CN113835111B - 基于无人机的放射源定位方法及装置 - Google Patents
基于无人机的放射源定位方法及装置 Download PDFInfo
- Publication number
- CN113835111B CN113835111B CN202111418212.8A CN202111418212A CN113835111B CN 113835111 B CN113835111 B CN 113835111B CN 202111418212 A CN202111418212 A CN 202111418212A CN 113835111 B CN113835111 B CN 113835111B
- Authority
- CN
- China
- Prior art keywords
- positions
- detection
- grid
- neural network
- detection area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
- G01T1/18—Measuring radiation intensity with counting-tube arrangements, e.g. with Geiger counters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- High Energy & Nuclear Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明涉及辐射探测技术领域,提供一种基于无人机的放射源定位方法及装置,其中,无人机搭载辐射探测器,方法包括:对探测区域进行网格划分,并对每个网格设置编号;通过模拟计算,确定放射源位于探测区域的每个第一位置时,辐射探测器分别在探测区域的多个第二位置处的探测效率;对神经网络进行训练;通过辐射探测器,分别在多个第二位置处测量计数率;将多个测量点的计数率进行处理后输入训练后的神经网络,以使训练后的神经网络输出网格编号;根据网格编号确定待测放射源位于探测区域的目标位置。由此,可以在保证定位准确性的同时,减少测量的数据量,降低计算成本,从而加快放射源定位速度,具有操作简单的优点。
Description
技术领域
本发明涉及辐射探测技术领域,具体涉及一种基于无人机的放射源定位方法和一种基于无人机的放射源定位装置。
背景技术
在辐射测量领域,在放射源丢失的情况下,通常采用无人机自动寻源技术,即无人机在空中进行探测并寻找放射源,能够免去人工寻源对人体可能造成的辐射危害,并且无人机在空中自由活动,探测范围广,受地形限制较小。
然而,在采用无人机寻源技术对放射源进行定位时,往往存在测量数据量庞大的现象,从而导致定位效率低、计算成本高以及操作复杂的问题。
发明内容
本发明为解决测量数据量庞大导致的定位效率低、计算成本高以及操作复杂的问题,提出了如下技术方案。
本发明第一方面实施例提出了一种基于无人机的放射源定位方法,所述无人机搭载辐射探测器,所述方法包括:确定待测放射源对应的探测区域,对所述探测区域进行网格划分,并对每个网格设置网格编号;确定所述探测区域中的多个第一位置;确定每个所述第一位置所在的网格,以确定每个所述第一位置所对应的网格编号;通过模拟计算,确定在放射源位于所述探测区域的每个所述第一位置时,位于固定高度的所述辐射探测器分别在所述探测区域的多个第二位置处的探测效率,以得到每个所述第一位置对应的一组探测效率;基于各个所述第一位置所对应的网格编号和多组探测效率对神经网络进行训练;通过位于所述固定高度的所述辐射探测器,分别在所述探测区域的所述多个第二位置处测量计数率,以得到每个第二位置处的计数率;将多个测量点的所述计数率进行处理后输入训练后的神经网络,以使所述训练后的神经网络输出所述待测放射源所在位置对应的网格编号;根据所述待测放射源所在位置对应的网格编号确定所述待测放射源位于所述探测区域的目标位置。
另外,根据本发明上述实施例的基于无人机的放射源定位方法还可以具有如下附加的技术特征。
根据本发明的一个实施例,所述多个第二位置包括:所述探测区域的顶点和中心点。
