一种CR-39测量氡气辐射浓度的方法、系统及设备技术方案

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，获取包括候选质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，得到包括质子信号定位的图像；计算包括质子信号定位的图像中的质子的数量，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质子信号难以区分的技术问题。

【技术实现步骤摘要】
一种CR-39测量氡气辐射浓度的方法、系统及设备
本申请涉及氡气浓度测量
，尤其涉及一种CR-39测量氡气辐射浓度的方法、系统及设备。
技术介绍
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质子信号又十分相似，如何区分固有噪声和质子信号成为需要解决的问题。
技术实现思路
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，解决了固有噪声和质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，获取包括候选质子信号窗口的所述信号图像；将所述包括候选质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质子信号窗口的信号图像；将所述进一步校准后的包括候选质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，得到包括质子信号定位的图像；计算所述包括质子信号定位的图像中的质子的数量，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，获取包括候选质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，获取候选质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质子信号窗口使得去除重叠的所述候选质子窗口，得到校准后的包括候选质子信号窗口的信号图像。可选的，所述将所述包括候选质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质子信号窗口的信号图像具体为：将所述包括候选质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质子信号窗口，得到进一步校准后的包括候选质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，获取包括候选质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质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质子信号窗口的信号图像；质子信号定位模块，用于将所述进一步校准后的包括候选质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，得到包括质子信号定位的图像；浓度计算模块，用于计算所述包括质子信号定位的图像中的质子的数量，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，获取候选质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质子信号窗口使得去除重叠的所述候选质子窗口，得到校准后的包括候选质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：将所述包括候选质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质子信号窗口，得到进一步校准后的包括候选质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，获取包括候选质子信号窗口的信号图像；将包括候选质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质子信号窗口的信号图像；将进一步校准后的包括候选质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，得到包括质子信号定位的图像；计算包括质子信号定位的图像中的质子的数量，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质子信号，并通过多次的校准获取准确的包括质子信号的信号图像，从而完成质子的筛选，使得计算人员不用通过肉眼对固有噪声和质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质子信号，并通过多次的校准获取准确的包括质子信号的信号图像，从而完成质子的筛选，使得计算人员不用通过肉眼对固有噪声和质本文档来自技高网...

【技术保护点】
1.一种CR-39测量氡气辐射浓度的方法，其特征在于，包括：/n获取CR-39样品的信号图像；/n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，获取包括候选质子信号窗口的所述信号图像；/n将所述包括候选质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质子信号窗口的信号图像；/n将所述进一步校准后的包括候选质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，得到包括质子信号定位的图像；/n计算所述包括质子信号定位的图像中的质子的数量，完成对氡气浓度的检测。/n

【技术特征摘要】
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，获取包括候选质子信号窗口的所述信号图像；
将所述包括候选质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质子信号窗口的信号图像；
将所述进一步校准后的包括候选质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，得到包括质子信号定位的图像；
计算所述包括质子信号定位的图像中的质子的数量，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，获取包括候选质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，获取候选质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质子信号窗口使得去除重叠的所述候选质子窗口，得到校准后的包括候选质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质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质子信号窗口的信号图像具体为：
将所述包括候选质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质子信号窗口，得到进一步校准后的包括候选质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...

【专利技术属性】
技术研发人员：陈瀚，蔡述庭，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44