【技术实现步骤摘要】
本专利技术涉及电离辐射防护，特别是涉及一种放射防护器材的铅当量计算方法、系统及设备。
技术介绍
1、电离辐射防护实践中，尤其是在医疗照射中，通常必须采用放射防护器材进行屏蔽防护。为保证放射防护器材产品的防护质量，保障放射工作人员与公众的健康与安全，在使用放射防护器材前需要对放射防护器材的样品的铅当量进行测定。
2、在标准辐射场中，样品的辐射透过率与样品的铅当量存在对应关系。理论上，每一件放射防护器材样品，均可在标准辐射场中测量并计算其对特定x射线线质的辐射透过率，用不同标准铅片的组合，找到相同辐射透过率，则该标准铅片组合的铅当量即为该样品的铅当量。但这种方法过于繁琐，人力成本和时间成本均较高，难以在实践中广泛应用。且由于辐射透过率受样品性质、辐射场特性、环境条件等多种因素影响，很难通过物理定义建立辐射透过率和铅当量之间统一、准确的计算公式。因此，迫切需要在实践应用中实现铅当量的自动化、智能化计算。
技术实现思路
1、本专利技术的目的是提供一种放射防护器材的铅当量计算方法、系统及设备，以提高批量样品铅当量的计算效率、精度和稳定性，节约人力成本和时间成本。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种放射防护器材的铅当量计算方法，包括：
4、获取放射防护器材样品铅当量测量的历史数据；所述历史数据包括样品辐射透过率及对应的铅当量；
5、基于lstm神经网络构建深度学习模型；
6、基于铅当量大于0.5的历史
7、采用标准辐射场和监测设备测量待测样品的辐射透过率；
8、根据待测样品的辐射透过率选择两个铅当量计算模型之一作为当前计算模型，来计算待测样品的铅当量。
9、可选地，所述基于lstm神经网络构建深度学习模型，具体包括：
10、构建包括输入层、隐藏层和输出层的深度学习模型；所述输入层对输入数据做对数处理；所述隐藏层采用lstm层和全连接层交替叠加的网络结构。
11、可选地，所述lstm层包括多个lstm单元；所述lstm单元包括遗忘门、输入门和输出门。
12、可选地，所述基于铅当量大于0.5的历史数据和铅当量小于或等于0.5的历史数据分别训练深度学习模型，得到两个铅当量计算模型，具体包括：
13、基于铅当量大于0.5的历史数据和铅当量小于或等于0.5的历史数据分别训练深度学习模型，深度学习模型训练过程中，所述输出层输出铅当量后，利用损失函数计算期望输出铅当量与实际输出铅当量之间的差值，利用反向传播通过导数链式法则计算损失函数对各模型参数的梯度，并根据梯度对深度学习模型的参数进行迭代更新，使损失函数不断减小，直到得到精度符合测试要求的深度学习模型作为铅当量计算模型。
14、可选地，所述采用标准辐射场和监测设备测量待测样品的辐射透过率，具体包括：
15、记录标准辐射场中未放置待测样品时的标准电容值c0和相应的监测设备读数v0；
16、记录标准辐射场中放置待测样品后的适配电容值c和相应的监测设备读数v；
17、采用公式计算待测样品的辐射透过率x。
18、可选地，所述根据待测样品的辐射透过率选择两个铅当量计算模型之一作为当前计算模型，来计算待测样品的铅当量，具体包括：
19、当待测样品的辐射透过率大于等于3.91554×10-5且小于0.0375时，选择基于铅当量大于0.5的历史数据训练的铅当量计算模型作为当前计算模型，来计算待测样品的铅当量；
20、当待测样品的辐射透过率大于等于0.0375且小于1时，选择基于铅当量小于或等于0.5的历史数据训练的铅当量计算模型作为当前计算模型，来计算待测样品的铅当量。
21、一种放射防护器材的铅当量计算系统，包括：
22、历史数据获取模块，用于获取放射防护器材样品铅当量测量的历史数据；所述历史数据包括样品辐射透过率及对应的铅当量；