根据本发明的一个实施例,每个所述第一位置对应的一组探测效率包括:第一个顶点对应的探测效率E1、第二个顶点对应的探测效率E2、第三个顶点对应的探测效率E3、第四个顶点对应的探测效率E4和所述中心点对应的探测效率E5;多个第二位置处的计数率包括:所述第一个顶点对应的计数率C1、所述第二个顶点对应的计数率C2、所述第三个顶点对应的计数率C3、所述第四个顶点对应的计数率C4和所述中心点对应的计数率C5。
根据本发明的一个实施例,基于各个所述第一位置所对应的网格编号和探测效率对神经网络进行训练,包括:根据每个第一位置所对应的探测效率,依次确定所述第一位置对应的四个第一比值,其中,所述四个第一比值包括:E1/E5、E2/E5、E3/E5和E4/E5;将所述四个第一比值作为输入,将所述输入对应的第一位置处的网格编号作为目标输出,采用梯度下降的方式进行对神经网络进行训练。
根据本发明的一个实施例,将多个所述计数率进行处理后输入训练后的神经网络,以使训练后的神经网络输出所述待测放射源所在位置对应的网格编号,包括:根据所述多个第二位置处的计数率,依次确定每个所述第二位置处的四个第二比值,其中,所述四个第二比值包括:C1/C5、C2/C5、C3/C5和C4/C5;将所述四个第二比值输入训练后的神经网络,以使所述训练后的神经网络输出所述待测放射源所在位置对应的网格编号。
根据本发明的一个实施例,基于无人机的放射源定位方法,还包括:在测量所述计数率时,控制所述无人机分别在所述多个第二位置停留预设时间,以使位于所述固定高度的所述辐射探测器测量所述多个第二位置的计数率。
根据本发明的一个实施例,在确定出所述待测放射源的目标位置之后,还包括:确定所述待测放射源的活度。
根据本发明的一个实施例,所述探测区域的形状为正方形。
根据本发明的一个实施例,所述辐射探测器为G-M(Geiger-Muller,盖革-米勒)计数管。
本发明第二方面实施例提出了一种基于无人机的放射源定位装置,所述无人机搭载辐射探测器,所述装置包括:划分模块,用于确定待测放射源对应的探测区域,对所述探测区域进行网格划分,并对每个网格设置网格编号;第一确定模块,用于确定所述探测区域中的多个第一位置;第二确定模块,用于确定每个所述第一位置所在的网格,以确定每个所述第一位置所对应的网格编号;模拟模块,用于通过模拟计算,确定在放射源位于所述探测区域的每个所述第一位置时,位于固定高度的所述辐射探测器分别在所述探测区域的多个第二位置处的探测效率,以得到每个所述第一位置对应的一组探测效率;训练模块,用于基于各个所述第一位置所对应的网格编号和多组探测效率对神经网络进行训练;测量模块,用于通过位于所述固定高度的所述辐射探测器,分别在所述探测区域的所述多个第二位置处测量计数率,以得到每个所述第二位置处的计数率;处理模块,用于将多个所述计数率进行处理后输入训练好的神经网络,以使所述训练好的神经网络输出所述待测放射源所在位置对应的网格编号;第三确定模块,用于根据所述待测放射源所在位置对应的网格编号确定所述待测放射源位于所述探测区域的目标位置。
本发明实施例的技术方案,通过模拟放射源位于探测区域得到神经网络的训练样本,基于训练样本训练得到训练后的神经网络,通过测量探测区域的计数率,并将计数率输入训练后的神经网络得到放射源的位置,从而实现对放射源的定位。由此,可以在保证定位准确性的同时,减少测量的数据量,从而降低计算成本,加快放射源定位速度,且具有操作简单的优点。
附图说明
图1为本发明实施例的基于无人机的放射源定位方法的流程图。
图2为本发明一个实施例中对探测区域进行网格划分的示意图。
图3为本发明一个实施例的在探测区域测量五个计数率时对应测量点的位置示意图。
图4为本发明实施例的基于无人机的放射源定位装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例的基于无人机的放射源定位方法的流程图。
需要说明的是,本发明实施例的基于无人机的放射源定位方法的执行主体可以为电子设备,该电子设备可以对本发明实施例的无人机发出控制指令,且无人机与电子设备之间可以相互进行数据传输。具体的,电子设备可以是但不限于计算机、移动终端,无人机上搭载有辐射探测器,辐射探测器可以为G-M(Geiger-Muller,盖革-米勒)计数管。
如图1所示,该基于无人机的放射源定位方法包括以下步骤S1至S8。
S1,确定待测放射源对应的探测区域,对探测区域进行网格划分,并对每个网格设置网格编号。
本发明实施例中,可将需要寻找的放射源例如已经丢失的放射源称为待测放射源,对应的寻找区域称为探测区域。
