利用YOLO目标检测和蒙特卡洛验证方法提高网络摄像头中α粒子检测的效率

《Radiation Measurements》：Improving alpha-particle detection efficiency in webcams using YOLO object detection and Monte Carlo validation

α粒子谱学中的低成本CMOS摄像头检测系统研究，通过直接应用YOLOv8算法于未预处理的CMOS图像，有效区分α粒子信号与噪声及叠加事件，重建的能谱与蒙特卡洛模拟（AASI）结果高度吻合，验证了其作为低成本α谱学系统的可行性。

　　

Fatemeh Esmaeili Meshkin|Saleh Ashrafi|Hadi Sabri|Aydin Ghalehasadi

伊朗塔布里兹大学物理系

摘要

在噪声较大的成像数据中准确识别α粒子事件对于低成本检测系统来说仍然是一个挑战。在这项研究中，将YOLOv8目标检测算法应用于镭-226源的CMOS网络摄像头图像，从而能够有效区分α粒子信号与背景噪声及重叠事件。重建的能量谱清晰地显示了镭-226衰变的主要峰值，其结果与使用AASI代码进行的蒙特卡洛模拟结果非常吻合。这证明了光谱形状和同位素识别的正确性。基于YOLO的分析表明，该算法能够可靠地检测α粒子事件，并具有较高的能量分辨率。这表明它在核科学和环境研究中可以作为一种有用且高效的方法。

引言

α粒子光谱学是测量α发射源的关键方法，应用于安全、废物管理和核物理领域（Aggarwal, 2016; Wu et al., 2022; Horansky et al., 2008; Zhou et al., 2021）。传统上，这些测量依赖于昂贵的半导体探测器以及需要专门设备和设施的复杂系统（Croce et al., 2012）。近年来，如网络摄像头这样的低成本CMOS相机已成为检测带电粒子和高能光子的实用工具。它们的广泛可用性、小巧的体积和低功耗使其成为开发轻便便携式光谱系统的理想选择（Hachaj and Piekarczyk, 2023; Lin et al., 2024; Ratti et al., 2021）。然而，使用网络摄像头传感器时面临的一个主要挑战是准确区分α粒子信号与其他辐射（见图1）。

为了解决这个问题，研究人员开始应用机器学习和计算机视觉技术来分析CMOS图像中的亮像素簇。卷积神经网络（CNN）在诸如DECO等项目中取得了成功，该项目使用智能手机摄像头来检测宇宙射线事件（Winter et al., 2018）。大多数现有方法在分析前需要大量的预处理步骤，如噪声过滤、阈值处理或背景减除（Estrade et al., 2019; Perlin et al., 2022）。

本研究探讨了直接将YOLO目标检测算法应用于原始CMOS图像的方法，未进行任何过滤或去噪预处理，除了将图像简单划分为四个象限以提高检测精度（Ultralytics, 2025）。消除复杂的预处理步骤（如过滤或阈值处理）有助于避免错误，并展示了YOLO有效分析噪声实验数据的能力。我们的方法提高了使用网络摄像头进行α粒子检测的效率。α光谱学中的另一个关键问题是“堆积”现象，即时间或空间上接近的粒子产生的重叠信号会扭曲能量测量结果。最近的研究表明，机器学习技术可以检测并纠正这些“堆积”事件（Molnar et al., 2023）。在这方面，YOLO在识别和纠正来自镭-226源的α粒子图像中的堆积现象方面表现出了强大的能力。

以往的研究通常主要关注粒子计数，而没有深入研究诸如“能量分辨率”、“检测效率”和“灵敏度”等关键参数（Zhang et al., 2024; Frutos-Puerto et al., 2021）。据我们所知，这是首次将基于YOLO的目标检测与CMOS成像相结合进行定量α粒子光谱学的研究，其中光谱信息是通过蒙特卡洛模拟重建和验证的，而不仅仅是像以往基于YOLO的方法那样进行轨迹计数。通过提取与光点“大小”和“亮度”相关的特征，我们能够直接从图像数据中重建光谱信息。此外，通过将我们的实验结果与使用基于蒙特卡洛的AASI软件模拟的光谱进行比较（Siiskonen and P?ll?nen, 2005），我们建立了一个用于定量验证和“能量校准”的稳健框架。

与传统基于预处理的方法相比，我们的方法具有更高的准确性，并能够在实际条件下实现实用的光谱学分析。这种方法的有希望的性能为开发适用于环境监测、核安全和放射性材料监测的自动化光谱系统奠定了坚实的基础。

章节摘录

材料与方法

本研究使用的网络摄像头是基于CMOS的摄像头，下面详细介绍了用于α粒子检测、数据分析和模拟的算法及软件。

讨论与结果

使用YOLOv8算法检测到α粒子并计算出其相应能量后，从实验数据中提取了能量谱，如图6所示。实验谱图展示了CMOS传感器捕获的α粒子事件的强度分布，为镭-226衰变链的定量分析提供了坚实的基础。

图7展示了使用AASI模拟的α粒子谱图

结论

本研究证明了将低成本CMOS网络摄像头传感器与先进的目标检测算法结合用于α粒子光谱学的可行性。通过将YOLOv8应用于镭-226源的实验图像，成功地将α粒子事件与噪声和堆积现象区分开来，实现了准确的光谱重建。得到的光谱成功解析了镭-226衰变链的主要同位素峰值，并与蒙特卡洛模拟结果高度吻合。

CRediT作者贡献声明

Fatemeh Esmaeili Meshkin：撰写——初稿，软件开发，实验研究。Saleh Ashrafi：撰写——审稿与编辑，撰写——初稿，项目监督，方法论设计。Hadi Sabri：项目管理，概念构思。Aydin Ghalehasadi：撰写——审稿与编辑，数据可视化，数据管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文研究工作的财务利益或个人关系。