基于卷积神经网络的γ放射性核素识别方法

快速、准确的放射性核素识别可有效地对放射性危险源进行及时的监测预警，对保护人们远离放射源的威胁具有重要意义。该文基于卷积神经网络研究了放射性核素γ能谱的识别。通过溴化镧能谱仪采集16种放射性核素的γ能谱数据，并通过改变放射性核素γ能谱的计数和能谱漂移程度，创建生成大量单核素和双核素γ能谱训练数据，利用自搭建的卷积神经网络开展放射性核素识别模型训练。实验采集其中9种核素及其双核素的混合能谱对核素识别模型开展验证，结果表明：在剂量率约为0.5μSv/h、测量采集时间为60 s时，模型的识别准确率可达92.63%,满足在低剂量率下对放射性核素进行快速识别筛查的需求。     

基于凸壳理论的监控摄像头部分遮挡场景下火焰定位方法

利用视频分析技术开展火焰定位对火灾事故调查意义重大。为解决实际火灾中监控摄像头部分遮挡场景下起火部位难以确定的问题,该文基于凸壳理论研究了此场景下火焰定位方法。利用油盘火模拟室内火灾现场,布置彩色电荷耦合器件(CCD)摄像头使之被部分遮挡,收集火灾现场监控视频进行分析。首先利用火灾现场监控摄像头收集火焰视频并进行预处理;其次利用凸壳算法计算火焰中心的像素坐标;最后基于单目视觉原理,利用世界坐标系和成像平面坐标系的矩阵变换关系,定量计算出起火部位与监控摄像头的相对位置。实验结果表明:针对监控摄像头部分遮挡场景建立的基于凸壳理论和单目视觉原理的火焰定位方法,可以较好地实现起火部位的快速定位,为火灾事故调查工作的顺利开展提供了有力的工具。