专利名称：伽马能谱核素识别方法
技术领域：
本发明涉及一种放射性物质的识别方法，尤其是涉及一种通过伽马能谱来识别被 检物质中所含放射性元素的识别方法。
背景技术：
放射性物质(也称为核素)都具有自己特有的本征能谱，即每种核素所释放的伽 马射线有几种能量，并且各种能量的伽马射线的强度比例是一定的。根据放射性物质的这 一属性，便可以通过分析被检物质的伽马能谱来识别其中所包含的核素。伽马光子入射到探测器内的晶体上使晶体发光，晶体所产生的光信号被光电倍增 管转化为脉冲信号，而该脉冲的强度正比于入射光子的能量。在一段时间内所有进入探测 器的伽马光子形成的脉冲经过一系列的处理并被离散化后以直方图的形式记录下来，这便 是伽马能谱。伽马能谱的横坐标称为道数，其值和入射光子的能量相关，可以通过“能量刻 度”对道数和能量之间的关系进行标定；伽马能谱的纵坐标是对应能量光子的计数。当核 素发出某种能量的伽马射线时，就会在能谱上有一个峰与之对应，峰的中心道数所对应的 能量就是伽马射线的能量，而峰的面积和伽马射线的强度相关，不同能量下的峰面积和伽 马射线强度的关系可以用“效率刻度”来标定。峰的形状和探测器的类型有关，不同能量下 的峰的形状由“峰形刻度”来标定。能量刻度和峰形刻度只和探测器相关，而效率刻度不仅 和探测器相关，还和被检物质的形状、包装以及被检物质和探测器之间的位置关系都相关。 在实验室条件下这些因素可以人为的控制，从而可以达到较为精确的测量效果，然而在现 场环境下，许多因素不可控，这就使得同一种放射性物质的能谱在不同的情况下有很大的 变化，这样就会增加核素识别的难度。此外，能谱中有本底、逃逸峰、康普顿平台、其他射线 等多种成分。在有遮挡的情况下，有些低能区的峰会被屏蔽。另外，探测器本身具有误差和 有限的分辨率，当放射源中含有多种放射性物质时，在识别过程中还要克服多种物质之间 的相互干扰，这些都增加了能谱识别的难度。目前较为常见的核素识别方法分为两类，一类是峰相关的方法，一类是模板匹配 的方法。峰相关的方法的思路是这样的，首先通过寻峰找到能谱中的峰的位置并估计出峰 的面积，然后在编辑好的核素库中寻找和这些峰位能量匹配的核素，通过建立线性方差组 或采用其他方法来估计每种核素对各个峰面积的贡献，从而判断是否含有某种核素。这种 方法的缺点在于寻峰的结果受多种因素的影响，并且还有一些峰，如康普顿边缘、反散射 峰、逃逸峰等，并不对应核素的特征谱线。另外，核素库中谱线的强度只是在理想状态下的 谱线强度，而在实际情况下能谱中这些谱线对应的峰面积的比会有所改变。模板匹配的方法是用整个能谱与核素的模板进行匹配，然而由于每种核素在不同 的条件下测得的能谱并不相同，所以就要求每种核素要有在不同条件下的能谱模板。这时 虽然可以用模拟的方法模拟各种条件下的能谱，但超大的计算量也是无法承受的。
发明内容
为了克服上述现有技术中所存在的不足，本发明提出了一种新的伽马能谱的核素 识别方法。该伽马能谱核素识别方法的步骤包括a)用伽马探测器获取被检测物质的伽马 能谱；b)寻找所述伽马能谱中的峰，并计算峰的面积；C)将步骤b)中寻找到的峰与核素库 中核素的谱线进行匹配，找到有谱线与所述峰的峰位相对应的核素作为备选核素；d)计算 每个所述备选核素在所述被检测物质中出现的概率；e)去除所述备选核素之间由于匹配 到相同的峰而产生的相互干扰，更新各个备选核素的出现概率，将所述出现概率大于第一 预定阈值的核素识别为被检测物质中包含的核素，将所述出现概率作为置信系数。