趙 日，劉 娜

(1.中國輻射防護(hù)研究院，山西 太原 030000；2.核藥研發(fā)轉(zhuǎn)化與精準(zhǔn)防護(hù)山西省重點(diǎn)實(shí)驗室，山西 太原 030000)

傳統(tǒng)伽馬能譜解析方法亦稱為峰分析法，它通過濾波定位、基底扣減、峰擬合等算法分析能譜中的光電峰[1-2]。然而，該方法在弱峰、重峰、高本底等情況下誤差較大，易造成核素漏識別和誤識別，且活度估算不準(zhǔn)確。另一些能譜解析方法，如逐道最小二乘法、能譜重建法等對測量條件、標(biāo)準(zhǔn)譜獲取、響應(yīng)矩陣構(gòu)建等方面均有較嚴(yán)格要求，只能在特定條件下使用，應(yīng)用范圍較有限。

近期，隨著人工智能技術(shù)的快速發(fā)展，基于人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)的伽馬能譜解析方法成為研究熱點(diǎn)。Qi等[3]使用4層全連接神經(jīng)網(wǎng)絡(luò)(fully connected network, FCN)進(jìn)行了點(diǎn)源測量條件下的NaI探測器低計數(shù)伽馬能譜核素識別研究(核素共14種，單能譜只含1種)；Daniel等[4]使用5層卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)實(shí)現(xiàn)了CdTe探測器能譜的核素識別(核素共6種，單能譜最多3種)；Kim等[5]基于3層FCN進(jìn)行了塑料閃爍體能譜解析研究(核素共4種)；Zhang等[6]針對LaBr3(Ce)探測器測量钚和高濃鈾樣品開展了基于3層FCN的核素識別(核素共2種)；Sahiner等[7]將3層FCN應(yīng)用于中子活化伽馬能譜解析(核素共5種)；Jhung等[8]用4層FCN輔助LYSO探測器識別137Cs和152Eu混合源；Kamuda等[9]報道了3層FCN驅(qū)動的NaI探測器自動核素識別(核素共32種，單能譜最多5種)；Chen等[10]報道了2層FCN在NaI探測器能譜解析上的應(yīng)用結(jié)果(核素共8種，單能譜最多2種)。

然而，已有基于ANN的伽馬能譜解析研究存在兩個明顯缺陷：均使用了淺層ANN架構(gòu)(FCN至多5層，僅1例使用CNN)，而淺層ANN只能實(shí)現(xiàn)簡單的輸入輸出映射，無法進(jìn)行深度、層次性特征提取，從而限制了已有研究對伽馬能譜全譜特征的精細(xì)化表征能力；ANN均直接與核素種類關(guān)聯(lián)，造成其訓(xùn)練和識別必須依賴預(yù)設(shè)核素庫。實(shí)際測量中難以提前預(yù)測對象所含核素種類，而一旦核素庫設(shè)置不準(zhǔn)確，即會造成核素漏識別、誤識別。

為彌補(bǔ)上述缺陷，本文將深度學(xué)習(xí)概念引入伽馬能譜分析，構(gòu)建較已有模型顯著加深、加大的ANN架構(gòu)，并改進(jìn)ANN的預(yù)測模式，突破對預(yù)設(shè)核素庫的依賴，提高方法的通用性和應(yīng)用潛力。

1 深度學(xué)習(xí)模型的構(gòu)造

1.1 模型架構(gòu)設(shè)計

本文針對伽馬能譜數(shù)據(jù)特征，設(shè)計了包含51層、超107參數(shù)的深度神經(jīng)網(wǎng)絡(luò)模型。模型的輸入為伽馬能譜各道計數(shù)，輸出則通過獨(dú)特設(shè)計直接與放射源出射的伽馬射線能量、數(shù)量對應(yīng)。

