一种基于域随机化的缪子成像方法

摘要

本发明公开了一种基于域随机化的缪子成像方法，首先对缪子入射角度、缪子总计数、目标尺寸、目标位置、目标形状、目标材料、屏蔽材料的属性字典进行设计；其次，通过将散射路径简化为直线，将多次散射事件简化为单次后重建初始图像；最后搭建深度学习架构：由卷积神经网络、全连接层和Softmax层组成分类模型，并用产生的重建图像数据训练模型。本发明在通常的训练中增加了一个属性字典随机化的过程，并根据目标域上的测试结果调整随机参数，使训练的范围更宽，模型泛化性更好，可有效解决缪子成像过程中目标域数据较少、有限时间内缪子总计数有限和入射角差异较大等技术瓶颈，为缪子成像应用于核安保、核废料测试等特殊领域提供技术支持。

说明书

技术领域

本发明涉及无损成像技术领域，尤其涉及一种基于域随机化的缪子成像方法。

背景技术

缪子成像技术属一种新型的核材料检测技术，同时作为现有辐射成像技术的有力补充，在地质勘探、考古、国防和灾害预警等领域有着广泛的应用。

缪子质量介于电子和质子之间，其与物质的相互作用有三种表现形式，分别为能量损失、完全吸收和多次库伦散射。其中，多次库伦散射是缪子散射成像的基础。当缪子与物质发生相互作用时，作为带电粒子其会与物质中的原子（原子核及核外电子）发生库伦相互作用。在库伦力作用下，缪子的运动方向会不断发生小角度偏转，最终表现为出射径迹的偏转或偏移。在分析缪子偏转过程时，一般认为最终的角度偏转和横向偏移是由大量的小角度散射叠加而来，即多次库伦散射作用。在此基础上，通过统计缪子偏转角度的分布，同时依靠图像重建算法，可以实现目标物质的识别与检测。

相比其它粒子，缪子穿透能力更强，故更适合对体积大、常规粒子难以穿透的物体成像。缪子较重，相比其它离子产生更为困难，普通的放射性衰变、核裂变、核聚变均无法产生缪子，而人造缪子普遍需要依托于重大装备（如质子加速器）才能产生，成本极为昂贵，且只能进行离线检测。虽然自然界也存在缪子，但受限于在有限的时间内天然存在的宇宙线缪子总计数低的问题，宇宙线缪子散射成像方法通常需要较长的检测时间才能够实现待测物体的探测，这极大地限制了缪子成像技术的应用。

发明内容

本发明的目的是使训练模型从初始训练环境迁移到目标环境，对于缪子成像而言，是从仿真环境到真实物理环境的迁移。通过在初始仿真环境随机选取N组属性组件构成新的训练数据对模型进行训练而提供一种基于域随机化的缪子成像方法。

为达到上述目的，本发明是按照以下技术方案实施的：

本发明包括以下步骤：

S1：域随机化参数设计：针对缪子入射角度、缪子总计数、目标尺寸、目标位置、目标形状、目标材料、屏蔽材料的属性字典进行设计；所述域随机化参数设计定义了一个探测空间，其整体尺寸为11.8 m×2.13 m×2.18 m。属性字典涉及不同的角度、尺寸、位置、形状、物质、屏蔽物质、缪子实例。所述形状包括长方体、正方体和球形；所述物质包括水、纸、铁、铜、锌、铝、铅、钨和铀；所述屏蔽物质包括铁、水泥、铅和石块；所述缪子实例包括1万、5万和10万缪子总计数。

S2：重建初始图像：通过将散射路径简化为直线，将多次散射事件简化为单次重建初始图像；将探测器之间区域划分成体素单元，并根据缪子的入射线、出射线与散射点，确定缪子在探测物质内部所穿过的体素，进而计算出缪子经过物体后的投影信息，通过统计每个体素上通过的所有缪子数获得散射密度信息，最后得到投影重建图像。

S3：搭建深度学习架构：基于卷积神经网络（CNN）、全连接层和Softmax层组成分类模型，并用步骤S2产生的重建图像数据训练模型。包括多个卷积层和下采样层，一个全连接层以及SoftMax层，在训练过程中，首先对缪子成像的仿真环境中的属性组件进行随机选取，构成训练数据集对模型进行训练和测试，结合真实的物理环境中少量的数据对模型参数进行调整，然后与全连接层和SoftMax层共同作为一个多分类的分类器，训练出一个能够识别出不同原子序数物质的多分类神经网络。

本发明的有益效果是：

本发明是一种基于域随机化的缪子成像方法，与现有技术相比，本发明相比于现有模型，在正常训练中增加了一个属性字典随机化的过程，并根据目标域上的测试结果来调整随机参数，使得训练的范围更宽，模型泛化性更好，可有效解决宇宙线缪子成像过程中目标域数据较少、有限时间内缪子总计数有限、缪子能量和入射角差异较大等技术瓶颈，进而为缪子成像应用于核安保、核废料测试等特殊领域提供一定的技术支持。