具体地,当需要探测放射源时,首先确定放射源对应的探测区域,并对该探测区域进行正方形网格划分,并对每个网格设置唯一的编号。其中,探测区域的形状可以方形,例如正方形。
如图2所示,当探测区域的形状为正方形时,可将探测区域通过横向划分及竖向划分得到n2个网格(n行n列),对其中的每个网格进行编号,例如n=4时,可将第一行的4个网格依次编号为:1、2、3和4,可将第二行的4个网格依次编号为:5、6、7和8,可将第三行的4个网格依次编号为:9、10、11和12,可将第四行的4个网格依次编号为:13、14、15和16,如此将探测区域划分得到16个有唯一编号的网格。
S2,确定探测区域中的多个第一位置。
具体地,可任意确定探测区域中多个不同的第一位置。
S3,确定每个第一位置所在的网格,以确定每个第一位置所对应的网格编号。
由于对整个探测区域进行了网格的划分和编号,因此确定出的每个第一位置具有其所在的网格,且该网格的编号即为第一位置所对应的网格编号。
S4,通过模拟计算,确定在放射源位于探测区域的每个第一位置时,位于固定高度的辐射探测器分别在探测区域的多个第二位置处的探测效率,以得到每个第一位置对应的一组探测效率。
需要说明的是,该步骤S4是假设放射源位于探测区域的第一位置A处,并在假设放射源位于探测区域的第一位置A处时,通过计算确定辐射探测器在多个第二位置B处的探测效率,因此可将该步骤称为模拟步骤。其中,位置A与位置B可以不同。
具体地,在确定出探测区域中的多个第一位置之后,可分别假设探测区域的多个第一位置A处存在放射源,并确定放射源位于每个A处时,辐射探测器在固定高度分别在探测区域的多个第二位置B处的探测效率,从而得到多组探测效率,其中每组探测效率对应一个第一位置A,每组探测效率包括多个第二位置B处的探测效率。其中,高度可指位于探测区域上空的辐射探测器距离地面的距离,辐射探测器位于各个第二位置B处时离地面的距离相同,即辐射探测器位于探测区域上空的固定高度。
S5,基于各个第一位置所对应的网格编号和探测效率对神经网络进行训练。
其中,神经网络可以为BP(Back Propagation,反向传播)神经网络。
具体地,在通过模拟步骤得到多组探测效率之后,可构建神经网络,并基于多组探测效率对神经网络进行学习训练,以得到训练后的神经网络。也就是说,在一个示例中,通过模拟步骤得到BP神经网络的训练样本,之后基于训练样本训练得到训练后的BP神经网络,训练后的BP神经网络可以根据其输入输出对应的网格编号。
S6,通过位于固定高度的所述辐射探测器,分别在探测区域的多个第二位置处测量计数率,以得到每个第二位置处的计数率。
需要说明的是,该步骤S6是在探测区域的上空测量多个第二位置处的放射信号,以得到每个第二位置处放射信号的计数率,可将该步骤称为实际测量步骤。
具体地,在得到训练后的神经网络之后,可将无人机固定于探测区域上空的固定高度,并使无人机分别在多个第二位置B处测量计数率,在多个第二位置进行测量时,无人机离地面的距离均为固定高度,从而得到每个测量点也就是第二位置处的计数率。
S7,将多个计数率进行处理后输入训练后的神经网络,以使训练后的神经网络输出待测放射源所在位置对应的网格编号。
具体地,在测量得到多个计数率(多个计数率与多个第二位置一一对应)之后,可将多个计数率进行处理,将处理后的计数率输入至训练后的神经网络,进而训练后的神经网络根据输入的计数率输出网格编号,该网格编号即为待测放射源所在位置对应的编号。
S8,根据待测放射源所在位置对应的网格编号确定待测放射源位于探测区域的目标位置。
具体地,在得到网格编号后,可根据编号规则或者网格坐标得到网格在探测区域的位置,该位置即为待测放射源在探测区域中的目标位置,从而通过无人机探测实现对放射源的定位。
基于上述描述可知,本发明实施例将源位置重建的问题转化为利用计数率寻源的问题,训练后的神经网络输出的网格编号代表源位置,从而简化了问题,可以使用结构更简单的神经网络,提高了训练速度,降低了建立数据集的难度。
本发明实施例针对室外放射源丢失的情况下通过无人机搭载辐射探测器对放射源位置进行定位,实现对丢失的放射源的定位,在实现定位的同时,还考虑时间性和简单性,即可以针对未知放射源(位置未知、且活度未知)的场景,在该场景下,通过辐射探测器的固定工况点的测量和训练后的神经网络的预测就能够快速得到放射源的位置。从而减少了测量的数据量,极大的降低了计算成本,加快了源位置定位的速度,适应于在野外快速准确的寻找放射源。
