的假设检验做出决策判决。
下一个射线的到来后,根据射线的时间和能量信息先重复步骤1-8,计算对应ROI区域的时间和能量决策函数。随后重复步骤9对γ射线进行识别。最后重复步骤10-11,对放射性核素进行识别。
本实例中一共测量识别了104个射线粒子,共用时153.70秒,全谱计数率为64.14s-1。
为详细说明核素识别过程,举例探测器探测的第281个射线(即下述中首次做出存在661keV特征γ射线和核素137Cs判决时的射线粒子),以此观察该射线前后γ射线决策函数和核素联合决策函数的变化。
探测器探测到第281个射线,时间、能量信息为(4.260600813,865)/(时间/秒,能量/道址)。此时能量和时间的先验概率已被更新为π31,0=0.1818、θ31,0=0.2220。
由步骤1得到该射线属于661keV射线对应的ROI31(857,900)。
由步骤2分别计算ROI31的能量贝叶斯因子:
由步骤3分别计算ROI31的能量决策函数:
由步骤4分别更新ROI31的能量先验概率:π31,0=0.1818。
由步骤5-步骤8分别计算ROI31的时间间隔、时间贝叶斯因子、时间决策函数:
Δt31=0.0075、
由步骤9对ROI31对应661keV特征γ射线做出决策判决:由于和/>做出存在661keV特征γ射线的判决。由于ROI31信号对应的661keV特征γ射线属于核素137Cs,随后需要计算核素137Cs的联合决策函数对核素137Cs是否存在进行判决更新。
由步骤10计算核素137Cs的联合决策函数:
由步骤11对核素137Cs是否存在做出决策判决:由于做出核素137Cs存在的决策判决。由于核素137Cs只有一条661keV特征γ射线,故在步骤11做出ROI31信号全部来自本底时即可做出核素137Cs不存在的决策判决,此处计算核素137Cs的联合决策函数仅为说明核素识别详细过程。
对于核素241Am和它的59keV特征γ射线,在72.6919秒(4613个总样本量,98个ROI4样本量)时同时被判别为不存在。对于核素137Cs和它的661keV特征γ射线,在4.2606秒(281个总样本量,7个ROI31样本量)时同时被判别为存在。两个γ射线决策函数随时间的变化如图7和图8所示。241Am和137Cs的核素联合决策函数随时间的变化如图9和图10所示。其中,图7中,最终识别结果:不存在59.54keVγ射线。用时72.6919s,用全谱射线数4613,用ROI区域射线数98。图8中,最终识别结果:存在661.7keVγ射线。用时4.2606s,用全谱射线数281,用ROI区域射线数7。图9中,最终识别结果:不存在核素241Am。图10中,最终识别结果:存在137Cs。
对比上述本底条件下的核素识别过程(即实施例1和实施例2),可以发现:
在本底和137Cs放射源条件下,241Am的特征伽马射线决策函数和核素联合决策函数都趋近于1,做出无特征伽马射线和241Am核素的判决。同时在本底和137Cs放射源条件下,均没有发生误报事件,137Cs的661keV射线在241Am的59keV对应ROI4康普顿计数只影响其收敛于1的速度,而不会影响其精度(其它非661keV对应的特征伽马射线和对应的核素,结果与241Am的判决和识别结果相同)。
在本底条件下,137Cs的特征伽马射线决策函数快速趋近于1,做出无特征伽马射线判决,并做出无137Cs核素的核素判决。在有137Cs核素条件下,特征伽马射线决策函数和核素联合决策函数都快速趋于0,做出有特征伽马射线判决,并做出有137Cs核素的核素判决。可见该实例实现了137Cs核素的快速识别(识别时间为4.2606秒,281个总样本量,等效剂量率约为5.52nGy/h)。
本发明的核素识别方法,基于贝叶斯原理和序贯后验概率,通过更换核素识别方法的检验模型,在先验概率上设定时间间隔的取值范围,而非直接给定时间间隔参数一个预设固定值,使得方法的普适性大大提高。根据统计特征确定ROI区域内的本底概率密度函数和康普顿概率密度函数,并基于测量得到的核探测事件序列中的能量和时间间隔信息确定能量贝叶斯因子和时间贝叶斯因子,结合两个因子,可以实现对康普顿坪的有效甄别和区分。在同样的识别条件下,设定相同的置信度时,本研究的方法可以比能谱解谱分析-特征峰匹配法更快的对放射性核素的存在和种类做出有效的识别。相比于模糊数学、神经网络核素识别方法,本研究的方法更具普适。
此外,相比对以研究发表的基于贝叶斯理论和序贯概率比检验的序贯核素识别方法,针对以往研究中无法区分康普顿坪和普适性差的问题,本发明基于贝叶斯方法和序贯后验概率的序贯贝叶斯核素识别方法,根据上述的实例可以发现,误报率和漏报率都非常低,且表明可以非常有效的识别在低能能量窗内出现的来自高能射线的康普顿粒子。
进一步,本发明提供了一种核素识别系统,系统用于实施上述提供的核素识别方法。系统包括:射线所属区域确定模块、核探测事件序列描述模块、能量贝叶斯因子确定模块、能量决策函数确定模块、ROI区域时间间隔确定模块、时间贝叶斯因子确定模块、时间决策函数确定模块、决策函数联立模块、核素联合决策函数确定模块和核素识别模块。
