رهیافت مبتنی بر بینایی ماشین - الگوریتم اشتراک‌گیری در کشف و تعیین مشخصه رادیوایزوتوپ‌های بی پشتوانه

بیگ زاده, امیرمحمد; اردینی, هادی

رهیافت مبتنی بر بینایی ماشین - الگوریتم اشتراک‌گیری در کشف و تعیین مشخصه رادیوایزوتوپ‌های بی پشتوانه

نوع مقاله : مقاله پژوهشی

نویسندگان

امیرمحمد بیگ زاده ¹

هادی اردینی ²

¹ پژوهشکده کاربرد پرتوها، پژوهشگاه علوم و فنون هسته‌ای، سازمان انرژی اتمی ایران، تهران، ایران

² پژوهشگاه علوم و فنون هسته‌ای، سازمان انرژی اتمی ایران، تهران، ایران

چکیده

تشخیص و شناسایی عناصر رادیواکتیو یک جنبه حیاتی در زمینه‌های مختلف از جمله ایمنی هسته‌ای، نظارت بر محیط‌زیست و فیزیک بهداشت پرتوی است. روش‌های سنتی شناسایی رادیواکتیویته اغلب به تکنیک‌های دستی وقت‌گیر یا تجهیزات تخصصی که ممکن است به‌راحتی در دسترس نباشند، متکی هستند. بااین‌حال، پیشرفت‌ها در فناوری بینایی ماشین جایگزین امیدوارکننده‌ای ارائه می‌کند که از قدرت هوش مصنوعی و پردازش تصویر برای افزایش دقت و کارایی شناسایی عناصر رادیواکتیو استفاده می‌کند. این مقاله به بررسی کاربرد تکنیک بینایی ماشین در شناسایی نوع عناصر رادیواکتیو خارج از کنترل می‌پردازد و بر ادغام الگوریتم‌های تصویر‌برداری، چارچوب‌های یادگیری عمیق و تحلیل داده‌های آشکارسازها تمرکز می‌کند که می‌تواند فرآیند شناسایی را به طور خودکار انجام داده و خطای انسانی را به حداقل برساند. سامانه مدل شده به طور هم‌زمان تصاویر حرکتی را دریافت و پردازش کرده و مسیر حرکت اجسام را تشخیص می‌دهد و به طور هم‌زمان داده‌های پرتوی در آشکارساز ثبت می‌گردد. از روی طیف‌های ثبت شده در آشکارسازها، حضور چشمه یا چشمه‌های رادیواکتیو و نوع آنها مشخص می‌گردد. در ادامه با داشتن طیف‌های ثبت شده در زمان‌های مختلف و با شناسایی شماره شناسایی اشیا حاضر از روی تصاویر موقعیت و نوع ماده رادیواکتیو مشخص می گردد.

کلیدواژه‌ها

رادیوایزوتوپ

پردازش تصویر

بینایی ماشین

مونت‌کارلو

طیف‌نگاری

چشمه‌های بی‌پشتوانه

عنوان مقاله English

A Machine Vision- Intersection Based Algorithm in Detection and Characterization of Orphan Radioisotopes

نویسندگان English

AmirMOhammad Beigzadeh ¹

Hadi Ardiny ²

¹ Radiation Application Research School, Nuclear Science &amp;amp; Technology Research Institute, Tehran, Iran

² Radiation Applications Research School, Nuclear Science and Technology Research Institute, P.O. Box: 14395-836, Tehran, Iran

چکیده English

Detection and identification of radioactive elements is a vital aspect in various fields, including nuclear safety, environmental monitoring, and radiation health physics. Traditional methods of radioactivity detection often rely on time-consuming manual techniques or specialized equipment that may not be readily available. However, advances in machine vision technology offer a promising alternative that uses the power of artificial intelligence and image processing to increase the accuracy and efficiency of identifying radioactive elements. This paper examines the application of machine vision techniques in identifying the type of out-of-control radioactive elements and focuses on the integration of imaging algorithms, deep learning frameworks, and data analysis of detectors that can automate the identification process and minimize human error. The equations of the tracking method follow the KLT method. The modeled system simultaneously receives and processes moving images and detects the movement path of objects, and the radiation count is recorded in the detector at the same time. From the recorded spectra in the detectors, the presence of a radioactive source or sources and their type is determined. In the following, by having the spectra recorded at different times and by identifying the identification number of the objects present in the area with the maximum spectrum and sharing, it is determined which objects are contaminated with radioactive material and what type of radioactive source each of them carries.