相較于已有研究使用的全連接網(wǎng)絡(luò)等淺層架構(gòu)，本模型架構(gòu)的最大特征是引入了殘差卷積模塊。殘差卷積模塊是當(dāng)前圖像識別、分類等領(lǐng)域主流深度學(xué)習(xí)模型的關(guān)鍵構(gòu)成單元[11-13]，它不僅繼承了卷積操作所特有的對樣本特征的多尺度精細(xì)化提取能力，同時，通過將前層輸出值跨層連接到后層實(shí)現(xiàn)跳躍連接[14]，使目標(biāo)函數(shù)的梯度能跨層反向傳播，避免過擬合和梯度消失，顯著提高模型泛化性能。將殘差卷積模塊應(yīng)用在伽馬能譜解析中，可全面提取能譜不同尺度的形態(tài)特征；同時，能譜數(shù)據(jù)維度較高，必須進(jìn)行多層、深度提取才能形成最終清晰、穩(wěn)定的高層抽象特征，而殘差卷積模塊的數(shù)值特性則恰好確保了多層卷積網(wǎng)絡(luò)的構(gòu)建，實(shí)現(xiàn)特征深度表征。

在具體實(shí)施中，本文構(gòu)造了兩類殘差卷積模塊R1和R2。R1、R2的具體結(jié)構(gòu)如圖1所示。R1用Din、Dout、Chin、Chout4個參數(shù)表征，Din、Dout分別表示R1的輸入、輸出數(shù)據(jù)維數(shù)，Chin、Chout分別表示R1的輸入、輸出數(shù)據(jù)通道數(shù)；R2用D、Ch 2個參數(shù)表征，D表示輸入輸出數(shù)據(jù)的維數(shù)(R2的輸入輸出數(shù)據(jù)維數(shù)相等)，Ch表示輸入輸出數(shù)據(jù)的通道數(shù)(R2的輸入輸出數(shù)據(jù)通道數(shù)相等)。R1不僅實(shí)現(xiàn)能譜特征提取，還實(shí)現(xiàn)數(shù)據(jù)降維，每次將維數(shù)降至1/2并使數(shù)據(jù)通道加倍；R2作用與R1類似，但保持?jǐn)?shù)據(jù)維度和通道數(shù)恒定。圖1中，Conv1D(k,s)表示1維卷積，其參數(shù)k、s分別表示卷積核寬度和卷積步長；Ch1、Ch2、Ch3分別表示相應(yīng)卷積核的通道數(shù)，R1中Ch1=Ch2=Chout/4，Ch3=Chout；R2中Ch1=Ch2=Ch/4，Ch3=Ch；BN(batch normalization)為批標(biāo)準(zhǔn)化層；ReLU(線性整流單元)為激勵函數(shù)。

a——Ⅰ類殘差模塊(R1)；b——Ⅱ類殘差模塊(R2)圖1 所構(gòu)造深度學(xué)習(xí)模型中的殘差模塊Fig.1 Residual modules in constructed deep learning model

圖2示出了本文構(gòu)造的深度學(xué)習(xí)模型的完整結(jié)構(gòu)。該模型由1個輸入層、4個R1-R2聯(lián)合模塊、1個全連接層和1個輸出層串聯(lián)構(gòu)成，其中，輸入層維數(shù)取常見伽馬能譜道數(shù)值1 024，其他能譜道數(shù)可通過分道和并道進(jìn)行匹配；R1-R2聯(lián)合模塊含1層R1和3層R2；R1、R2的內(nèi)部參數(shù)，如卷積核寬度、卷積通道數(shù)、卷積層數(shù)等是在參考圖像識別領(lǐng)域相關(guān)主流模型設(shè)計技巧的基礎(chǔ)上，通過大量仿真實(shí)驗反復(fù)測試優(yōu)化后確定的?；诤啙嵭钥紤]，本文只給出了模型最終版本，具體優(yōu)化過程略去。

圖2 所構(gòu)造的深度學(xué)習(xí)模型完整結(jié)構(gòu)Fig.2 Complete structure of constructed deep learning model

該模型通過12個殘差卷積模塊實(shí)現(xiàn)能譜特征的反復(fù)抽象和提取，并將數(shù)據(jù)維度從輸入的1 024降為16，將數(shù)據(jù)通道升至256。能譜的全部特征最終包含在該16×256維數(shù)據(jù)中，最后的全連接層則實(shí)現(xiàn)能譜特征與輸出值間的滿射。

由于R1和R2各包含3個卷積層，12個殘差卷積模塊再加上輸入、輸出層以及全連接層，整個模型共包含51層神經(jīng)網(wǎng)絡(luò)，總參數(shù)量則超過107個。

