[发明专利]基于深度学习的放射性废物桶密度重建方法及系统

权利要求书

1.一种基于深度学习的放射性废物桶密度重建方法，其特征在于，包括：

原始密度图像获取步骤：随机选取填充了不同形状、不同密度介质的废物桶，获得废物桶原始密度图像；

模糊密度图像获取步骤：对填充了不同形状、不同密度介质的废物桶进行透射测量，得到衰减程度信息，根据衰减程度信息基于迭代算法重建出废物桶模糊密度图像；

训练集和测试集数据获取步骤：多次重复所述原始密度图像获取步骤和模糊密度图像获取步骤，获得训练集数据和测试集数据；

CNN网络搭建步骤：搭建CNN网络结构；

CNN网络训练和测试步骤：使用训练集和测试集中的数据对CNN网络进行训练和测试；

清晰密度图像获取步骤：测量待测废物桶的射线衰减数据，根据迭代算法重建出废物桶模糊密度图像，将模糊密度图像放入训练好的神经网络中，获得清晰的密度图像。

2.根据权利要求1所述的基于深度学习的放射性废物桶密度重建方法，其特征在于，所述模糊密度图像获取步骤包括：

密度测量子步骤：将废物桶垂直方向上分为若干断层，再将每层又划分为若干体素；探测器和透射源分别置于废物桶的两边，且探测器和探测器的准直器与透射源准直器在一条轴线上；探测器分别在未放置废物桶和放置废物桶的情况下测量数据，获得不同角度经过桶内射线的衰减程度信息；

重建废物桶模糊密度图像子步骤：利用迭代算法，包括MLEM、ART和ART改进算法，得到各能量下桶内介质的衰减系数，再利用衰减系数与密度的对应关系进一步获得介质的密度，通过以上迭代算法获得废物桶的密度分布图像。

3.根据权利要求2所述的基于深度学习的放射性废物桶密度重建方法，其特征在于，所述训练集和测试集数据获取步骤中，多次重复所述原始密度图像获取步骤和模糊密度图像获取步骤，生成多组废物桶原始密度图像和对应的模糊密度图像数据，以废物桶原始密度图像和对应的模糊密度图像为一组，把所述多组废物桶原始密度图像和对应的模糊密度图像划分为训练集数据和测试集数据。

4.根据权利要求3所述的基于深度学习的放射性废物桶密度重建方法，其特征在于，所述CNN网络搭建步骤包括：设定CNN网络输入参数、设定输出尺寸参数、设定卷积层数参数、设定网络通道数参数、设定卷积核尺寸参数、设定学习率参数、设定激活函数参数、设定优化函数参数和设定EPOCHS参数。

5.根据权利要求4所述的基于深度学习的放射性废物桶密度重建方法，其特征在于，所述CNN网络训练和测试步骤包括：

CNN网络训练子步骤：使用所述训练集中模糊密度图像作为CNN网络的输入，使用与所述模糊密度图像对应的同组的清晰密度图像作为CNN网络的输出，训练CNN网络；

CNN网络测试子步骤：使用所述测试集中模糊密度图像作为CNN网络的输入，使用与所述模糊密度图像对应的同组的清晰密度图像作为CNN网络的输出，测试训练好的CNN网络。

6.一种基于深度学习的放射性废物桶密度重建系统，其特征在于，包括：

原始密度图像获取模块：随机选取填充了不同形状、不同密度介质的废物桶，获得废物桶原始密度图像；

模糊密度图像获取模块：对填充了不同形状、不同密度介质的废物桶进行透射测量，得到衰减程度信息，根据衰减程度信息基于迭代算法重建出废物桶模糊密度图像；

训练集和测试集数据获取模块：多次重复所述原始密度图像获取模块和模糊密度图像获取模块，获得训练集数据和测试集数据；

CNN网络搭建模块：搭建CNN网络结构；

CNN网络训练和测试模块：使用训练集和测试集中的数据对CNN网络进行训练和测试；

清晰密度图像获取模块：测量待测废物桶的射线衰减数据，根据TGS密度迭代算法重建系统获得出废物桶模糊密度模糊的密度图像，将模糊的密度图像放入训练好的神经网络中，获得清晰的密度图像。