附图说明

图1为本发明的缪子成像方法的流程图；

图2为本发明的缪子成像范例图；

图3 为本发明的卷积神经网络的结构图；

图4 为本发明的10万实例。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

如图1、图2所示，本发明包括以下步骤：

S1：域随机化参数设计：针对缪子入射角度、缪子总计数、目标尺寸、目标位置、目标形状、目标材料、屏蔽材料的属性字典进行设计；所述域随机化参数设计定义了一个探测空间，其整体尺寸为11.8 m×2.13 m×2.18 m。属性字典涉及不同的角度、尺寸、位置、形状、物质、屏蔽物质、缪子实例。所述形状包括长方体、正方体和球形；所述物质包括水、纸、铁、铜、锌、铝、铅、钨和铀；所述屏蔽物质包括铁、水泥、铅和石块；所述缪子实例包括1万、5万和10万缪子总计数。

所述域随机化参数设计用于为域随机化过程提供属性字典，仿真出尽可能的贴近真实的实验场景，为重建图像提供缪子的入射信息及出射信息。

S2：重建初始图像：通过将散射路径简化为直线，将多次散射事件简化为单次重建初始图像；将探测区域划分成体素单元，并根据缪子的入射线、出射线与散射点，确定缪子在探测物质内部所穿过的体素，进而计算出缪子经过物体后的投影信息，通过统计每个体素上经过的所有缪子数获得散射密度信息，最后得到投影重建图像。

重建初始图像采用PoCA算法，PoCA算法是一种径迹重建算法，缪子穿过物体前后的入射径迹和出射径迹的交点，被作为发生库伦散射的散射点（三维空间中两条线的公垂线的中点），将探测区域划分成一个个体素，作为库伦散射的最小单位。缪子的入射线，出射线与散射点，确定出缪子在探测物质内部所穿过的体素，进而计算出空间散射角的平方为缪子经过物体后的投影信息，通过统计每个体素上通过的所有缪子得到散射密度信息，最后投影重建图像的每个体素上的散射密度为通过该体素的所有缪子投影信息的平均值。

所述重建初始图像用仿真程序产生的入射和出射信息，把多次库伦散射过程简化成单点散射，拟合出缪子穿过物质的径迹，计算出散射密度，从而对物质进行快速成像。

S3：搭建深度学习架构：基于卷积神经网络（CNN）、全连接层和Softmax层组成分类模型，并用步骤S2产生的重建图像数据训练模型。包括多个卷积层和下采样层，一个全连接层以及SoftMax层，在训练过程中，首先对缪子成像的仿真环境中的属性组件（物质的形状，物质的尺寸，物质的位置，成像分辨率，物质数量等）进行随机选取，构成训练数据集对模型进行训练和测试，结合真实的物理环境中少量的数据对模型参数进行调整，然后与全连接层和SoftMax层共同作为一个多分类的分类器，训练出一个能够识别出不同原子序数物质的多分类神经网络。

分类模型及数据训练用重建图像域随机化后，训练卷积神经网络用于特征提取，池化层降低特征的维度，全连接层的功能将特征映射到一维向量上，softmax层对特征进行分类，实现物质识别。

所述域随机化参数设计的属性字典包括：缪子入射角度随机分布、缪子总计数在1万，5万，10万三种情况下任意选择、目标尺寸在1 cm到20 cm中任意变换、目标在上下探测器尺寸1 m×1 m×5 cm，两个探测器中间相隔50 cm的空间内任意摆放，目标形状由正方体，长方体，球体三种形状随机抽取，目标材料主要有水、纸、铁、铜、锌、铝、铅、钨和铀高中低Z物质随机选取，保证覆盖常见材料的散射密度范围，屏蔽材料主要有铁、水泥、铅和石块构成的立方体容器随机组成，所有元素共同构成属性字典，建立模拟平台，得到任意物体在缪子散射成像的探测系统中的虚拟测量数据，为了保障模拟数据的丰富性，测试环境的完备度，使其能够更好的应用于各种场景中。

所述初始图像重建部分，如图3所示，单层均值模型描述缪子多次库伦散射事件，缪子穿过厚度为L的物质，发生多次库伦散射，置0的方块代表缪子在物质内部经过的体素，图中θ角代表缪子在物质中发生散射而产生的偏转角，θ所在的方块代表散射点所在的体素。散射点所在体素的散射密度等于偏转角的方差，除以射线在该体素内的径迹长度（简化为体素长度），图4所示为仿真环境下的成像情况，上下探测器尺寸1 m×1 m×5 cm两个探测器中间相隔50 cm，铜块10 cm×10 cm×10 cm，铅块10 cm×10 cm×10 cm。缪子总计数为10万实例，铜的散射角为12.2 mrad，铅的散射角为20.6 mrad，散射密度：铜为9.19729×10

式中，

所述深度学习模型设计及训练部分，由多个卷积层，批标准化，池化层，激活函数组成，卷积神经网络的结构组成如表1所示，输入是50×25×1的图片矩阵，其中50×25代表图片的分辨率，1代表通道数，每个像素值为物质的散射密度的大小，经过神经网络提取特征后，每个像素共有9个类别，输出是50×25×9的图像，每个像素值是Softmax输出的对应物质的类别标签。

训练方法采用仿真数据和少量实际数据混合训练的方法。输入仿真得到的缪子成像数据，输出人工标注的像素类别标签矩阵，即用随机化后的仿真数据对网络进行训练，然后用少量的真实实际数据对网络进行调参，得到新的网络，用实际数据对网络进行测试，最终完成从仿真数据到物理模型采集数据的迁移学习。

表1

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。