1.2 模型輸出設(shè)計

已有研究中模型輸出值直接與核素種類對應(yīng)，雖較直觀、便捷，但也決定了其訓(xùn)練和識別時須預(yù)設(shè)核素庫，該庫僅能包含少數(shù)幾種核素，且只能根據(jù)經(jīng)驗設(shè)置。為彌補(bǔ)該缺陷，本文對模型輸出層進(jìn)行獨(dú)特設(shè)計，具體考慮如下：核素出射的初始伽馬射線具有特定的能量，用能譜描述時，該出射譜中僅在少數(shù)孤立道有計數(shù)，計數(shù)值與核素活度、測量時長、射線分支比相關(guān)，而其余道計數(shù)均為零。如果模型直接輸出核素出射譜，給出更底層的初始伽馬射線信息，則不僅同樣可實(shí)現(xiàn)核素識別與活度計算，且無需對核素種類進(jìn)行范圍限制。

本文在實(shí)際實(shí)施中，用模型輸出層神經(jīng)元表示核素出射譜各道，各神經(jīng)元所表示能量可自由定義，這里基于輸入能譜的能量刻度函數(shù)確定神經(jīng)元序號與能量對應(yīng)關(guān)系，而神經(jīng)元取值則對應(yīng)各道計數(shù)。模型訓(xùn)練時，根據(jù)仿真能譜生成時所設(shè)置的伽馬射線能量和數(shù)量設(shè)置模型輸出值，通過訓(xùn)練使模型學(xué)習(xí)并建立起探測器測量譜與核素出射譜之間的映射關(guān)系；應(yīng)用時，模型根據(jù)輸入譜直接給出核素所有伽馬射線信息，但為濾除輸出值較小時帶來預(yù)測結(jié)果的偏差，設(shè)置閾值D，略去小于D的神經(jīng)元取值，如圖3所示。

圖3 輸出層設(shè)置示意圖Fig.3 Illustration of output layer setting

D與模型預(yù)測效果直接相關(guān)，訓(xùn)練時通過下述過程得到最優(yōu)值。

對固定的D，在訓(xùn)練集上計算該條件下的F1。F1是一權(quán)衡了識別敏感度和抗干擾能力的因子，定義如下：

(1)

其中：P為預(yù)測精度；R為召回率。P和R的計算公式如下：

(2)

(3)

其中：真陽性數(shù)為被正確識別的伽馬射線個數(shù)；假陽性數(shù)為被錯誤識別的實(shí)際不存在的伽馬射線個數(shù)；假陰性數(shù)為真實(shí)存在但未被正確識別的伽馬射線個數(shù)。

變化D可得F1曲線，F(xiàn)1取極大值時對應(yīng)的即為最優(yōu)D。

1.3 其他參數(shù)選擇

根據(jù)輸出層各道計數(shù)歸一化特性，使用深度學(xué)習(xí)中常用的softmax函數(shù)作為輸出層規(guī)范函數(shù)；同時，為評價伽馬射線能量和數(shù)量的預(yù)測值與真值間的接近程度，使用二進(jìn)制交叉熵(binary cross entropy)作為機(jī)器學(xué)習(xí)損失函數(shù)。模型訓(xùn)練時，采用隨機(jī)梯度下降算法，批數(shù)據(jù)量取32，學(xué)習(xí)率取10-3，迭代訓(xùn)練次數(shù)取30。

2 測試與應(yīng)用實(shí)驗

2.1 實(shí)驗場景

構(gòu)建的基于深度學(xué)習(xí)模型的伽馬能譜解析方法具備通用性，不局限于特定場景使用。然而受實(shí)驗室條件限制，本文基于現(xiàn)有儀器設(shè)備，選取自主搭建的NaI型WBC(全身計數(shù)器)測量人體放射性這一場景進(jìn)行伽馬能譜解析性能測試。

WBC獲取的人體伽馬能譜非常適合于開展能譜解析性能評估[15]，這是因為：首先，NaI探測器的能量分辨率較差，其所測能譜中光電峰展寬嚴(yán)重，能譜信噪比低，且重峰現(xiàn)象較普遍，因而對能譜解析方法的靈敏度、準(zhǔn)確性有較高要求；其次，人體所含放射性核素活度通常較低，造成能譜中的光電峰很弱，進(jìn)一步加大了核素識別的難度；最后，人體是一大體積源，對伽馬射線有顯著散射作用，更降低了能譜的峰康比(光電峰和康普頓散射計數(shù)幅值比)，從而需更優(yōu)的能譜解析方法。