本发明实施例的基于无人机的放射源定位方法,通过模拟放射源位于探测区域得到神经网络的训练样本,基于训练样本训练对神经网络进行训练,通过测量探测区域的计数率,并将计数率输入训练后的神经网络得到放射源的位置,从而实现对放射源的定位。由此,可以在保证定位准确性的同时,减少测量的数据量,从而降低计算成本,加快放射源定位速度,且具有操作简单的优点。
需要说明的是,本发明实施例中的多个第二位置可包括探测区域的顶点和中心点,其中,顶点的数量可以由探测区域的形状确定,例如当探测区域的形状为三角形时,顶点的数量为3个;当探测区域的形状为正方形时,顶点的数量为4个,探测区域的形状不限于三角形和正方形,当形状为正方形时,每个第一位置对应的一组探测效率可包括四个顶点的探测效率以及中心点的探测效率。
即在本发明的一个实施例中,上述步骤S4及步骤S6中的多个第二位置可包括:探测区域的顶点和中心点。
相应的,当探测区域的形状为方形时,每个第一位置对应的一组探测效率可包括:第一个顶点对应的探测效率E1、第二个顶点对应的探测效率E2、第三个顶点对应的探测效率E3、第四个顶点对应的探测效率E4和中心点对应的探测效率E5。
具体而言,在确定出多个第一位置之后,通过模拟计算,确定放射源位于探测区域的每个第一位置处时,位于固定高度的辐射探测器分别在探测区域第一个顶点、第二个顶点、第三个顶点及第四个顶点的探测效率,即:第一个顶点对应的探测效率E1、第二个顶点对应的探测效率E2、第三个顶点对应的探测效率E3和第四个顶点对应的探测效率E4,并确定位于固定高度的辐射探测器在探测区域中心点的探测效率E5,以得到多组探测效率,其中,每组探测效率包括E1、E2、E3、E4和E5,每个第一位置对应一组探测效率。
在一个示例中,上述步骤S5,即:基于各个第一位置所对应的网格编号和探测效率对神经网络进行训练,可包括:根据每个第一位置所对应的探测效率,依次确定第一位置对应的四个第一比值,其中,四个第一比值包括:E1/E5、E2/E5、E3/E5和E4/E5;将四个第一比值作为输入,将输入对应的第一位置处的网格编号作为目标输出,采用梯度下降的方式对神经网络进行训练。
其中,E1/E5是指第一个顶点对应的探测效率E1与探测区域中心点的探测效率E5之间的比值,E2/E5是指第二个顶点对应的探测效率E2与探测区域中心点的探测效率E5之间的比值,E3/E5是指第三个顶点对应的探测效率E3与探测区域中心点的探测效率E5之间的比值,E4/E5是指第四个顶点对应的探测效率E4与探测区域中心点的探测效率E5之间的比值。
具体而言,在得到多组探测效率之后,对于每组探测效率,计算四个第一比值E1/E5、E2/E5、E3/E5和E4/E5,并将该四个第一比值作为输入,输入至训练后的神经网络,将该四个第一比值对应的第一位置处的网格编号(即模拟放射源所在的网格编号)作为目标输出,采用梯度下降的方式对神经网络进行训练,以得到训练后的神经网络,以使训练后的神经网络能够根据其输入对应输出网格编号,可以理解,网格编号可以表征网格在探测区域中所在的位置。
通过上述步骤S1至步骤S5完成了定位反射源之前的前期工作,之后执行步骤S6、步骤S7和步骤S8,即通过无人机和训练后的神经网络实现对放射源的定位。
在本发明的一个实施例中,如图3所示,多个第二位置处的计数率可包括:第一个顶点对应的计数率C1、第二个顶点对应的计数率C2、第三个顶点对应的计数率C3、第四个顶点对应的计数率C4和中心点对应的计数率C5。
该实施例中,上述步骤S7,即:将多个计数率进行处理后输入训练后的神经网络,以使训练后的神经网络输出待测放射源所在位置对应的网格编号,可包括:根据多个第二位置处的计数率,依次确定每个第二位置对应的四个第二比值,其中,四个第二比值包括C1/C5、C2/C5、C3/C5和C4/C5;将四个第二比值输入训练后的神经网络,以使训练后的神经网络输出待测放射源所在位置对应的网格编号。
其中,C1/C5是指第一个顶点对应的计数率C1与中心点对应的计数率C5之间的比值,C2/C5是指第二个顶点对应的计数率C2与中心点对应的计数率C5之间的比值,C3/C5是指第三个顶点对应的计数率C3与中心点对应的计数率C5之间的比值,C4/C5是指第四个顶点对应的计数率C4与中心点对应的计数率C5之间的比值。
