基于深度学习的瞬发伽马中子活化分析(PGNAA)金属谱分类
机器学习
2022-08-31 v1
摘要
市场迫切需求缩短瞬发伽马中子活化分析(PGNAA)谱测量设备的测试时间，使其能作为即时材料分析仪，例如瞬时分类废弃物样品并依据检测到的测试样品成分确定最佳回收方法。本文介绍了深度学习分类的新进展，并致力于缩短PGNAA设备的测试时间。我们提出随机采样方法与类激活图(Class Activation Map, CAM)来生成“缩减”样本并持续训练CNN模型。随机采样方法(RSM)旨在减少单个样本内的测量时间，类激活图(CAM)用于滤除缩减样本中较不重要的能量区间。我们将PGNAA总体测量时间缩短至2.5秒，同时确保在我们含有12种不同物质的数据集上准确率约为96.88%。与分类不同种类材料相比，对含有相同元素的物质达到良好准确率需要更多测试时间(样本计数率)。例如，铜合金的分类需要近24秒测试时间以达到98%准确率。
引用
@article{arxiv.2208.13909,
title = {"Prompt-Gamma Neutron Activation Analysis (PGNAA)" Metal Spectral Classification using Deep Learning Method},
author = {Ka Yung Cheng and Helmand Shayan and Kai Krycki and Markus Lange-Hegermann},
journal= {arXiv preprint arXiv:2208.13909},
year = {2022}
}
备注
6 pages, 3 figures, 6 tables, submitted for possible publication in the IEEE Transactions on Nuclear Science (TNS)