کلیدواژه‌ها English

Radioisotope

image processing

machine vision

Monte Carlo

spectroscopy

orphan radioisotopes مقدمه

[1] Morgan, Dane, Ghanshyam Pilania, Adrien Couet, Blas P. Uberuaga, Cheng Sun, and Ju Li. "Machine learning in nuclear materials research." Current Opinion in Solid State and Materials Science 26, no. 2 (2022): 100975.

[2] Bagher, Askari Mohammad, Mirzaei Vahid, and Mirhabibi Mohsen. "Introduction to radioactive materials." Int. J. Renew. Sustain. Energy 3, no. 3 (2014): 59-67.

[3] Al Rashdan, Ahmad Y., and Torrey J. Mortenson. Automation Technologies Impact on the Work Process of Nuclear Power Plants. No. INL/EXT-18-51457-Rev000. Idaho National Lab.(INL), Idaho Falls, ID (United States), 2018.

[4] Steger, Carsten, Markus Ulrich, and Christian Wiedemann. Machine vision algorithms and applications. John Wiley & Sons, 2018.

[5] Li, C., Dos Reis, A.A., Ansari, A., Bertelli, L., Carr, Z., Dainiak, N., Degteva, M., Efimov, A., Kalinich, J., Kryuchkov, V. and Kukhta, B."Public health response and medical management of internal contamination in past radiological or nuclear incidents: A narrative review." Environment international 163 (2022): 107222.

[6] Wong, Cuebong, Erfu Yang, Xiu-Tian Yan, and Dongbing Gu. "Autonomous robots for harsh environments: a holistic overview of current solutions and ongoing challenges." Systems Science & Control Engineering 6, no. 1 (2018): 213-219.

[7] Downes, Robert, Christopher Hobbs, and Daniel Salisbury. "Combating nuclear smuggling? Exploring drivers and challenges to detecting nuclear and radiological materials at maritime facilities." The Nonproliferation Review 26, no. 1-2 (2019): 83-104.

[8] Dyke, Jon M. Van. "The legal regime governing sea transport of ultrahazardous radioactive materials." Ocean Development &International Law 33, no. 1 (2002): 77-108.

[9] Brezina, Corona. Public security in an age of terrorism. The Rosen Publishing Group, Inc, 2009.

[10] Haffner, Oto, Erik Kučera, and Danica Rosinová. "Applications of Machine Learning and Computer Vision in Industry 4.0." Applied Sciences 14, no. 6 (2024): 2431.

[11] Luk, B. L., A. A. Collie, D. S. Cooke, and S. Chen. "Walking and climbing service robots for safety inspection of nuclear reactor pressure vessels." Measurement and control 39, no. 2 (2006): 43-47.

[12] Schmugge, Stephen J., Lance Rice, N. Rich Nguyen, John Lindberg, Robert Grizzi, Chris Joffe, and Min C. Shin. "Detection of cracks in nuclear power plant using spatial-temporal grouping of local patches." In 2016 IEEE Winter Conference on Applications of Computer Vision (WACV), pp. 1-7. IEEE, 2016.

[13] Marturi, Naresh, Alireza Rastegarpanah, Vijaykumar Rajasekaran, Valerio Ortenzi, Yasemin Bekiroglu, Jeffrey Kuo, and Rustam Stolkin. "Towards advanced robotic manipulations for nuclear decommissioning." Robots operating in hazardous environments (2017).

[14] https://www.par.com/2020/01/16/par-systems-supports-development-smart-robots-next-generation-nuclear-reactors-southern-research-under-department-energy-grant/

[15] R. Seulin et al. in: International Society for Optics and Photonics, (SPIE, California, 2004), pp. 128-136

[16] Kelly, Mark Le Roy. "Nuclear fuel pellet inspection using machine vision and artificial neural networks." (1995).

[17] https://learnopencv.com/real-time-deep-sort-with-torchvision-detectors

[18] Waters, Laurie S. "MCNPX user’s manual." Los Alamos National Laboratory 124 (2002).

[19[اردینی، هادی و بیگ زاده، امیرمحمد،1403، ارزیابی الگوریتم مبتنی بر تلفیق داده در کشف و مکان یابی چشمه رادیواکتیوخارج از کنترل از طریق شبیه سازی مونت کارلو و اندازه گیری تجربی، دومین کنفرانس ملی تحول دیجیتال و سیستم های هوشمند، لارستان.