具体而言,如图3所示,可将无人机固定于探测区域上空的固定高度,并使无人机分别在探测区域的第一个顶点处、第二个顶点处、第三个顶点处、第四个顶点处和中心点处测量计数率,得到第一个顶点对应的计数率C1、第二个顶点对应的计数率C2、第三个顶点对应的计数率C3、第一个顶点对应的计数率C4和中心点对应的计数率C5。
在得到计数率C1、C2、C3、C4和C5之后,计算四个第二比值C1/C5、C2/C5、C3/C5和C4/C5,由于对于某固定核素固定能量时,计数率比值等于探测效率比值,故将该四个第二比值输入训练后的神经网络,进而训练后的神经网络输出该四个第二比值对应的网格编号,该四个第二比值对应的网格编号即为待测放射源所在位置的网格编号。
也就是说,本发明实施例利用神经网络技术对放射源进行定位,能够实现对丢失的常见放射源如Co-60、Cs-137的定位:首先控制无人机在探测区域中五个第二位置点进行计数率的探测,将这五个计数率经过处理作为训练后的神经网络的输入,得到的输出即为待测放射源的目标位置,其中,事先使用模拟得到的数据集对神经网络进行训练。
在本发明的一个实施例中,基于无人机的放射源定位方法,还可包括:在测量计数率时,控制无人机分别在多个第二位置停留预设时间,以使位于固定高度的辐射探测器测量多个第二位置的计数率。
具体而言,在测量探测区域的多个第二位置处,例如四个顶点处和中心点的计数率时,可控制无人机在每个位置停留预设时间,其中,预设时间可以根据实际情况确定,直至检测到准确且稳定的计数率,由此,可以保证辐射探测器计数率的稳定性和准确性。
在本发明的一个实施例中,基于无人机的放射源定位方法,还可包括:在确定出待测放射源的目标位置之后,确定待测放射源的活度。
也即,本发明实施例可以在放射源的位置未知且活度未知的情况下对放射源进行的定位,通过辐射探测器的固定工况点的测量和训练后的神经网络的预测就能够快速得到放射源所在的目标位置,之后,可确定待测放射源的活度,从而实现放射源活度检测。
需要说明的是,本发明实施例中在网格划分之后,可通过无人机在每个网格点停留获得测量数据,通过数据的对比分析,确定放射源所在网格。
综上所述,本发明实施例适用于在野外快速准确地寻找放射源,利用神经网络技术对源位置进行定位,减少了测量的数据量,极大的降低了计算成本,加快了源位置定位的速度。本发明实施例有很大的扩展性,只要对数据集和网络的结构以及测点数进行相应的调整就可以在更大的区域进行多个源的位置和活度检测。
对应上述实施例的无人机的放射源定位方法,本发明还提出一种基于无人机的放射源定位装置。
图4为本发明实施例的基于无人机的放射源定位装置的方框示意图。
该实施例中的无人机搭载辐射探测器,辐射探测器为G-M计数管。
如图4所示,该基于无人机的放射源定位装置100包括:划分模块10、第一确定模块20、第二确定模块30、模拟模块40、训练模块50、测量模块60、处理模块70及第三确定模块80。
其中,划分模块10用于确定待测放射源对应的探测区域,对所述探测区域进行网格划分,并对每个网格设置网格编号;第一确定模块20用于确定所述探测区域中的多个第一位置;第二确定模块30用于确定每个所述第一位置所在的网格,以确定每个所述第一位置所对应的网格编号;模拟模块40用于通过模拟计算,确定在放射源位于所述探测区域的每个所述第一位置时,位于固定高度的所述辐射探测器分别在所述探测区域的多个第二位置处的探测效率,以得到每个所述第一位置对应的一组探测效率;训练模块50用于基于各个所述第一位置所对应的网格编号和探测效率对神经网络进行训练;测量模块60用于通过位于所述固定高度的所述辐射探测器,分别在所述探测区域的所述多个第二位置处测量计数率,以得到每个所述第二位置处的计数率;处理模块70用于将多个所述计数率进行处理后输入训练后的神经网络,以使所述训练后的神经网络输出所述待测放射源所在位置对应的网格编号;第三确定模块80用于根据所述待测放射源所在位置对应的网格编号确定所述待测放射源位于所述探测区域的目标位置。
在本发明的一个实施例中,多个第二位置包括:所述探测区域的顶点和中心点。
在本发明的一个实施例中,每个所述第一位置对应的一组探测效率包括:第一个顶点对应的探测效率E1、第二个顶点对应的探测效率E2、第三个顶点对应的探测效率E3、第四个顶点对应的探测效率E4和所述中心点对应的探测效率E5;多个第二位置处的计数率包括:所述第一个顶点对应的计数率C1、所述第二个顶点对应的计数率C2、所述第三个顶点对应的计数率C3、所述第四个顶点对应的计数率C4和所述中心点对应的计数率C5。
