[發明專利]基于深度學習的放射性廢物桶密度重建方法及系統

在審

• 申請號: 202010953443.8
• 申請日: 2020-09-11
• 公開（公告）號: CN112132920A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 王德忠;顧衛國;楊檜;董冰;周文濤;張新煜;吳思遠
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N3/04;G06N3/08;G01N23/046
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

本發明提供了一種基于深度學習的放射性廢物桶密度重建方法及系統，包括：原始密度圖像獲取步驟：隨機選取填充了不同形狀、不同密度介質的廢物桶，獲得廢物桶原始密度圖像；模糊密度圖像獲取步驟：對上一步驟中的廢物桶透射測量后，得到衰減程度信息，再基于迭代算法重建出廢物桶模糊密度圖像；訓練集和測試集數據獲取步驟：重復上述步驟，獲得訓練集和測試集數據；CNN網絡搭建步驟：搭建CNN網絡結構；CNN網絡訓練和測試步驟：使用訓練集和測試集中數據對CNN網絡進行訓練和測試；清晰密度圖像獲取步驟：測量待測廢物桶的射線衰減數據，根據傳統的TGS密度重建方法獲得模糊的密度圖像，將模糊密度圖像放入已經訓練好的神經網絡中，獲得清晰的密度圖像。

技術領域

本發明涉及放射性廢物桶密度重建方法及系統，具體地，涉及一種基于深度學習的放射性廢物桶密度重建方法及系統。

背景技術

隨著核動力及核技術的發展，產生了大量低中水平的放射性廢物，并被處理成固體桶裝廢物進行處置。根據我國相關法律和標準，這些廢物在最終處置前，需要對廢物桶的表面劑量、桶內的放射性核素及其活度進行測量，以滿足安全操作和分類處置的要求。目前,常規的檢測方法都不能滿足核安全的要求,而較為理想的測量技術是無損檢測技術，其中層析γ掃描(Tomography Gamma Scanning,TGS)技術最為先進。TGS通過透射測量得到樣品的密度或者線衰減系數分布情況,再根據重建的密度基礎上，通過發射測量得到樣品中核素的放射性活度的分布情況。如果TGS 的密度測量沒有得到準確結果，那么在其活度測量的過程中，無論如何都無法得到精確的結果。

傳統的TGS透射測量重建算法是基于代數重建或者統計迭代重建。由于測量時間隨著廢物桶網格數量的增加而增加，因此廢物桶的網格最多只劃分一百甚至更少，每個網格內是假設密度均勻分布的，因此這種方法無法重建出廢物桶的真實密度分布情況。同時由于受到迭代算法本身的限制，重建出的密度圖像存在極為嚴重的偽影，這極大的影響廢物桶的密度重建。

由此可見，有必要提出一種新的廢物桶密度重建算法，希望其具有精度高，有效消除偽影，且測量時間沒有增加甚至更少的方法，以滿足國家對廢物桶的測量要求。

公開號為CN110361770A的專利文獻“扇形陣列探測器層析γ掃描核廢物桶檢測裝置及檢測方法”，公開了一種能夠提高層析γ掃描檢測速度和精度，減少工作量的基于扇形陣列閃爍體探測器的桶裝核廢物層析γ掃描檢測裝置及檢測方法，但該發明同樣沒有解決嚴重偽影的問題，同樣存在上述缺陷。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種基于深度學習的放射性廢物桶密度重建方法及系統。

根據本發明的一個方面，提供一種基于深度學習的放射性廢物桶密度重建方法，包括如下步驟：

原始密度圖像獲取步驟：隨機選取填充了不同形狀、不同密度的廢物桶，獲得廢物桶原始密度圖像；

模糊密度圖像獲取步驟：對形狀不同、密度不同的廢物桶進行透射測量，得到衰減程度信息，根據衰減程度信息基于迭代算法重建出廢物桶模糊密度圖像；

訓練集和測試集數據獲取步驟：多次重復所述原始密度圖像獲取步驟和模糊密度圖像獲取步驟，獲得訓練集數據和測試集數據；

CNN網絡搭建步驟：搭建CNN網絡結構；

CNN網絡訓練和測試步驟：使用訓練集和測試集中的數據對CNN網絡進行訓練和測試；

清晰密度圖像獲取步驟：測量待測廢物桶的射線衰減數據，根據迭代算法重建出廢物桶模糊密度圖像，將模糊密度圖像放入訓練好的神經網絡中，獲得清晰的密度圖像。

優選地，所述模糊密度圖像獲取步驟包括：