射线所属区域确定模块,用于获取射线的时间-能量信息,并基于射线的时间-能量信息中的能量信息确定该射线是否属于某一ROI区域。
核探测事件序列描述模块,用于当该射线属于某一ROI区域时,描述这一ROI区域中所有的核探测事件序列。
能量贝叶斯因子确定模块,用于基于描述后的核探测事件序列中的能量信息确定能量贝叶斯因子。
能量决策函数确定模块,用于基于能量贝叶斯因子确定能量决策函数。
ROI区域时间间隔确定模块,用于基于描述后的核探测事件序列中的时间信息确定ROI区域内的时间间隔。
时间贝叶斯因子确定模块,用于基于时间间隔确定时间贝叶斯因子。
时间决策函数确定模块,用于基于时间贝叶斯因子确定时间决策函数。
决策函数联立模块,用于联立能量决策函数和时间决策函数得到该ROI区域的联合决策函数。
核素联合决策函数确定模块,用于基于该ROI区域所对应特征γ射线,检索该ROI区域对应的潜在核素,联合检索到的核素所对应的各ROI区域的联合决策函数,得到核素联合决策函数。
核素识别模块,基于核素联合决策函数完成核素的判决和识别。
再进一步,本发明还提供了一种电子设备,该电子设备包括:存储器和处理器。
存储器,用于存储计算机程序。
处理器,与存储器连接,用于调取并执行计算机程序,以实施上述提供的核素识别方法。
其中,上述的存储器中的计算机程序通过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、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
进一步,基于上述描述,(1)本发明提供的核素识别方法可与多种类型的探测器配合使用,包括但不限于闪烁体探测器,半导体探测器及其他带有能量分辨能力的探测器。(2)核素标准库中核素的数量、种类,每个核素选取的γ射线的数量和重要性等参数不局限于本发明实例中的形式。(3)核素识别过程中能量和时间间隔的概率密度不局限于本发明实例中的高斯分布和均匀分布,可以依据实际使用场景确定具体概率密度分布。(4)核素识别过程中原假设和备择假设的先验概率初始值可根据实际情况确定,包括但不限于本发明实例中的参数(0.5,0.5)。(5)先验概率密度函数可以选取无信息先验概率密度函数或者共轭先验概率密度函数,不局限于本发明实例中的无信息先验概率密度函数。(6)先验概率中时间间隔取值范围的选取与本底条件、探测器类型相关,包括但不限于本发明实例中的参数。(7)核素识别过程中上下阈值与误报率和漏警率相关,其设置可以根据实际使用场景和要求进行设定,包括但不限于本发明实例中的参数。(8)对于全能峰区域能量窗的划分,可以根据具体情况进行设定k值的大小,包括但不限于本发明实例中的参数。(9)本发明中的决策函数根据先验概率和贝叶斯因子进行求解,贝叶斯因子作为中间参量,在实际使用计算过程中可以不参与计算。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种核素识别方法,其特征在于,包括:
获取射线的时间-能量信息,并基于所述射线的时间-能量信息中的能量信息确定该射线是否属于某一ROI区域;
当该射线属于某一ROI区域时,描述这一ROI区域中所有的核探测事件序列;
基于描述后的核探测事件序列中的能量信息确定能量贝叶斯因子;
基于所述能量贝叶斯因子确定能量决策函数;
基于描述后的核探测事件序列中的时间信息确定ROI区域内的时间间隔;
基于所述时间间隔确定时间贝叶斯因子;
基于所述时间贝叶斯因子确定时间决策函数;
联立所述能量决策函数和所述时间决策函数得到该ROI区域的联合决策函数;
基于该ROI区域所对应特征γ射线,检索该ROI区域对应的潜在核素,联合检索到的核素所对应的各ROI区域的联合决策函数,得到核素联合决策函数;
基于所述核素联合决策函数完成核素的判决和识别。
2.根据权利要求1所述的核素识别方法,其特征在于,所述能量贝叶斯因子为:
式中,为第i个ROI区域的第j个能量贝叶斯因子,εi,j为当前射线的能量信息,为原假设H0下的能量概率密度函数,,/>为备择假设H1下的能量概率密度函数,/>为原假设H0下能量的标准方差,/>为备择假设H1下能量的标准方差,为备择假设H1下/>的概率密度函数。
3.根据权利要求1所述的核素识别方法,其特征在于,所述ROI区域的能量决策函数为:
式中,为原假设H0下第i个ROI区域的能量后验概率,/>为备择假设H1下第i个ROI区域的能量后验概率,πi,0为原假设H0下第i个ROI区域的的能量先验概率,/>为第i个ROI区域的第j个能量贝叶斯因子,εi,j为当前射线的能量信息。
4.根据权利要求3所述的核素识别方法,其特征在于,在基于所述能量贝叶斯因子确定能量决策函数之后,还包括:
采用所述能量决策函数更新能量先验概率。
5.根据权利要求1所述的核素识别方法,其特征在于,所述时间贝叶斯因子为:
式中,为时间贝叶斯因子,gi,0(Δti,j|τi,0)为原假设M0下的时间间隔概率密度函数,gi,1(Δti,j|τi,1)为备择假设M1下的时间间隔概率密度函数,τi,0为原假设M0下时间间隔的数学期望,τi,1为备择假设M1下时间间隔的数学期望,hi,1(τi,1)为备择假设M1下的概率密度函数,Δti,j为时间间隔。
6.根据权利要求1所述的核素识别方法,其特征在于,所述时间决策函数为:
式中,为原假设M0下第i个ROI区域的时间后验概率,/>为备择假设M1下第i个ROI区域的时间后验概率,θi,0为原假设M0下第i个ROI区域的时间先验概率,Δti,j为时间间隔。
7.根据权利要求6所述的核素识别方法,其特征在于,在基于所述时间贝叶斯因子确定时间决策函数之后,还包括:
基于所述时间决策函数更新时间先验概率。
8.根据权利要求1所述的核素识别方法,其特征在于,在联立所述能量决策函数和所述时间决策函数得到联合决策函数之前,还包括:
基于所述能量决策函数的计算结果与能量决策函数上下阈值间的关系以及所述时间决策函数的计算结果与时间决策函数上下阈值间的关系得到ROI区域内的射线信号识别结果。
9.一种核素识别系统,其特征在于,所述系统用于实施如权利要求1-8任意一项所述的核素识别方法;所述系统包括:
射线所属区域确定模块,用于获取射线的时间-能量信息,并基于所述射线的时间-能量信息中的能量信息确定该射线是否属于某一ROI区域;
核探测事件序列描述模块,用于当该射线属于某一ROI区域时,描述这一ROI区域中所有的核探测事件序列;
能量贝叶斯因子确定模块,用于基于描述后的核探测事件序列中的能量信息确定能量贝叶斯因子;
能量决策函数确定模块,用于基于所述能量贝叶斯因子确定能量决策函数;
ROI区域时间间隔确定模块,用于基于描述后的核探测事件序列中的时间信息确定ROI区域内的时间间隔;
时间贝叶斯因子确定模块,用于基于所述时间间隔确定时间贝叶斯因子;
时间决策函数确定模块,用于基于所述时间贝叶斯因子确定时间决策函数;
决策函数联立模块,用于联立所述能量决策函数和所述时间决策函数得到该ROI区域的联合决策函数;
核素联合决策函数确定模块,用于基于该ROI区域所对应特征γ射线,检索该ROI区域对应的潜在核素,联合检索到的核素所对应的各ROI区域的联合决策函数,得到核素联合决策函数;
核素识别模块,基于所述核素联合决策函数完成核素的判决和识别。
10.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序,以实施如权利要求1-8任意一项所述的核素识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107288.6A CN117932355A (zh) | 2024-01-25 | 2024-01-25 | 一种核素识别方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107288.6A CN117932355A (zh) | 2024-01-25 | 2024-01-25 | 一种核素识别方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117932355A true CN117932355A (zh) | 2024-04-26 |
Family
ID=90769972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410107288.6A Pending CN117932355A (zh) | 2024-01-25 | 2024-01-25 | 一种核素识别方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932355A (zh) |
-
2024
- 2024-01-25 CN CN202410107288.6A patent/CN117932355A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2773982B1 (en) | Neutron spectrometer | |
Gelfusa et al. | Advanced pulse shape discrimination via machine learning for applications in thermonuclear fusion | |
Hausladen et al. | Induced-fission imaging of nuclear material | |
Xu et al. | Sparse spectral unmixing for activity estimation in γ-ray spectrometry applied to environmental measurements | |