优选的，所述伽马探测器是碘化钠探测器。优选的，所述步骤b)中包括如下子步骤将获取的所述伽马能谱减去本底并对其 进行光滑处理。优选的，所述步骤b)中进一步包括分离基底子步骤把所述伽马能谱分为纯峰信 号和基底信号，所述基底信号表示除去所述峰以外的其他所有计数。优选的，所述步骤b)中进一步包括二次差分寻峰子步骤用二次差分的方法来寻 找经过所述光滑处理的伽马能谱中的高斯峰。优选的，用高斯函数的二阶导数作为所述二次差分的差分滤波器，用所述差分滤 波器对所述伽马能谱数据进行滤波。优选的，所述步骤b)中进一步包括峰区分割子步骤，在该子步骤中，将所述二次 差分寻峰子步骤中寻找到的峰的峰区进行分割，并确定初始峰位。优选的，在所述峰区分割子步骤之后，所述步骤b)中进一步包括高斯混合模型估 计子步骤，在该子步骤中，对高斯混合模型的参数进行估计，以确定峰位。优选的，所述步骤b)中进一步包括基底类型判断子步骤，在该子步骤中，根据所 述分离基底子步骤所分离出来的基底的走势来判断所述基底的类型。优选的，所述步骤b)中进一步包括最小二乘拟合子步骤，在该子步骤中，根据所 述基底的类型来选择拟合函数对以各个所述初始峰位为中心的区间进行最小二乘拟合。优选的，其特征在于，所述步骤d)采用贝叶斯网络模型来计算每个所述备选核素 在所述被检测物质中的出现概率。优选的，所述步骤e)进一步包括如下子步骤将所述出现概率值大于第二预定阈 值的核素和对应的匹配峰分组，使得每组峰中的每个峰能被匹配的核素在其他组中没有匹 配的峰，并且每组峰中任意两个峰都有一个核素同时有谱线和这两个峰匹配。优选的，所述步骤e)还包括如下子步骤对于每个所述组，将组内峰的面积逐次 划归到最有可能和匹配最好的核素。优选的，其特征在于，所述步骤e)还包括如下子步骤对所述组内的核素两两之 间进行对比，以找到出现概率和峰面积匹配综合结果最好的一个核素，按照核素库中谱线 的强度比以及伽马探测器的效率标定估计该匹配综合结果最好的核素对峰面积的贡献，然 后从对应的峰中扣除相应的面积，之后用被划归到该匹配综合结果最好的核素的峰的面积 计算峰的显著度，并代入贝叶斯网络重新计算该匹配综合结果最好的核素出现的概率。优选的，所述步骤e)还包括如下子步骤在处理完所述匹配综合结果最好的核素 之后，在剩余的峰面积和剩余的核素中继续找下一个匹配综合结果最好的核素，如此循环，直到所有的峰面积都被扣除或达到预定循环次数为止；在循环结束之后，仍没有被处理的 核素的概率被置为零；最后识别出的核素是出现概率大于所述第一预定阈值的核素。优选的，所述第一预定阈值大于所述第二预定阈值。优选的，所述第一预定阈值为50%以上。优选的，所述第二预定阈值为10%。本发明通过采用基底分离算法、二次差分寻峰法、混合高斯模型、最小二乘曲线拟 合等方法，保证了峰位和峰面积的准确性；通过分析寻峰的结果，估计了每个峰是康普顿边 缘、反散射峰、逃逸峰的可能性。本发明由于只采用备选核素参与后续的贝叶斯网络建模等 运算，从而使得大大减少了计算量。另外，由于本发明中所采用的贝叶斯网络模型中综合考 虑了屏蔽、本底噪声、康普顿平台、反散射峰、逃逸峰以及其他核素的干扰等因素，所以会使 得识别结果更有意义。除此之外，本发明还通过对相互干扰的核素进行分组，在每组内估计 各个相互干扰的核素对峰面积的贡献并从峰面积中扣除相应的部分，以减少核素间的相互 干扰，从而提升了被隐藏核素的置信系数的准确度。当采用本发明所述的伽马能谱核素识 别方法在机场、码头、工厂等非实验室条件的环境下对放射性物质进行监测时既可以保证 较高的检测速度和灵敏度，也能降低因误报警而带来的损失。