2.2 訓(xùn)練集構(gòu)建

對2.1節(jié)中的測量場景進(jìn)行精細(xì)數(shù)字建模，如圖4所示，使用人體模型代表人體，通過計算機(jī)蒙特卡羅模擬技術(shù)生成該場景下大量仿真伽馬能譜，形成訓(xùn)練數(shù)據(jù)集用于模型訓(xùn)練。

圖4 測量場景數(shù)字模型 Fig.4 Digital model of detecting scenario

設(shè)置蒙特卡羅模擬參數(shù)時，伽馬射線源粒子種類、能量、數(shù)量3個參數(shù)不與特定核素關(guān)聯(lián)，而是以隨機(jī)抽樣方式產(chǎn)生更豐富、復(fù)雜的參數(shù)組合。隨機(jī)抽樣方式如下：單個能譜模擬中的伽馬射線源粒子種類取隨機(jī)整數(shù)值(范圍1～10，這里的種類即不同能量)，各種源粒子的能量取隨機(jī)浮點(diǎn)數(shù)值(范圍0.01～3.00 MeV)，源粒子數(shù)量隨機(jī)確定，范圍根據(jù)真實(shí)內(nèi)污染情況下常規(guī)測量時長(一般數(shù)分鐘)和常見內(nèi)污染核素活度(一般102～103Bq)確定。此外，源粒子根據(jù)常規(guī)實(shí)際情況設(shè)置為體內(nèi)均勻分布，伽馬能譜展寬函數(shù)取實(shí)測擬合值。最終生成了含105個能譜樣本的訓(xùn)練集，樣本例如圖5所示。

圖5 訓(xùn)練集能譜示例Fig.5 Example of spectrum in training set

2.3 仿真測試實(shí)驗

開展基于仿真能譜的測試實(shí)驗。不同于訓(xùn)練集，構(gòu)造測試集時為能直接進(jìn)行核素識別和活度計算的測試，仿真模擬時伽馬射線源粒子與核素直接關(guān)聯(lián)。具體來說，選定核設(shè)施職業(yè)內(nèi)照射監(jiān)測中常見的9種放射性核素[16-17](表1)，單個能譜中核素種類在9種中隨機(jī)選擇1～5種(鑒于已有研究在單能譜的核素設(shè)置上均未超過5種)。核素活度在102～103Bq內(nèi)隨機(jī)取值。假定測量時長5 min，根據(jù)核素活度、伽馬射線實(shí)際能量、分支比，設(shè)置源粒子能量、數(shù)量。最終生成了含100個能譜樣本的測試集，樣本例如圖6所示。

表1 核設(shè)施職業(yè)內(nèi)照射監(jiān)測常見9種放射性核素及射線信息Table 1 Nine common radionuclides and their radiation informations in occupational internal exposure monitoring of nuclear facilities

圖6 測試集能譜示意Fig.6 Example of spectrum in testing set

測試時，根據(jù)深度學(xué)習(xí)模型預(yù)測的核素出射譜進(jìn)行核素識別和活度計算，具體方法如下。

若預(yù)測的伽馬射線能量與真值相對誤差小于3%時，則認(rèn)為該伽馬射線被正確識別，即：

(4)

其中，E、E′分別為伽馬射線能量預(yù)測值與真值。

若某核素所有伽馬射線均被正確識別，則認(rèn)為該核素被正確識別，否則未被識別。

對被識別的核素，若預(yù)測的核素出射伽馬射線數(shù)量為N，則核素活度為：

(5)

其中：T為測量時長，取5 min；η為分支比。注意，計算活度時不需探測效率，因為N直接為核素出射射線數(shù)量。

當(dāng)核素有m個伽馬射線時，使用加權(quán)最小二乘法確定核素活度：

(6)

為進(jìn)一步說明本文所構(gòu)造深度模型的優(yōu)勢，對測試集同時采用傳統(tǒng)峰分析法[15,18-19]、能譜重建法[20]以及淺層ANN模型進(jìn)行能譜解析，并與本文所建模型的結(jié)果進(jìn)行比較。