在本发明的一个实施例中,训练模块50,可包括:第一确定单元,用于根据每个第一位置所对应的探测效率,依次确定所述第一位置对应的四个第一比值,其中,所述四个第一比值包括:E1/E5、E2/E5、E3/E5和E4/E5;训练单元,用于将所述四个第一比值作为输入,将所述输入对应的第一位置处的网格编号作为目标输出,采用梯度下降的方式对神经网络进行训练。
在本发明的一个实施例中,处理模块70,可包括:第二确定单元,用于根据所述多个第二位置处的计数率,依次确定每个所述第二位置对应的四个第二比值,其中,所述四个第二比值包括:C1/C5、C2/C5、C3/C5和C4/C5;输入单元,用于将所述四个第二比值输入训练后的神经网络,以使所述训练后的神经网络输出所述待测放射源所在位置对应的网格编号。
在本发明的一个实施例中,基于无人机的放射源定位装置100,还可包括:控制模块,用于在测量所述计数率时,控制所述无人机分别在所述多个第二位置停留预设时间,以使位于所述固定高度的所述辐射探测器测量所述多个第二位置的计数率。
在本发明的一个实施例中,基于无人机的放射源定位装置100,还可包括:活度确定模块,用于在确定出所述待测放射源的目标位置之后,确定所述待测放射源的活度。
在本发明的一个实施例中,所述探测区域的形状为正方形。
需要说明的是,该基于无人机的放射源定位装置的具体实施方式及实施原理可参见上述基于无人机的放射源定位方法的具体实施方式,为避免冗余,此处不再详细赘述。
本发明实施例的基于无人机的放射源定位装置,通过模拟放射源位于探测区域得到神经网络的训练样本,基于训练样本训练对神经网络进行训练,通过测量探测区域的计数率,并将计数率输入训练后的神经网络得到放射源的位置,从而实现对放射源的定位。由此,可以在保证定位准确性的同时,减少测量的数据量,从而降低计算成本,加快放射源定位速度,且具有操作简单的优点。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于无人机的放射源定位方法,其特征在于,所述无人机搭载辐射探测器,所述方法包括:
确定待测放射源对应的探测区域,对所述探测区域进行网格划分,并对每个网格设置网格编号;
确定所述探测区域中的多个第一位置;
确定每个所述第一位置所在的网格,以确定每个所述第一位置所对应的网格编号;
通过模拟计算,确定在放射源位于所述探测区域的每个所述第一位置时,位于固定高度的所述辐射探测器分别在所述探测区域的多个第二位置处的探测效率,以得到每个所述第一位置对应的一组探测效率,所述多个第二位置包括:所述探测区域的顶点和中心点;
基于各个所述第一位置所对应的网格编号和探测效率对神经网络进行训练;
通过位于所述固定高度的所述辐射探测器,分别在所述探测区域的所述多个第二位置处测量计数率,以得到每个所述第二位置处的计数率;
将多个所述计数率进行处理后输入训练后的神经网络,以使所述训练后的神经网络输出所述待测放射源所在位置对应的网格编号;
根据所述待测放射源所在位置对应的网格编号确定所述待测放射源位于所述探测区域的目标位置。
2.根据权利要求1所述的基于无人机的放射源定位方法,其特征在于,每个所述第一位置对应的一组探测效率包括:第一个顶点对应的探测效率E1、第二个顶点对应的探测效率E2、第三个顶点对应的探测效率E3、第四个顶点对应的探测效率E4和所述中心点对应的探测效率E5;
多个第二位置处的计数率包括:所述第一个顶点对应的计数率C1、所述第二个顶点对应的计数率C2、所述第三个顶点对应的计数率C3、所述第四个顶点对应的计数率C4和所述中心点对应的计数率C5。
3.根据权利要求2所述的基于无人机的放射源定位方法,其特征在于,基于各个所述第一位置所对应的网格编号和探测效率对神经网络进行训练,包括:
根据每个第一位置所对应的探测效率,依次确定所述第一位置对应的四个第一比值,其中,所述四个第一比值包括:E1/E5、E2/E5、E3/E5和E4/E5;
将所述四个第一比值作为输入,将所述输入对应的第一位置处的网格编号作为目标输出,采用梯度下降的方式对神经网络进行训练。