图1是本发明的伽马能谱核素识别方法的流程图。图2是用碘化钠(NaI)探测器获取的核素Csl37的伽马能谱。图3是本发明的寻峰算法的流程图。图4是描述核素发出射线被探测器吸收，在能谱中寻到对应的峰的贝叶斯网络模型。
具体实施例方式下面将结合附图来详细描述本发明的伽马能谱核素识别方法。图1示出了本发明的伽马能谱核素识别方法的流程图。如图1所示，在步骤SOl 中，通过伽马射线探测装置来获取被检测物质的伽马能谱，并将其输入到伽马能谱处理模 块进行寻峰和核素识别。此处所述的伽马射线探测装置可以采用现有的各种类型的伽马射 线探测装置(例如碘化钠探测器)，因而本文将不再赘述伽马射线探测装置的具体结构。图 2示出了用碘化钠探测器获取的核素Csl37的伽马能谱(其中横坐标是道数，纵坐标是计 数)。在接下来的步骤S02中，将进行寻峰(即寻找伽马能谱中的峰)，求出峰的道数、 能量、面积及显著度，该步骤的具体流程将在后文中结合图3进行详细说明。在该步骤S02 中，通过采用基底分离算法、二次差分寻峰法、高斯混合模型、最小二乘曲线拟合等方法，保 证了峰位和峰面积的准确性。本发明的伽马能谱核素识别方法的第三步是步骤S03，其通过将步骤S02中所寻 找到的伽马能谱中的峰与事先存储的核素库中核素的谱线进行匹配，以寻找有谱线与所述 峰的峰位对应的核素作为识别的备选核素。只有当核素库中某核素的谱线中有一条与之前 步骤中所寻找到的某个峰匹配时，该核素才有出现可能(即在被检测物质中可能会包含该核素)，所以先对核素库中的每个核素进行一次筛选，把有谱线和之前所寻找到的能谱中的 峰位匹配的核素留下来作为备选核素，其他的核素则认为不可能出现在被检测物质中。在之后的步骤S04中，对S03中筛选得到的备选核素用如图4所示的贝叶斯网络 模型进行建模，并推断出该备选核素在被检测物质中出现的概率。接下来的步骤S05将相互干扰的核素及其对应的峰进行分组，在每组内进行迭 代，每次迭代选出最有可能的一个核素，估计其对峰面积的贡献并从峰面积中扣除相应的 部分，以去除备选核素之间由于匹配到相同的峰而造成的相互干扰，更新各个备选核素出 现的概率，得到最终的置信系数。在后文中将结合图4来具体说明上述步骤S04和S05。下面将结合图3来说明上述步骤S02的具体处理过程。如图3所示，步骤S02包括如下子步骤减去本底并光滑S020、分离基底S021、二 次差分寻峰S022、峰区分割S0M、高斯混合模型估计S025、最小二乘拟合以及基底类 型判断S027。在子步骤S020中，对输入的伽马能谱进行光滑处理。首先用中值滤波去除输入数 据中的奇异点，然后进行高斯滤波。根据输入的伽马能谱数据的峰形和噪声随能量的变化， 对滤波器的长度和平滑程度作相应的调整。在低能区峰宽较小，峰比较密集，所以应当采用 平滑程度较低的滤波器，对高斯滤波器而言就是要采用方差较小的高斯函数。而当能量较 大时，峰的宽度也相应的变大，此时峰的个数一般而言也比较少，但是由于计数率低，数据 显得很不光滑，所以在这种情况下应当采用平滑程度较高的滤波器，对高斯滤波器而言就 是要采用方差较大的高斯函数。子步骤S021中所述的分离基底是指把伽马能谱分为纯峰信号和基底信号两部 分。