23、深度学习模型构建模块，用于基于lstm神经网络构建深度学习模型；
24、模型训练模块，用于基于铅当量大于0.5的历史数据和铅当量小于或等于0.5的历史数据分别训练深度学习模型，得到两个铅当量计算模型；所述铅当量计算模型的输入为样品辐射透过率，输出为铅当量；
25、辐射透过率获取模块，用于采用标准辐射场和监测设备测量待测样品的辐射透过率；
26、铅当量计算模块，用于根据待测样品的辐射透过率选择两个铅当量计算模型之一作为当前计算模型，来计算待测样品的铅当量。
27、一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的放射防护器材的铅当量计算方法。
28、可选地，所述存储器为非暂态计算机可读存储介质。
29、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
30、本专利技术提供了一种放射防护器材的铅当量计算方法、系统及设备，通过构建和利用深度学习模型，采用以往相对准确的历史数据对深度学习模型进行训练，并对训练结果进行优化校正，直至深度学习模型稳定，从而得到铅当量计算模型。铅当量计算模型相较于传统的人工读取模拟曲线的方法，在计算效率、精度以及批量数据的正确率、稳定性上均有显著提升，有效节约了人力成本和时间成本，实现了快速、准确的放射防护器材的铅当量的自动化、智能化计算功能。本专利技术能够显著提高放射防护器材铅当量的计算效率，同时提升批量样品铅当量结果计算的精度和稳定性。
本文档来自技高网...【技术保护点】
1.一种放射防护器材的铅当量计算方法，其特征在于，包括：
2.根据权利要求1所述的放射防护器材的铅当量计算方法，其特征在于，所述基于LSTM神经网络构建深度学习模型，具体包括：
3.根据权利要求2所述的放射防护器材的铅当量计算方法，其特征在于，所述LSTM层包括多个LSTM单元；所述LSTM单元包括遗忘门、输入门和输出门。
4.根据权利要求2所述的放射防护器材的铅当量计算方法，其特征在于，所述基于铅当量大于0.5的历史数据和铅当量小于或等于0.5的历史数据分别训练深度学习模型，得到两个铅当量计算模型，具体包括：
5.根据权利要求1所述的放射防护器材的铅当量计算方法，其特征在于，所述采用标准辐射场和监测设备测量待测样品的辐射透过率，具体包括：
6.根据权利要求1所述的放射防护器材的铅当量计算方法，其特征在于，所述根据待测样品的辐射透过率选择两个铅当量计算模型之一作为当前计算模型，来计算待测样品的铅当量，具体包括：
7.一种放射防护器材的铅当量计算系统，其特征在于，包括：
8.一种电子设备，包括存储器
9.根据权利要求8所述的电子设备，其特征在于，所述存储器为非暂态计算机可读存储介质。
...【技术特征摘要】
1.一种放射防护器材的铅当量计算方法，其特征在于，包括：
2.根据权利要求1所述的放射防护器材的铅当量计算方法，其特征在于，所述基于lstm神经网络构建深度学习模型，具体包括：
3.根据权利要求2所述的放射防护器材的铅当量计算方法，其特征在于，所述lstm层包括多个lstm单元；所述lstm单元包括遗忘门、输入门和输出门。
4.根据权利要求2所述的放射防护器材的铅当量计算方法，其特征在于，所述基于铅当量大于0.5的历史数据和铅当量小于或等于0.5的历史数据分别训练深度学习模型，得到两个铅当量计算模型，具体包括：
5.根据权利要求1所述的放射防护器材的铅当量计算方法，其特征在于，...
【专利技术属性】
技术研发人员：黄卓，欧向明，
申请(专利权)人：中国疾病预防控制中心辐射防护与核安全医学所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。