4.根据权利要求3所述的基于无人机的放射源定位方法,其特征在于,将多个所述计数率进行处理后输入训练后的神经网络,以使所述训练后的神经网络输出所述待测放射源所在位置对应的网格编号,包括:
根据所述多个第二位置处的计数率,依次确定每个所述第二位置对应的四个第二比值,其中,所述四个第二比值包括:C1/C5、C2/C5、C3/C5和C4/C5;
将所述四个第二比值输入训练后的神经网络,以使所述训练后的神经网络输出所述待测放射源所在位置对应的网格编号。
5.根据权利要求1所述的基于无人机的放射源定位方法,其特征在于,还包括:
在测量所述计数率时,控制所述无人机分别在所述多个第二位置停留预设时间,以使位于所述固定高度的所述辐射探测器测量所述多个第二位置的计数率。
6.根据权利要求1所述的基于无人机的放射源定位方法,其特征在于,在确定出所述待测放射源的目标位置之后,还包括:
确定所述待测放射源的活度。
7.根据权利要求2所述的基于无人机的放射源定位方法,其特征在于,所述探测区域的形状为正方形。
8.根据权利要求1所述的基于无人机的放射源定位方法,其特征在于,所述辐射探测器为G-M计数管。
9.一种基于无人机的放射源定位装置,其特征在于,所述无人机搭载辐射探测器,所述装置包括:
划分模块,用于确定待测放射源对应的探测区域,对所述探测区域进行网格划分,并对每个网格设置网格编号;
第一确定模块,用于确定所述探测区域中的多个第一位置;
第二确定模块,用于确定每个所述第一位置所在的网格,以确定每个所述第一位置所对应的网格编号;
模拟模块,用于通过模拟计算,确定在放射源位于所述探测区域的每个所述第一位置时,位于固定高度的所述辐射探测器分别在所述探测区域的多个第二位置处的探测效率,以得到每个所述第一位置对应的一组探测效率,所述多个第二位置包括:所述探测区域的顶点和中心点;
训练模块,用于基于各个所述第一位置所对应的网格编号和探测效率对神经网络进行训练;
测量模块,用于通过位于所述固定高度的所述辐射探测器,分别在所述探测区域的所述多个第二位置处测量计数率,以得到每个所述第二位置处的计数率;
处理模块,用于将多个所述计数率进行处理后输入训练后的神经网络,以使所述训练后的神经网络输出所述待测放射源所在位置对应的网格编号;
第三确定模块,用于根据所述待测放射源所在位置对应的网格编号确定所述待测放射源位于所述探测区域的目标位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418212.8A CN113835111B (zh) | 2021-11-26 | 2021-11-26 | 基于无人机的放射源定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418212.8A CN113835111B (zh) | 2021-11-26 | 2021-11-26 | 基于无人机的放射源定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113835111A CN113835111A (zh) | 2021-12-24 |
CN113835111B true CN113835111B (zh) | 2022-02-11 |
Family
ID=78971636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111418212.8A Active CN113835111B (zh) | 2021-11-26 | 2021-11-26 | 基于无人机的放射源定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113835111B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007131536A1 (en) * | 2006-05-11 | 2007-11-22 | Advanced Accelerator Applications | Method and device of detecting, locating and/or analyzing a radioactive source(s) in a material, e.g. a biological tissue |