其中“基底”表示除去峰以外其他的所有计数，其既包括本底，也包括高能峰的康普顿 平台等。分离基底的基本方法是用伽马能谱各道的值和以各道为中心的窗口两侧的平均值 作对比，选较小的一个作为新的值，如此迭代数次便得到基底。在子步骤S022中，用二次差分的方法来寻找伽马能谱中的高斯峰。此时选用高斯 函数的二阶导数作为差分滤波器，用该差分滤波器对伽马能谱数据进行滤波，这相当于将 伽马能谱数据先与高斯函数作卷积，然后再求二阶导数。由于高斯函数与高斯函数的卷积 仍是高斯函数，而高斯函数的二阶导数在均值附近的一个区域是小于零的，所以可以利用 这一特征，来从滤波结果中检测出连续为负的区域作为疑似峰区，而初始峰位可以选择峰 区的中心、峰区中二阶差分的最小值点，或者整个峰区以二阶差分的绝对值为权重的加权 平均。疑似峰区要通过峰形验证，也就是说疑似峰区的峰宽要与该能量处峰宽刻度的值相 一致，如果疑似峰区的峰宽相对于该能量处峰宽刻度的值而言太小的话，则认为是噪声，如 果太大则有可能是重峰。经过上述各子步骤的光滑和寻峰，可以找到伽马能谱中的一些峰位。为了能继续 使用高斯混合模型进行更精确的峰位估计，找出二次差分法漏检的峰位、分开重峰，则需要 在子步骤SOM中将子步骤S022的二次差分寻峰所得到的峰的峰区进行分割，例如如果所 寻找到的几个峰离得比较近就将这几个峰放在一个区内，如果离得比较远就将其分在不同 的区内，此外还确定初始峰位。在接下来的子步骤S025中采用EM迭代算法来估计高斯混 合模型的参数，该参数即为伽马能谱的峰位和面积，通过使用高斯混合模型可以进行更精 确的峰位估计，同时也可以更准确地计算峰的面积。
前面寻峰的方法都是在分离基底后剩下的峰信号上进行的，由于基底的估计本身 存在误差，所以这就增加了结果的误差。为了能更准确地对原始伽马能谱数据进行拟合，在 对各个初始峰位为中心的小段进行拟合时，可以把峰函数和本底函数一起拟合，其采用的 方法是最小二乘法(如子步骤所示)。拟合函数是多项式本底和高斯峰的和，可以有 多个高斯峰。因为本底比较复杂，当拟合区间较大时用一个多项式拟合会导致误差很大，从 而影响到峰位和峰面积的估计，所以拟合的区间不宜太宽，这样做的另外一个好处是区间 中不需要太多的高斯峰。在进行子步骤所述的最小二乘拟合前可以根据子步骤S021 所分离出来的基底的走势来选择基底的类型(如子步骤S027所示)，例如当上述分离出 来的基底的走势接近于直线状，则选择使用线性函数来进行后续的最小二乘拟合，而当上 述分离出来的基底的走势接近于抛物线状，则选择使用二次函数来进行后续的最小二乘拟 合，总之，可以根据分离出来的基底的走势来选择适合的函数来进行后续的最小二乘拟合。如图3所示，在子步骤S022所述的二次差分寻峰、子步骤S025所述的高斯混合模 型估计、以及子步骤所述的最小二乘拟合之后都可以输出寻找到的峰位及峰的其他 信息(例如峰的面积、峰的能量或峰的显著度)，只是准确程度不同而已，其中子步骤S025 所述的高斯混合模型估计所得到的峰位及峰的上述其他信息要比子步骤S022所述的二次 差分寻峰所得到的相应信息精确，而子步骤所述的最小二乘拟合所得到的峰位及峰 的上述其他信息又比子步骤S025所述的高斯混合模型估计所得到的相应信息精确。因此， 技术人员可以根据伽马射线探测器的精确程度和识别需求来选择在哪一步输出结果。对得 到的峰位，求得对应的峰面积、本底面积、显著程度后输出到步骤S03中，以进行备选核素 的识别。