Программа с простым GUI для демонстрации возможности применения сверточных нейронных сетей (convolution neural network, CNN) для задачи идентификации радионуклидов по гамма-спектру.

Алгоритм идентификации радионуклидов может быть применен в приборах - анализаторах спектра. Такие приборы, как правило, состоят из двух принципиальных составляющих - детектора и анализатора. Задача детектора - преобразовать данные, подлежащие анализу в цифровой вид. Задача анализатора - обработать данные детектора и сделать вывод об активности того или иного радионуклида.

Объектом обоаботки явзяется гамма-спектр. Он представляет собой зависимость количества отсчетов от энергии. То есть какой-то массив, скажем, размера 1024, который обновляется с какой-то периодичностью, скажем, 1 раз в секунду. При этом обновляется он сложением новых значений с тем, что уже было (аккумулируется). Происходит набор статистики. Данные приходят в цифровом виде от детектора.
Каждый нуклид обладает набором значений энергии и соответствующими энергиям интенсивностями. Эта информация известная, является справочной и хранится в так называемой библиотеке нуклидов. Задача обработки спектра состоит в том, чтобы найти энергии с максимальным счетом (по оси отсчетов) и проанализировать их на предмет соответствия с энергиями нуклидов. По результатом этого анализа можно сделать вывод о том, присутствует ли тот или иной нуклид в среде измерения. В текущей версии модели решается задача идентификации: то есть по спектру определяется радионуклид.

Программа состоит из двух виджетов.
Первый - симуляция работы детектора. Можно сымитировать активность одного из 10 нуклидов, и увидеть соответствующий спектр. В фоновом режиме выполняется передача порций смоделированного спектра анализатору по протоколу UDP (клиенская часть). Также есть возможность геренации тестовых данных на основе реальных экспериментов. Тестовые данные представляют собой псевдо-рандомизированный массив размером, равным размеру спектра. Этот массив сформирован в зависимости от тренда спектра и параметра скорости счета: то есть представляет собой часть спектра, которая могла бы поступить на обработку от детектора за какой-то детерминированный период времени. В данном случае порции генерурются с периодом в 1 секунду.

Второй виджет - виджет анализатора. Отображает набранный спектр и результат его обработки: имя идентифицированного нуклида в поле "Activities" и энергии (из библиотеки нуклидов) в виде линий на соответствующих значениях по шкале энергий. Анализатор принимает данные по протоколу UDP (серверная часть), аккумулирует спектр, после каждого его обновленя подвергает обработке ML-модели.

• Qt 5.15.0
• Qwt 6.1.5 - Библиотека для построения графиков
• TensorFlow - Обучение модели ML, имплементация модели (C-API, версия 2.7.0)
• boost::asio - для работы с UDP-протоколом (версия 1.78)
• CMAKE - система сборки

Сформированы тестовые данные на основе имеющейся библиотеки нуклидов. Данные рандомизированы для различных соотношений сигнал-шум, разных интенсивностей, разного времени набора статистики:

possible_w = [0.025 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0];
possible_a = [0.025 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0];
possible_n = [1 2 3 4 5 6];

Скрипт формирования тестовых данных
Ниже приведен график процесса обучения. Точность модели получилась ~98.4 %

• кросплатформенность: сборка проекта под Linux
• кросскомпиляция: сборка проекта кросскомпилятором ARM для исполнения на платформе Raspberry Pi 4
• совершенствование модели ML: расширение классов, задача идентификации и тд.