卷積神經(jīng)網(wǎng)絡(luò)在復(fù)雜核素識(shí)別中的應(yīng)用*

胡浩行, 張江梅,2, 王坤朋, 馮興華

(1.西南科技大學(xué) 信息工程學(xué)院,四川 綿陽 621010;2.西南科技大學(xué) 核廢物與環(huán)境安全國防重點(diǎn)學(xué)科實(shí)驗(yàn)室,四川 綿陽 621010)

0 引 言

基于伽馬能譜分析的核素識(shí)別方法已經(jīng)在科學(xué)研究、環(huán)境監(jiān)測、公共安全等諸多領(lǐng)域得到廣泛的應(yīng)用[1]。目前核素識(shí)別方法主要分為基于全能峰的分析方法[2]以及基于統(tǒng)計(jì)學(xué)理論的全譜分析方法[3]。前者全能峰位置、面積及半高寬等信息對能譜進(jìn)行特征提取，繼而在標(biāo)準(zhǔn)核素庫中依次檢索每個(gè)峰所匹配的所有可能核素從而確定核素種類；后者利用測量譜的每道數(shù)據(jù)結(jié)合特定核素庫完成解譜工作[3]。目前這兩類方法應(yīng)用比較多，主要有基于人工神經(jīng)網(wǎng)絡(luò)[4]、貝葉斯理論[5]，但研究人員難以準(zhǔn)確區(qū)分重疊峰及消除“假峰”的影響、特征選取依賴經(jīng)驗(yàn)知識(shí)，人工特征工程具有很大的盲目性和不確定性[3～5]。與依靠先驗(yàn)知識(shí)、人工構(gòu)造特征并提取的傳統(tǒng)模式分類方法不同，深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network，CNN)[6]能夠自適應(yīng)地、隱式提取針對原始數(shù)據(jù)深層次的特征描述，其獨(dú)有的局部感受野和權(quán)值共享機(jī)制能夠大大降低模型結(jié)構(gòu)的復(fù)雜，提取方式更加靈活，無需人工干涉[7]。

鑒于以上分析，提出一種基于CNN的核素識(shí)別方法。和傳統(tǒng)核素識(shí)別方法進(jìn)行對比識(shí)別實(shí)驗(yàn)，驗(yàn)證所提方法的可行性和有效性。

1 CNN模型描述

CNN在多層卷積神經(jīng)網(wǎng)絡(luò)中，卷積層和下采樣層交替組合成網(wǎng)絡(luò)的隱藏層。卷積層作為特征提取層，通過卷積運(yùn)算對原始信號(hào)進(jìn)行特征增強(qiáng)，在提取特征的同時(shí)由于卷積層的構(gòu)造原理降低了噪聲。卷積過程[8]可以表示為

(1)

下采樣層[6]利用局部相關(guān)性的原理對上層輸出進(jìn)行子抽樣操作，在減少數(shù)據(jù)維度的同時(shí)保留有用信息，并采用池化技術(shù)來保證特征的有效性[6]

(2)

樣本圖像經(jīng)過多層卷積和下采樣交替操作后得到數(shù)據(jù)特征，將這些特征通過全連接層作為分類器的輸入進(jìn)行分類識(shí)別。整個(gè)網(wǎng)絡(luò)的參數(shù)使用誤差反向傳播(back propagation，BP)算法[9]通過最小化分類誤差來優(yōu)化，前向傳播訓(xùn)練網(wǎng)絡(luò)，反向傳播修改網(wǎng)絡(luò)權(quán)值等參數(shù)。圖1所示為參數(shù)優(yōu)化示意。

圖1 參數(shù)優(yōu)化示意

2 基于CNN的核素識(shí)別算法

2.1 核素識(shí)別流程

基于CNN的核素識(shí)別方法步驟如下：1)對核素能譜數(shù)據(jù)進(jìn)行預(yù)處理，將一維能譜信號(hào)轉(zhuǎn)換為二維能譜矩陣，并劃分訓(xùn)練集和測試集；2)設(shè)計(jì)核素識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型，使用訓(xùn)練集對網(wǎng)絡(luò)進(jìn)行訓(xùn)練；3)使用測試集在訓(xùn)練好的核素識(shí)別分類系統(tǒng)上進(jìn)行分類測試，得出識(shí)別結(jié)果。

2.2 核素?cái)?shù)據(jù)預(yù)處理

針對傳統(tǒng)方法探索核素信號(hào)峰的特征信息未能涉及到整體能譜的空間信息，以及卷積神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)格式的需要，本文使用了一種數(shù)據(jù)轉(zhuǎn)換方式[3]，即將一維能譜信號(hào)轉(zhuǎn)換為二維能譜矩陣，轉(zhuǎn)換方法如圖2所示。圖2介紹了核素?cái)?shù)據(jù)轉(zhuǎn)換的具體實(shí)現(xiàn)過程，提供了探索核素信號(hào)二維空間特征的新途徑，無需任何預(yù)先設(shè)定的參數(shù)，可以極大地降低專家經(jīng)驗(yàn)的影響。

圖2 轉(zhuǎn)換方法

結(jié)合伽馬能譜的特點(diǎn)，將其變換為2維能譜灰度圖像。在所使用的核素?cái)?shù)據(jù)中，一維能譜信號(hào)是長度為4 096的向量，則轉(zhuǎn)換圖像的大小設(shè)置為64×64。圖3給出了部分核素的信號(hào)轉(zhuǎn)換結(jié)果，可看出不同核素圖像具有明顯的差異。