下面将结合图4来描述步骤S04和S05的具体处理过程。图4示出了用于描述核 素发出伽马射线被探测器吸收、在能谱中寻到对应的峰的过程的贝叶斯网络模型。在该模 型中已经考虑了下述各种情形伽马射线是否被屏蔽、在能谱中能否形成明显的峰、能谱中 寻到的峰是否是其他因素(如本底噪声，其他峰的康普顿边缘，反散射峰，逃逸峰等)造成 的、峰位与射线能量的匹配程度等。通过该模型可以推断出被检物质中含有特定核素的概 率。在图4中，Ne {0，1}，其表示被测物质中是否有此核素，其中1表示被测物质中有 此核素，0表示无此核素。L= (Li, i = 1, -Kj5Li e {0，1}，该Li表示核素在核素库中的 谱线是否被屏蔽，其中1表示核素在核素库中的谱线被屏蔽，0表示未被屏蔽。能量较高的 伽马射线是否被屏蔽和能量较低的伽马射线是否被屏蔽是相关的，当低能伽马射线未被屏 蔽时，高能伽马射线肯定不会被屏蔽。D= (Di, i = 1，-KjjDi e {0，1}，该01表示在相应 的谱线位置是否检测到峰，其中1表示在相应的谱线位置检测到了峰，0表示在相应的谱线 位置未检测到峰。检测到峰的原因有两类，一类是由该核素在相应能量位置的伽马射线引 起的，另一类是其他因素(例如是误差等)引起的。如果核素所发出的伽马射线的强度不 够，或本底计数较高时，即使该伽马射线未被屏蔽，也不一定能在能谱中形成显著的峰。P = {Pi，i = 1，…K}是在谱线对应的区间内检测出的峰位及峰的其他信息，包括峰的面积，显 著度等。统计推断被检物质中含有特定核素的概率的过程是指已知节点P = {P”i = Ir·· K}的观测，求N的条件概率分布，如下式所示
权利要求
1.一种伽马能谱核素识别方法，其中包括步骤a)用伽马探测器获取被检测物质的伽马能谱；b)寻找所述伽马能谱中的峰，并计算所述峰的面积；c)将步骤b)中寻找到的峰与核素库中核素的谱线进行匹配，找到有谱线与所述峰的 峰位相对应的核素作为备选核素；d)计算每个所述备选核素在所述被检测物质中的出现概率；e)去除所述备选核素之间由于匹配到相同的峰而产生的相互干扰，更新各个备选核素 的出现概率，将所述出现概率大于第一预定阈值的核素识别为被检测物质中包含的核素， 将所述出现概率作为置信系数。
2.如权利要求1所述的伽马能谱核素识别方法，其特征在于，所述伽马探测器是碘化 钠探测器。
3.如权利要求1或2所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中包括 如下子步骤将获取的所述伽马能谱减去本底并对其进行光滑处理。
4.如权利要求3所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中进一步包 括分离基底子步骤把所述光滑处理后的伽马能谱分为纯峰信号和基底信号，所述基底信 号表示除去所述峰以外的其他所有计数。
5.如权利要求3或4所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中进一 步包括二次差分寻峰子步骤，在该子步骤中，用二次差分的方法来寻找经过所述光滑处理 的伽马能谱中的高斯峰。
6.如权利要求5所述的伽马能谱核素识别方法，其特征在于，用高斯函数的二阶导数 作为所述二次差分的差分滤波器，用所述差分滤波器对所述伽马能谱数据进行滤波。
