基于U-Net的γ测厚方法研究

噪声环境或复杂放射性本底环境下采用γ吸收法测厚时,由于噪声和其他同位素特征峰会对测厚结果产生不利影响,γ吸收法测厚方法的稳定性和抗干扰能力有待进一步提升。因此,基于深度学习建立一种新颖的γ能谱测厚方法,并利用^(241)Am放射源和碲锌镉探测器搭建了一套γ测厚装置,对测厚方法进行训练和验证。首先,利用搭建的测厚装置对不锈钢、陶瓷和塑料等不同材质、不同厚度的样品进行测量。随后,利用采集到的能谱数据建立数据集对测厚方法进行训练,在原始能谱数据中添加高斯噪声和高斯峰模拟不同程度的噪声和放射性环境,研究了γ测厚方法在不同噪声和放射性环境下测厚稳定性,并与传统方法进行对比。结果表明,在相同噪声环境下,建立的γ测厚方法引起的最大峰面积变化率仅0.049%,优于传统方法的0.85%;在有其他高斯峰干扰的情况下,建立的γ测厚方法能有效扣除其他高斯峰,最大峰面积变化率仅7.58%,优于传统方法的33.29%,抗干扰能力优于传统方法。因此,基于深度学习建立的测厚方法为γ射线测厚的数据处理提供了新思路,提高了γ测厚方法的抗噪能力和抗干扰能力,有助于将γ测厚方法应用于复杂放射性环境,进一步拓宽γ测厚方法的应用领域。