一种基于希尔伯特曲线变换与深度学习的能谱分析方法技术

本发明专利技术公开了一种基于希尔伯特曲线变换与深度学习的能谱分析方法，属于辐射环境监测和图像识别领域，具有高识别率、稳定性好、适应性强的特点。本发明专利技术包括以下步骤：(1)获取探测能谱和模拟能谱并进行预处理；(2)将传统的一维能谱分析转换为二维图像识别，将能谱全谱输入深度学习进行训练测试；(3)构建用于快速核素识别的深度学习算法，通过确定分类阈值和ROC曲线分析深度学习分类器效果。

【技术实现步骤摘要】
一种基于希尔伯特曲线变换与深度学习的能谱分析方法
本专利技术属于辐射环境监测和图像识别领域，尤其涉及一种基于希尔伯特曲线变换与深度学习的能谱分析方法。
技术介绍
随着社会的不断发展，核技术应用及核辐射检测技术在生产生活、国防建设等领域起着越来越重要的角色，由此产生的放射性危害也引起越来越多的关注。能谱分析方法能够通过探测得到的能谱识别出环境中存在的放射性核素和测量活度，在天体物理、环境科学等领域有广泛应用。目前，在长时间探测的能谱分析上已经有高识别正确率。但对于快速核素识别，存在计数低、能谱分辨率低和干扰大的问题，对后续的能谱分析造成很大困难。现有方法如寻峰算法对能谱数据要求较高，对低计数、低分辨率能谱无法精确识别，人工神经网络方法对相干核素能谱识别率差，易造成误识别。快速核素识别在放射性监测系统应用上还需要进一步提高。
技术实现思路
本专利技术提供了一种基于希尔伯特曲线变换与深度学习的能谱分析方法，利用一维映射到二维的数据处理，通过图像特征进行识别分类。本专利技术具有高识别率、稳定性好、适应性强的特点。为实现以上目的，本专利技术采用以上技术方案：一种基于希尔伯特曲线变换与深度学习的能谱分析方法，包括以下步骤：(1)获取探测能谱和模拟能谱并进行预处理；(2)将传统的一维能谱分析转换为二维图像识别，将能谱全谱输入深度学习进行训练测试；(3)构建用于快速核素识别的深度学习算法，通过确定分类阈值和ROC曲线分析深度学习分类器的效果。以上所述步骤中，步骤(1)包括：(1-1)通过探测器探测得到天然本底能谱和放射性核素能谱数据，通过蒙特卡罗方法对伽马探测器建模模拟放射性核素能谱；其中，所述蒙特卡洛程序采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的一种或几种。(1-2)采用滤波算法对天然本底谱进行平滑处理得到标准本底谱，采用滤波算法对放射性核素谱进行平滑处理得到标准放射性核素谱；其中，所述滤波算法采用高斯滤波法、小波平滑法、卡尔曼滤波法中的一种或几种；(1-3)将标准放射性核素谱减去标准本底谱，得到扣除本底后的净计数放射性核素能谱；(1-4)根据上述(1-3)得到的扣本底放射性核素能谱作归一化处理。其中，所述归一化处理为线性函数归一化或0均值标准化。步骤(2)包括：(2-1)对每一个一维能谱使用上述步骤(1)处理，并作为填充曲线通过希尔伯特扫描矩阵生成二维方形图像；其中，输入的一维能谱至少包括不同时间、不同核素种类、不同距离探测得到的实验能谱数据和模拟能谱数据；(2-2)对所述生成的二维图像整合成三维矩阵，按7:3分类成训练集和测试集两类数据。步骤(3)包括：(3-1)将上述步骤中得到经希尔伯特曲线变换的二维图像训练集数据作为输入用于训练卷积神经网络；其中，步骤(3)所述深度学习网络采用深度置信网络、深度神经网络、卷积神经网络、堆叠式自动编码器或卷积自动编码器中的一种或几种；卷积神经网络的卷积层激励函数选择ReLu或sigmoid，输出层函数选择sigmoid或softmax；(3-2)根据能谱中核素存在与否，输出结果分别设置为核素存在输出为1，核素不存在输出为0；(3-3)根据卷积神经网络输出的结果，设置最优阈值，大于阈值为该核素存在，小于阈值则该核素不存在，输出结果。本专利技术有益效果：本专利技术提供了一种基于希尔伯特曲线变换与深度学习的能谱分析方法，将一维离散能谱转换为低维的二维能谱，能够减少输入维度，提升深度学习训练收敛速度和识别效果，同时相比其他的特征提取方法，通过该方法可以将能谱全谱输入深度学习进行训练测试，保留了能谱所有信息，并将空间信息作为核素特征区分，对核素识别准确率会有较大提高；采用模拟能谱的近似系数进行训练深度学习，克服了实验室放射源数量不足的难题，可用于多种(≥9)核素的稳定识别；本专利技术能对短时间测量能谱有高识别率，且识别响应速度快(≥1)，可以用于便携式探测仪器等的快速核素识别应用；通过希尔伯特曲线变换和卷积神经网络的训练，相比一维的能谱分析，可以通过图像识别的方法减少噪声干扰和能谱漂移造成的误差，对重叠峰的识别也能有效提高。附图说明图1是本专利技术的流程图。图2是不同阶数的希尔伯特曲线变换图像。图3(a)是三种核素的混合能谱，图3(b)是三种核素的混合能谱经希尔伯特曲线变换后的二维图像。图4是本专利技术的深度学习算法图。图5是实施例中卷积神经网络损失函数图像。图6是实施例中ROC曲线图像。图7(a)是实施例中700V高压下60Co能谱，图7(b)是实施例中720V高压下60Co能谱。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合说明书附图进一步详细说明本专利技术的示例性实施方式。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。图1所示为本专利技术基于希尔伯特曲线变换与深度学习的能谱分析方法的流程图，具体包括以下步骤：步骤1获取探测能谱和模拟能谱并进行预处理，包括以下子步骤：(1-1)通过探测器探测得到天然本底能谱和放射性核素能谱数据，选用的探测器采用气体电离室、NaI(Tl)闪烁体探测器、HGe半导体探测器中的一种或几种，通过探测器与MAESTRO软件连接进行放射源探测，获取不同时间、不同核素种类、不同距离探测得到的实验能谱数据。通过蒙特卡罗方法对伽马探测器建模模拟放射性核素能谱，具体为虚构一个探测器，然后在虚拟环境中放置所需放射性来获得能谱。蒙特卡洛方法又叫随机抽样法或统计实验法，属于计算数学的一个分支，它能够真实地模拟实际物理过程，解决问题与实际非常符合。使用蒙特卡洛程序模拟感兴趣核素能谱，可以克服实验室放射性核素数量不够的难题，可以更容易获得各核素的成谱规律，进而获得大规模样本数据，可以使深度学习具有更强的学习及预测能力。所述蒙特卡洛程序采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的一种或几种。(1-2)采用滤波算法对天然本底谱进行平滑处理得到标准本底谱，采用滤波算法对放射性核素谱进行平滑处理得到标准放射性核素谱；其中，所述滤波算法采用高斯滤波法、小波平滑法、卡尔曼滤波法中的一种或几种。(1-3)将标准放射性核素谱减去标准本底谱，得到扣除本底后的净计数放射性核素能谱；具体的，采用小波分解技术提取能谱的近似系数并将其归一化，对于多数信号，低频部分是最重要的，它是信号的标识，与之相反的即噪声。小波分析中，将它们成为近似部分和细节部分。采用一阶小波变换可以将信号分解为近似部分和细节部分，这个过程可以迭代，即继续采用一阶小波变换将近似信号进行分解，迭代次数即为分解级数。将得到的近似系数进行归一化，可以消除由探测时间、核素活度、探测距离、核素个数等因素的不同而造成能谱强度的不同这一效应，显著的提高了深度学习的学习能力及预测能力。所述小波分解方法采用的小波分解母函数为Daubechies、Coiflets、Symlets、Fejer-Korovkinfilters、DiscreteMeyer、Biorthogonal或ReverseBiorthogonal中的一种或几种本文档来自技高网...

【技术保护点】
1.一种基于希尔伯特曲线变换与深度学习的能谱分析方法，其特征在于，包括以下步骤：(1)获取探测能谱和模拟能谱并进行预处理；(2)将传统的一维能谱分析转换为二维图像识别，将能谱全谱输入深度学习进行训练测试；(3)构建用于快速核素识别的深度学习算法，通过确定分类阈值和ROC曲线分析深度学习分类器的效果。

【技术特征摘要】
1.一种基于希尔伯特曲线变换与深度学习的能谱分析方法，其特征在于，包括以下步骤：(1)获取探测能谱和模拟能谱并进行预处理；(2)将传统的一维能谱分析转换为二维图像识别，将能谱全谱输入深度学习进行训练测试；(3)构建用于快速核素识别的深度学习算法，通过确定分类阈值和ROC曲线分析深度学习分类器的效果。2.根据权利要求1所述基于希尔伯特曲线变换与深度学习的能谱分析方法，其特征在于，步骤(1)包括：（1-1）通过探测器探测得到天然本底能谱和放射性核素能谱数据，通过蒙特卡罗方法对伽马探测器建模模拟放射性核素能谱；（1-2）采用滤波算法对天然本底谱进行平滑处理得到标准本底谱，采用滤波算法对放射性核素谱进行平滑处理得到标准放射性核素谱；（1-3）将标准放射性核素谱减去标准本底谱，得到扣除本底后的净计数放射性核素能谱；（1-4）将所述得到扣本底放射性核素能谱作归一化处理。3.根据权利要求2所述基于希尔伯特曲线变换与深度学习的能谱分析方法，其特征在于，步骤(1-1)所述蒙特卡洛程序采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的一种或几种。4.根据权利要求2所述基于希尔伯特曲线变换与深度学习的能谱分析方法，其特征在于，步骤(1-2)所述滤波算法采用高斯滤波法、小波平滑法、卡尔曼滤波法中的一种或几种。5.根据权利要求2所述基于希尔伯特曲线变换与深度学习的能谱分析方法，其特征在于，步骤(1-4)所...

【专利技术属性】
技术研发人员：汤晓斌，龚频，张金钊，李红志，梁大戬，
申请(专利权)人：南京航空航天大学，国家海洋技术中心，
类型：发明
国别省市：江苏,32