[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

说明书

本发明提供了一种基于深度学习的放射性废物桶密度重建方法及系统，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：对上一步骤中的废物桶透射测量后，得到衰减程度信息，再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：重复上述步骤，获得训练集和测试集数据；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，根据传统的TGS密度重建方法获得模糊的密度图像，将模糊密度图像放入已经训练好的神经网络中，获得清晰的密度图像。

技术领域

本发明涉及放射性废物桶密度重建方法及系统，具体地，涉及一种基于深度学习的放射性废物桶密度重建方法及系统。

背景技术

随着核动力及核技术的发展，产生了大量低中水平的放射性废物，并被处理成固体桶装废物进行处置。根据我国相关法律和标准，这些废物在最终处置前，需要对废物桶的表面剂量、桶内的放射性核素及其活度进行测量，以满足安全操作和分类处置的要求。目前,常规的检测方法都不能满足核安全的要求,而较为理想的测量技术是无损检测技术，其中层析γ扫描(Tomography Gamma Scanning,TGS)技术最为先进。TGS通过透射测量得到样品的密度或者线衰减系数分布情况,再根据重建的密度基础上，通过发射测量得到样品中核素的放射性活度的分布情况。如果TGS 的密度测量没有得到准确结果，那么在其活度测量的过程中，无论如何都无法得到精确的结果。

传统的TGS透射测量重建算法是基于代数重建或者统计迭代重建。由于测量时间随着废物桶网格数量的增加而增加，因此废物桶的网格最多只划分一百甚至更少，每个网格内是假设密度均匀分布的，因此这种方法无法重建出废物桶的真实密度分布情况。同时由于受到迭代算法本身的限制，重建出的密度图像存在极为严重的伪影，这极大的影响废物桶的密度重建。

由此可见，有必要提出一种新的废物桶密度重建算法，希望其具有精度高，有效消除伪影，且测量时间没有增加甚至更少的方法，以满足国家对废物桶的测量要求。

公开号为CN110361770A的专利文献“扇形阵列探测器层析γ扫描核废物桶检测装置及检测方法”，公开了一种能够提高层析γ扫描检测速度和精度，减少工作量的基于扇形阵列闪烁体探测器的桶装核废物层析γ扫描检测装置及检测方法，但该发明同样没有解决严重伪影的问题，同样存在上述缺陷。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的放射性废物桶密度重建方法及系统。

根据本发明的一个方面，提供一种基于深度学习的放射性废物桶密度重建方法，包括如下步骤：

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：对形状不同、密度不同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。

优选地，所述模糊密度图像获取步骤包括：