KR101975787B1 (ko) | 방사성 핵종을 검출하는 방법, 이를 이용한 방사성 핵종 검출공정, 및 이를 위한 방사선 검출장치 | |
Mendes et al. | Radioactive hot-spot localisation and identification using deep learning | |
Dufour et al. | Measurement of low-activity uranium contamination by gamma-ray spectrometry for nuclear decommissioning | |
Li et al. | Application of fuzzy probability factor superposition algorithm in nuclide identification | |
Yoon et al. | Improved fast neutron detection using CNN-based pulse shape discrimination | |
Turner et al. | Generalised gamma spectrometry simulator for problems in nuclide identification | |
Kwon et al. | Preprocessing energy intervals on spectrum for real-time radionuclide identification | |
Efthimiou et al. | Effect of 176Lu intrinsic radioactivity on dual head PET system imaging and data acquisition, simulation, and experimental measurements | |
KR102249120B1 (ko) | 피검자의 체내·외 방사능 오염 분석 프로그램 및 분석 시스템 | |
CN117932355A (zh) | 一种核素识别方法、系统及电子设备 | |
CN111880211B (zh) | 一种利用康普顿散射事例统计进行放射性核素识别的方法 | |
Altmann et al. | Expectation-propagation for weak radionuclide identification at radiation portal monitors | |
Zhao et al. | Low-resolution gamma-ray spectrum analysis using comprehensive training set and deep ResNet architecture | |
Spinks et al. | Pulse Shape Discrimination of low-energy nuclear and electron recoils for improved particle identification in NaI: Tl | |
CN209879001U (zh) | 一种中子多重性测量装置 | |
Lam et al. | Gamma peak search and peak fitting algorithm for a low-resolution detector with applications in gamma spectroscopy | |
Mekarski et al. | Monte Carlo simulation of a PhosWatch detector using Geant4 for xenon isotope beta–gamma coincidence spectrum profile and detection efficiency calculations | |
De Vol et al. | Isotopic analysis of plutonium using a combination of alpha and internal conversion electron spectroscopy | |
Park et al. | Identification of radioactive isotopes in decommissioning of nuclear facilities using ensemble learning | |
Park et al. | New development of hypergam and its test of performance for γ-ray spectrum analysis | |
Saull et al. | A two-pixel Compton imager |
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 |