圖3 部分核素轉(zhuǎn)換結(jié)果

2.3 核素識(shí)別CNN框架搭建

傳統(tǒng)方法對一維能譜信號(hào)進(jìn)行特征提取，主要是特征峰的提取。而該方法在核素?cái)?shù)據(jù)預(yù)處理和LeNet—5[7]經(jīng)典網(wǎng)絡(luò)的基礎(chǔ)之上，利用CNN核素識(shí)別模型對能譜圖像直接進(jìn)行特征提取和分類識(shí)別。如圖4所示為基于卷積神經(jīng)網(wǎng)絡(luò)的核素識(shí)別總體架構(gòu)。

圖4 核素識(shí)別CNN結(jié)構(gòu)

如圖4所示，核素識(shí)別CNN模型的輸入大小為64×64的灰度圖，構(gòu)建了3個(gè)池化層和3個(gè)卷積層、2個(gè)全連接層以及最后的1個(gè)Softmax層。各層的具體參數(shù)如表1所示。

表1 模型各層參數(shù)

CNN的時(shí)間復(fù)雜度，即模型的運(yùn)算次數(shù)，決定了模型的訓(xùn)練和預(yù)測時(shí)間。卷積網(wǎng)絡(luò)層時(shí)間復(fù)雜度[10]一般形式為

(3)

式中n為網(wǎng)絡(luò)輸入n×n的矩陣邊長,l為當(dāng)前卷積層的序號(hào)，d為卷積網(wǎng)絡(luò)所具有的層數(shù),kl為第層的濾波器的個(gè)數(shù),kl-1也被稱為第l層的輸入通道的數(shù)量,m為每個(gè)卷積核輸出特征圖的邊長,s為每個(gè)卷積核的邊長。CNN整體的時(shí)間復(fù)雜度是所有卷積層的時(shí)間復(fù)雜度累加。由此得出，所提出的核素識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型的時(shí)間復(fù)雜度為O(n2)。

3 結(jié)果與分析

進(jìn)行了無噪聲情況下和含噪聲情況下仿真數(shù)據(jù)實(shí)驗(yàn)。使用由歐洲粒子物理研究所(CERN)針對高能物理實(shí)驗(yàn)開發(fā)的Geant 4蒙特卡羅模擬軟件包，按照核素產(chǎn)生各種γ射線的能量分支比生成了137Cs，60Co，152Eu三種放射源以及部分混合放射源樣本數(shù)據(jù)共6類，分別為152Eu，137Cs，60Co，60Co+137Cs，60Co +152Eu，137Cs+152Eu。

3.1 無噪聲仿真數(shù)據(jù)實(shí)驗(yàn)

實(shí)驗(yàn)過程中對各類放射源數(shù)據(jù)設(shè)置相同大小的格式，模擬無噪聲環(huán)境，仿真大量如表2所示的實(shí)驗(yàn)核素?cái)?shù)據(jù)并劃分訓(xùn)練集和測試集。使用所提方法對數(shù)據(jù)進(jìn)行預(yù)處理和核素識(shí)別，并與典型的核素能譜對稱零面積[2]尋峰方法γz和基于奇異值分解(SVD+SVM)[3]方法進(jìn)行比較。實(shí)驗(yàn)結(jié)果如下表2所示。

表2 無噪聲情況核素識(shí)別結(jié)果準(zhǔn)確率 %

表2結(jié)果表明基于CNN的識(shí)別方法具有良好的識(shí)別性能，能夠同時(shí)識(shí)別出多種單一及混合核素；當(dāng)識(shí)別模型被訓(xùn)練完成之后，測試時(shí)只需將待測樣本輸入到模型當(dāng)中即能得出判定結(jié)果，相比較傳統(tǒng)方法仍需對待測樣本進(jìn)行手工提取特征、分類器識(shí)別的過程，其識(shí)別速率遠(yuǎn)遠(yuǎn)高于傳統(tǒng)尋峰方法和基于奇異值分解識(shí)別方法。

3.2 含噪仿真數(shù)據(jù)實(shí)驗(yàn)

在標(biāo)準(zhǔn)核素?cái)?shù)據(jù)中模擬添加了不同程度的高斯白噪聲，得到與無噪聲環(huán)境下同等量級(jí)的核素樣本數(shù)據(jù)集，并使用三種方法測試不同噪聲情況影響下生成的能譜數(shù)據(jù)，得到如圖5所示的三種方法識(shí)別率對比圖。

圖5 不同噪聲情況下三種方法的準(zhǔn)確度

從圖5中可以看出，隨著數(shù)據(jù)所含噪聲幅度的增大，三種方法識(shí)別率均出現(xiàn)了一定程度的下降，前兩種方法準(zhǔn)確率在噪聲幅度10～50期間呈現(xiàn)大幅度的下降，而基于CNN的識(shí)別方法準(zhǔn)確率雖有下降，但趨勢不大，依舊能夠在90 %上下波動(dòng)；隨著噪聲幅度的不斷增加，三者之間的差異更加明顯，前兩種方法分類準(zhǔn)確率已經(jīng)降到20 %左右，而CNN方法卻能穩(wěn)定在80 %附近，結(jié)果表明，所提方法在多核素識(shí)別的同時(shí)和前兩種方法相比具有更強(qiáng)的適應(yīng)性和抗干擾性。

4 結(jié) 論

通過不同噪聲環(huán)境下仿真數(shù)據(jù)實(shí)驗(yàn)，和傳統(tǒng)核素識(shí)別方法相比，可以發(fā)現(xiàn)該方法避免了手工提取特征、構(gòu)建并訓(xùn)練分類器的過程，能夠同時(shí)快速識(shí)別出多種單一及混合核素，具有較高的識(shí)別率。