7.如权利要求5或6所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中进一 步包括峰区分割子步骤，在该子步骤中，将所述二次差分寻峰子步骤中寻找到的峰的峰区 进行分割，并确定初始峰位。
8.如权利要求7所述的伽马能谱核素识别方法，其特征在于，在所述峰区分割子步骤 之后，所述步骤b)进一步包括高斯混合模型估计子步骤，在该子步骤中，对高斯混合模型 的参数进行估计，以确定峰位。
9.如权利要求8所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中进一步包 括基底类型判断子步骤，在该子步骤中，根据所述分离基底子步骤所分离出来的基底的形 状走势来判断所述基底的类型。
10.如权利要求9所述的伽马能谱核素识别方法，其特征在于，所述步骤b)中进一步包 括最小二乘拟合子步骤，在该子步骤中，根据所述基底的类型来选择拟合函数对以各个所 述初始 峰位为中心的区间进行最小二乘拟合。
11.如权利要求1、2、4、6、8-10之一所述的伽马能谱核素识别方法，其特征在于，所述 步骤d)采用贝叶斯网络模型来计算每个所述备选核素在所述被检测物质中的出现概率。
12.如权利要求11所述的伽马能谱核素识别方法，其特征在于，所述步骤e)进一步包 括如下子步骤将所述出现概率值大于第二预定阈值的核素和对应的匹配峰分组，使得每 组峰中的每个峰能被匹配的核素在其他组中没有匹配的峰，并且每组峰中任意两个峰都有 一个核素同时有谱线和这两个峰匹配。
13.如权利要求12所述的伽马能谱核素识别方法，其特征在于，所述步骤e)还包括如 下子步骤对于每个所述组，将组内峰的面积逐次划归到最有可能和匹配最好的核素。
14.如权利要求13所述的伽马能谱核素识别方法，其特征在于，所述步骤e)还包括如 下子步骤对所述组内的核素两两之间进行对比，以找到出现概率和峰面积匹配综合结果 最好的一个核素，按照核素库中谱线的强度比以及伽马探测器的效率标定估计该匹配综合 结果最好的核素对峰面积的贡献，然后从对应的峰中扣除相应的面积，之后用被划归到该 匹配综合结果最好的核素的峰的面积计算峰的显著度，并代入贝叶斯网络重新计算该匹配 综合结果最好的核素出现的概率。
15.如权利要求14所述的伽马能谱核素识别方法，其特征在于，所述步骤e)还包括如 下子步骤在处理完所述匹配综合结果最好的核素之后，在剩余的峰面积和剩余的核素中 继续找下一个匹配综合结果最好的核素，如此循环，直到所有的峰面积都被扣除或达到预 定循环次数为止；在循环结束之后，仍没有被处理的核素的概率被置为零；最后识别出的 核素是出现概率大于所述第一预定阈值的核素。
16.如权利要求12或15所述的伽马能谱核素识别方法，其特征在于，所述第一预定阈 值大于所述第二预定阈值。
全文摘要
本发明提供了一种伽马能谱核素识别方法，其包括如下步骤a)获取伽马能谱；b)寻找能谱中的峰，并计算峰的面积；c)通过匹配寻找到的峰与核素库中核素的谱线得到可能存在的备选核素；d)用贝叶斯网络模型计算每个备选核素出现概率；e)去除备选核素之间由于匹配到相同的峰而相互干扰的情况，更新各个备选核素的出现概率，得到最终的置信系数。
文档编号G01T1/16GK102081165SQ200910238698
公开日2011年6月1日 申请日期2009年12月1日 优先权日2009年12月1日
发明者彭华, 王强, 赵崑, 阮明 申请人:同方威视技术股份有限公司