基于小波变换的辐射图像降噪研究

抑制噪声对于改善^60Co集装箱检测系统（TC－SCAN）图像质量有着十分重要的意义。本工作在分析辐射图像噪声特点的基础上,运用小波分析的方法,对扫描图像进行了降噪处理,既有效地去除了统计噪声,又较好地保持了图像的细节,取得了优于传统滤波方法的效果。     

基于剪切波变换的辐射图像泊松噪声降噪技术研究

为了降低由统计涨落引起的辐射图像噪声,提出了一种基于剪切波变换的降噪方法。该方法以低剂量射线或质量厚度大的物体的辐射图像为研究对象,对此类辐射图像进行了噪声分析,利用Anscombe变换将统计涨落引起的泊松噪声转换为高斯噪声,再运用剪切波分解、阈值去噪、剪切波重构和Anscombe逆变换得到降噪图像。结果表明,当剪切波分解层数为5,采用改进阈值函数及极小极大原理阈值时可达到最优降噪效果,该方法能较好地去除辐射图像中的泊松噪声并保留边缘、细节信息,在视觉和量化指标上均优于传统降噪方法。     

基于深度学习的辐射图像超分辨率重建方法

安全检查系统中,数字化X射线摄影技术获得的辐射图像空间分辨率较低,影响图像的视觉效果。为了对单幅低分辨率辐射图像的空间分辨率进行提升,提出一种基于深度学习的超分辨率重建方法。该方法利用引入残差网络结构的卷积神经网络模型,对训练集中的辐射图像样本进行了训练,拟合出低分辨率图像和高分辨率图像的映射关系。实验结果表明,与传统的超分辨率重建方法相比,本方法在量化指标和视觉效果上均有较大的改善,且具备较快的处理速度。研究结果表明,深度学习方法在辐射图像处理中有较大的潜力。     

卷积神经网络核素识别算法研究

为了解决传统方法对于NaI(Tl)探测器生成能谱的分析结果准确率不高的问题,将卷积神经网络(Convolutional Neural Network,CNN)引入核素识别中。从搭建网络模型入手,对数据进行训练和测试,并且通过四个指标评价模型性能。该方法操作简单易于实现,且简化网络模型后进行核素识别效果良好。实际仿真模拟结果表明,对不同情况下的点源核素和不同平滑程度的γ能谱都有良好的识别率。     

基于Windows的辐射成像图像系统

介绍了一种基于ＭＳ－ＷｉｎｄｏｗｓＮＴ的新型辐射成像图像采集、处理和分析系统。其ＭＳ－ＷｉｎｄｏｗｓＮＴ的实时硬件驱动、局域网的数据库管理、以及优秀的人机交互界面具有独特之处。该系统也为今后信息系统（ＭＩＳ）和图像存档和通讯系统（ＰＡＣＳ）的发展奠定了良好的基础。     

基于卷积神经网络的μ子散射成像材料识别方法研究

本文采用卷积神经网络的机器学习方法进行了μ子成像的材料识别,通过迭代训练数据获得最优模型并测试样品在不同测量时间下的识别准确度。在中国原子能科学研究院的μ子散射成像装置上开展了不同材料的测试实验,根据实验测量数据进行径迹重建并计算μ子的入射和散射角,构建基于卷积神经网络结构的材料识别模型进行特征提取,实现对材料的分类识别,并进一步引入残差和特征矩阵提高了材料的识别准确度。实验结果表明,对于10 cm×10 cm×10 cm的钨块,材料识别准确度在测量5 min时达到99.1%,在测量10 min时达到100.0%。这种基于卷积神经网络的方法为μ子散射成像材料识别提供了一种新途径。     

辐射成像系统图像灰度的自适应显示方法

辐射成像系统图像变换处理中,通常采用线性变换或对数变换等方法来获得较高的图像显示质量,但这些方法只突出图像的部分灰度段,不利于获得辐射图像的整体信息。本文改进了原有的线性变换方法,研究了在保持图像细节基本无损情况下,根据被检图像特点自适应确定变换参数进行数据变换的方法。实验表明,在保证图像质量同时,该方法能利用8位灰度最大程度地一次性显示16比特图像中整体信息,提高辐射检测速度。     

基于深度卷积神经网络的堆芯换料方案性能评价研究

为精确高效地评价堆芯换料方案的性能,本文基于深度卷积神经网络算法提出了一种换料方案--堆芯关键参数预测方法。该预测方法引入Inception-ResNet的卷积网络结构以提高网络深度和学习效率,通过学习基于换料经验生成的大量堆芯换料方案,拟合得到换料方案与堆芯关键参数之间的映射关系。针对某二代改进型机组的实验结果表明,该预测方法对测试集中堆芯换料方案的临界硼浓度的平均预测误差为0.86 ppm,功率峰因子与核焓升因子平均相对误差分别为0.54%与0.38%,平均每个换料方案关键参数预测用时0.000 5 s左右。上述结果表明本文提出的预测方法具有较好的泛化能力和较高的可靠性,为换料方案优化提供了一种快速评价的方法。     