US8304737B2 (en) * | 2009-10-02 | 2012-11-06 | Ut-Battelle, Llc | Apparatus and method to achieve high-resolution microscopy with non-diffracting or refracting radiation |
CN107884812B (zh) * | 2017-11-09 | 2020-09-04 | 中国工程物理研究院材料研究所 | 基于闪烁体探测器的放射源定位跟踪方法 |
CN110780333A (zh) * | 2019-09-30 | 2020-02-11 | 南京航空航天大学 | 一种基于双编码板的伽马相机及其用于放射性物质定位的方法 |
CN112258597B (zh) * | 2020-12-18 | 2021-04-20 | 成都理工大学 | 基于神经网络定位算法的快速成像方法及装置 |
CN113536679A (zh) * | 2021-07-20 | 2021-10-22 | 南京航空航天大学 | 一种基于人工神经网络的点源剂量率修正方法 |
-
2021
- 2021-11-26 CN CN202111418212.8A patent/CN113835111B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113835111A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN108716918B (zh) | 一种基于网格聚类的rssi室内定位算法 | |
CN106597416A (zh) | 一种地面GPS辅助的LiDAR数据高程差的误差修正方法 | |
CN103017655B (zh) | 一种多楼层房屋建筑面积的提取方法及*** | |
CN108242962B (zh) | 一种基于测量报告的室内信号传播损耗计算方法及装置 | |
CN109191408B (zh) | 快速循环地面气象融合方法、装置及服务器 | |
CN105425794A (zh) | 一种移动机器人寻找放射源轨迹的方法 | |
CN113125635A (zh) | 一种大气污染预警方法、装置及可读存储介质 | |
CN117252863B (zh) | 一种地理信息异常数据快速检测分析方法 | |
CN104729529B (zh) | 地形图测量***误差判断的方法和*** | |
CN111524394A (zh) | 提升机坪综合航迹监视数据精度的方法、装置及*** | |
CN103256914A (zh) | 一种基于dem计算淤地坝淹没面积的方法及*** | |
CN109903367B (zh) | 构建地图的方法、装置和计算机可读存储介质 | |
CN117991331B (zh) | 一种基于地震监测的二维复杂模型中多次波射线追踪方法 | |
CN113835111B (zh) | 基于无人机的放射源定位方法及装置 | |
CN111812670B (zh) | 一种单光子激光雷达空间变换噪声判断、滤波方法及装置 | |
CN112015784A (zh) | 风况数据挖掘方法、装置、测风装置和数据挖掘设备 | |
CN116341231B (zh) | 人工增雨催化剂扩散轨迹的模拟方法、装置、服务器和存储介质 | |
CN110648280A (zh) | 一种用于大型溶洞海量点云数据拼接的数据处理方法 | |
Pohl et al. | A combination of the sound particle simulation method and the radiosity method | |
CN114611308A (zh) | 一种在wrf中尺度模式中仿真模拟飞机催化作业轨迹的方法 | |
CN111896996A (zh) | 基于试验比较法的小型体源模型校准方法和装置 | |
CN111640149A (zh) | 一种评估点云建模误差的分析方法 | |
CN115270520B (zh) | 一种基于高程网格的低空监视性能仿真分析方法及*** | |
CN111475942A (zh) | 风资源质量的评估方法、***、介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |