基于深度学习的放射性废物层析γ扫描图像重建方法技术

本发明专利技术公开了一种使用经过先验数据训练的二维卷积神经网络利用稀疏扫描数据进行放射性废物TGS检测图像重建，提高检测效率及图像重建精度的基于深度学习的层析γ扫描图像重建方法。该方法包括步骤S1、根据体素划分模型确定稀疏扫描方式；S2、使用蒙特卡罗方法相关软件，根据TGS系统尺寸建立仿真模型；S3、进行仿真实验并建立透射图像训练数据集；S4、搭建深度学习神经网络；并通训练深度学习神经网络；S5、重建高分辨率透射图像和发射图像并融合；S6、建立融合图像训练数据集并训练深度学习神经网络；重建融合图像；S7、设计分析处理系统，实现透射图像以及融合图像的重建。采用该方法能够有效的减少扫描次数提升检测效率；提高重建图像质量。高重建图像质量。高重建图像质量。

【技术实现步骤摘要】
基于深度学习的放射性废物层析
γ
扫描图像重建方法


[0001]本专利技术涉及核废物层析γ扫描测量领域，具体公开了一种基于深度学习的放射性废物层析γ扫描图像的重建方法。

技术介绍

[0002]众所周知的：根据核废物管理处置相关条例，要求使用标准桶封装放射性废物。对放射性废物暂存、运输及处置前，需准确测量废物桶内放射性核素的成份、含量和分布规律。
[0003]鉴于废物桶的放射性，多采用无损检测的方式进行测量。层析γ扫描技术(Tomographic Gamma Scanning,TGS)是目前成熟的几种无损检测方式之一，根据废物桶体素划分方式，使用γ探测器多角度、多位置分层扫描废物桶，重建桶内介质线衰减系数分布图像(透射图像)和核素活度分布图像(发射图像)。可以在样品的物理、化学形态不发生任何变化的情况下，准确分析出样品中所含放射性核素种类、含量及其放射性活度的空间位置分布。通常，划分体素数量越多，检测结果越准确，图像中包含的信息越详细，但精细的体素划分要求更多次数的扫描，增加了大量检测时间，降低工作效率。而大体素划分，虽然本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的放射性废物层析γ扫描图像重建方法，其特征在于，包括以下步骤：S1、根据体素划分模型确定稀疏扫描方式；S2、使用蒙特卡罗方法相关软件，根据TGS系统尺寸建立仿真模型；S3、进行仿真实验并建立透射图像训练数据集；S4、搭建深度学习神经网络；并通过步骤3中得到的透射图像训练数据集训练深度学习神经网络；S5、通过步骤S4中训练后的深度学习神经网络重建高分辨率透射图像和发射图像并融合；S6、建立融合图像训练数据集并训练深度学习神经网络；通过训练后的深度学习神经网络重建融合图像；S7、设计分析处理系统，实现透射图像以及融合图像的重建。2.如权利要求1所述的基于深度学习的放射性废物层析γ扫描图像重建方法，其特征在于：所述步骤S1中体素划分模型为极坐标体素划分模型或者矩形网格体素划分模型；在直角坐标体系中，将体素划分为正方体形状；在极坐标体系中，将体素划分为扇形体形状；每种划分方式均将废物桶纵向分为I个断层，每个断层再分为J个体素块。3.如权利要求2所述的基于深度学习的放射性废物层析γ扫描图像重建方法，其特征在于：所述步骤S2中仿真模型与TGS系统尺寸保持一致，仿真模型中探测器尺寸和种类与TGS探测器一致。4.如权利要求3所述的基于深度学习的放射性废物层析γ扫描图像重建方法，其特征在于：所述步骤S2中使用Geant4或者MCNP5蒙特卡洛方法软件，在步骤S3中外置透射源使用多种能量γ射线对废物桶进行透射扫描，废物桶内填充多种不同形状、材料介质和多种种类、活度的放射源，使用ART算法重建大体素低分辨率透射图像，并根据仿真设置建立对应的细小体素高分辨率透射图像；多次实验得到多组图像对，建立透射图像训练数据集。5.如权利要求4所述的基于深度学习的放射性废物层析γ扫描图像重建方法，其特征在于：步骤S3中仿真实验包括透射扫描和发射扫描；所述透射扫描过程如下：1)外置透射源与探测器移动至初始位置，打开外置透射源开始进行透射扫描，探测器检测γ射线形成能谱；2)根据制定的稀疏扫描方式，旋转废物桶，进行下一个角度的扫描，完成所有角度扫描；3)透射源与探测器移动至下一位置，再进行所有角度扫描，直至完成所有角度和位置的扫描；所述发射扫描过程为：关闭外置透射源，废物桶旋转、探测器移动和扫描顺序等与透射扫描一致，探测器探测废物桶内放射源自发放射γ射线。6.如权利要求5所述的基于深度学习的放射性废物层析γ扫描图像重建方法，其特征在于：步骤S3中透射图像训练数据集包括低分辨率重建透射图像和高分辨率参考透射图像；所述低分辨率重建透射图像使用ART迭代算法根据透射测量方程重建而来，透射测量
方程如下：式中，I
i
(E)为第i次扫描时穿过吸收物质衰减后的γ射线强度，x
i,j
为第i次扫描时γ射线在第j个体素中穿行的径迹长度，如果未穿过体素则记x
i,j
＝0，J为每层废物桶中体素块的编号，所以μ
j
为第j个体素对能量为E的γ射线的衰减系数；令透射率P
i
(E)＝I
i
(E)/I0(E)，并定义对数透射率V
i
(E)＝
‑
lnP
i
(E)，则假设一次透射测量中对每层废物桶进行了i次扫描，则通过(2)可以得到矩阵公式X
·
U(E)＝V(E)
ꢀꢀꢀꢀ
(3)式中，X是γ射线的在单层废物桶中穿过的径迹矩阵，U(U)为体素块对能量为E的γ射线的衰减系数矩阵，U(E)＝[μ1(E),μ2(E),
…
μ
j
(E)]
T
；V(E)为对数透射率矩阵V(E)＝[v1,v2,
…
,v
i
]
T
；求取衰减系数矩阵U(E)中的衰减系数并转换为灰度值即得到大体素低分辨率重建透射图像；所述ART算法表示如下：式中k为迭代测次数，i为透射源扫描的序号，j为体素的序号，λ为松弛因子是人为设置的常数(0＜λ＜1)，则为第k次迭代中j体素的衰减系数，而即为第k次迭代后更新获得的...

【专利技术属性】
技术研发人员：石睿，王昌铭，庹先国，郑洪龙，杨广，王洲，刘一瑭，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：