使用卷积神经网络对城市环境中的同位素识别进行模拟训练集的验证
Luke Lee-Brewin1, Ryan Holden1, Caroline Shenton-Taylor1
1Physics, University of Surrey, Guildford, Surrey, United Kingdom.
PloS one
|June 9, 2025
概括
这项研究验证了一种用于生成模拟马光谱的新方法,这对于训练神经网络在实时同位素识别中对执法部门至关重要. 该方法在城市环境中成功识别了同位素,实现了高预测准确度.
科学领域:
- 核物理与仪器仪表技术
- 人工智能和机器学习
- 公共安全和安全.
背景情况:
- 在城市环境中实时同位素识别对于执法威胁评估至关重要.
- 在创建神经网络的代表性训练数据集方面存在挑战,这是由于城市条件的变化造成的.
- 现有的方法难以应对所遇到的广泛的同位素,活动和屏蔽.
研究的目的:
- 通过验证一种方法来生成没有放射性源的现实性马光谱数据集.
- 训练和测试一个卷积神经网络 (CNN) 用于同位素识别,使用模拟和现实世界的数据.
- 评估使用产生的光谱在不受控制的环境中准确检测同位素的可行性.
主要方法:
- 通过将模拟的同位素特征与来自SIGMA数据集的背景辐射相结合,生成合成马光谱.
- 利用k-means集群从SIGMA数据集中提取一个由12748个光谱组成的标记数据集.
- 在结合模拟和真实世界的光谱数据上训练了一个CNN分类器.
主要成果:
- CNN模型实现了高预测准确度,模拟数据的准确度最低,为96%,真实SIGMA数据集光谱为89.8%.
- 该方法成功地从SIGMA数据集中识别了现实世界的马光谱中的同位素.
- 验证证实了模拟数据生成技术的有效性.
结论:
- 产生玛光谱的验证方法对于训练同位素识别模型是有效的.
- 这种方法有助于开发强大的AI工具,以实时检测城市环境中的威胁.
- 未来的工作可以扩展同位素库和模型复杂性,用于增强安全应用.