基于卷积神经网络算法的X射线晶体衍射实验数据筛选

X射线串行晶体学作为一种解析蛋白质晶体结构的新方法,因为拥有室温采集、辐射损伤低、时间分辨等优势而得到迅速的发展。利用串行晶体学方法解析蛋白质结构需要在整合大量晶体衍射图的基础上筛选出有效的衍射数据,然而常规的数据筛选方法在处理衍射图时存在准确度不高且效率低的问题。基于卷积神经网络的数据筛选方法具有流程自动化的优势,并且已经被证明相对于传统的“找点法”具有更高的分类准确度。因此在比较5种不同卷积神经网络筛选晶体学衍射图的准确度和效率的基础上,选择并构建一个准确率高且运行速率快的卷积神经网络数据筛选工具,用于不同蛋白质晶体样品衍射图的筛选。结果显示：MobileNets不仅具有ResNet、GoogleNet-Inception等大型网络相似的准确度,而且运行速率更快,为串行晶体学实验提供了一个有效便捷的数据筛选工具。     

基于卷积神经网络的大尺寸气泡体积二维图像测定方法

由于表面张力与惯性力作用,静止流场内较大尺寸气泡[500<气泡雷诺数（Re）<2000]形成不规则几何形状,造成二维图形处理方法等效球体或椭球获取三维体积的方式误差较大。此外,由于不规则界面的散射和反射,引起二维图像处理中边界模糊,难以辨识。本文以高速摄像机获得的静止流场内大尺寸气泡二维灰度图像作为卷积神经网络（CNN）的输入,以图像内气泡二维投影面积及实验获得三维体积训练网络,并用训练好的网络预测气泡体积。实验采用小气泡叠加法获得真实气泡体积,与网络预测结果进行对比。结果表明,该方法与传统图像处理方法相比,不需要对气泡形状进行假设,提高了对大尺寸气泡的适用性。      

基于PCA和BM3D的噪声估计方法及其在中子图像去噪中的应用

针对中子图像的去噪问题,本文提出了一种弱化残差图像特征值的噪声估计方法。该方法将残差图像作为噪声图像,利用主成分分析（PCA）分析了残差图像特征值,估计了噪声强度。根据噪声强度,应用三维块匹配方法（BM3D）去除了噪声,逐步弱化残差图像特征值,得到了最终噪声估计值。实验结果表明,该方法能估计模拟噪声图像和实际含噪中子图像的高斯噪声,计算效率高,可实现较好的去噪复原效果。     

基于卷积神经网络模型的Gd2O3/6061Al中子屏蔽材料的力学性能预测

提出了一种卷积神经网络模型来预测Gd₂O₃/6061Al中子屏蔽材料的力学性能。以Gd₂O₃/6061Al中子屏蔽材料的EBSD微观形貌及其相应的拉伸性能作为数据集来训练及验证卷积神经网络模型。结果表明：使用多个显微图像,不需任何人工图像处理,卷积神经网络可得到良好的训练结果,其性能优于传统的测试方法;卷积神经网络捕捉到晶粒的存在和晶粒的一些统计信息;晶粒数目和晶粒大小之间具有很强的相关性。     

基于神经网络算法的组件截面表达方式研究

为通过事先算好的组件均匀化截面产生堆芯计算所需的随组件当地工况变化的截面,本文采用了神经网络算法对样本截面进行函数逼近。选取贝叶斯规则和提前终止相结合的方法对BP网络进行训练,利用两个算例对其进行检验。并通过与FITLINK计算结果的对比表明,基于神经网络算法的截面表达方式可行。     

基于BP神经网络的多GM计数器γ辐射定向测量算法研究

针对放射源搜寻作业的角度定向测量需求,设计了由4个GM计数器和十字铅屏蔽结构组成的γ辐射定向测量装置,屏蔽体厚1 cm、径向宽7 cm。利用GEANT4模拟计算了定向测量装置对0.058~3 MeV单能光子的角响应,将其作为训练样本建立了基于BP神经网络的角度反演方法。设计了神经网络训练样本的输入输出参数模型,并比较了3种算法模型的角度分辨精度,其中样本映射重组算法效果最好,角度反演精度为±1.5°;引入计数涨落时,该方法也能实现约±10°以内的角度偏差。利用¹³⁷Cs源进行实测,结果显示角度偏差在±6.25°范围内。     

基于神经网络的小波分析在两相流不稳定性中的应用

小波变换和分解具有良好的时频局部化特性,使得小波分析被广泛地应用于时频分析中。本文结合了神经网络良好的自学习和自适应能力,得到小波神经网络,通过计算机仿真实现了对两相流不稳定性的辨识。     

基于BP神经网络的反应堆功率预测

由于核动力装置经常会变负荷运行,为使功率与负荷匹配,需要知道反应堆功率的精确值以做出准确、及时的调整。但由于测量装置不确定性的存在,使得基于物理模型或实验模型的反应堆功率测量难以得到反应堆功率的精确值。通过建立BP神经网络模型以及用统计方法对网络输入数据的预处理,对几种情况下的反应堆功率进行预测。结果表明,该方法不仅克服了测量装置的不确定性的缺点,且在部分数据缺失的情况下也能做出较好的预测。     

基于人工神经网络的压水堆燃料破损状态监测

为提升对核反应堆燃料棒包壳破损的预测能力,建立两个串联的人工神经网络分别判断燃料棒包壳是否破损以及破损程度。通过改变沾污铀质量、增加数据扰动、改变运行功率和使用更少的特征核素进行训练,对用于判断是否破损的神经网络模型和判断破损等级的神经网络进行了性能测试和分析。在沾污铀质量小于0.5 g、数据扰动在30%以内、单棒功率在77 kW到120 kW之间的条件下,第1个人工神经网络能较好地判断出是否破损。第2个神经网络,对于考虑的5种破损程度,判断的精确性较高。与传统的碘同位素比值法相比,神经网络方法响应更快,精度更高。结果表明,人工神经网络可用于预测反应堆燃料包壳是否发生破损以及破损程度。