2.4 實(shí)測實(shí)驗

基于仿真數(shù)據(jù)完成測試后，開展實(shí)測實(shí)驗。使用WBC測量一含134Cs、137Cs、57Co、60Co的仿真人體物理模型，核素活度分別為3 849.6、2 879.5、5 498.2、4 023.1 Bq，比較各方法的核素識別和活度估算結(jié)果。其中深度學(xué)習(xí)模型、淺層ANN模型由2.3節(jié)訓(xùn)練而來。實(shí)測時測量10次能譜，各方法的核素活度結(jié)果取10次的平均值。實(shí)驗前已對探測系統(tǒng)進(jìn)行了能量刻度，效率刻度則采用蒙特卡羅仿真模擬結(jié)果。

3 結(jié)果

3.1 仿真測試結(jié)果

用于測試的100個能譜中共含326個核素(核素類型9種)。本文統(tǒng)計了深度學(xué)習(xí)模型及3種對比方法的核素總識別率、漏識別率、誤識別率3個指標(biāo)，分別由被識別核素總數(shù)、漏識別核素總數(shù)、誤識別核素總數(shù)除以核素總數(shù)得到；同時，根據(jù)各方法給出的核素活度，計算活度計算平均誤差值。

結(jié)果列于表2，本文構(gòu)造的深度學(xué)習(xí)模型性能最好，其核素識別率達(dá)到了93.3%，且漏識別率、誤識別率均小于5%，活度計算的平均誤差小于10%；峰分析法性能最差，核素識別率僅為62.3%，且漏識別情況普遍，誤識別也超過了10%，活度估算誤差高達(dá)28.3%；能譜重建法與淺層ANN模型的解析性能較為接近，核素識別率在80%左右，漏識別仍較普遍，誤識別有明顯抑制，均小于10%，活度計算誤差同樣較大。

表2 4種方法在測試集上的性能比較Table 2 Performance comparison of four methods on testing set

3.2 實(shí)測實(shí)驗結(jié)果

對于實(shí)測能譜，各種方法的解析效果如圖7所示(取10次中的1次)，其中，深度學(xué)習(xí)模型、能譜重建法、淺層ANN模型均直接給出核素出射譜，即核素出射伽馬射線的能量和數(shù)量，而峰分析法則展示了其峰定位算法的卷積濾波結(jié)果(基底扣減與峰區(qū)擬合結(jié)果未展示)，所得曲線的極小值點(diǎn)即為峰位。峰識別及核素活度計算詳細(xì)結(jié)果列于表3、4(均為10次分析的平均結(jié)果)。表3顯示，深度學(xué)習(xí)模型、能譜重建法、淺層ANN模型均成功識別出6條伽馬射線，而峰分析法則在83.5 keV處有誤識別情況；對正確識別的射線，峰分析法誤差最大，其余三者較接近；各方法在峰識別中均存在一定誤差，這是由于實(shí)測能譜的“溫漂”造成的。表4顯示，深度學(xué)習(xí)模型的活度估算誤差最小，各核素均小于10%，峰分析法誤差最大，最高達(dá)-35%，能譜重建法與淺層ANN模型的誤差也相對較大。

a——深度學(xué)習(xí)模型效果(實(shí)測能譜幅值放大了103倍)；b——峰分析法峰定位效果；c——能譜重建法效果(實(shí)測能譜幅值放大了103倍)；d——淺層ANN模型效果(實(shí)測能譜幅值放大了103倍)圖7 4種方法在實(shí)測能譜上的解析效果對比Fig.7 Analysis comparison of four methods on measured spectrum

表3 4種方法在實(shí)測能譜上的峰識別效果對比Table 3 Comparison of peak identification of four methods on measured spectrum

表4 4種方法在實(shí)測能譜上的活度估算效果對比Table 4 Comparison of activity estimation of four methods on measured spectrum

4 討論

各種方法在測試集上的性能差異的原因如下。

峰分析法誤差最大，因為它只利用了能譜局部的峰形特征而忽視了大部分區(qū)域的計數(shù)信息，峰形特征在弱峰、重峰情況下不夠顯著，容易造成漏識別，由散射等因素形成的與光電峰相似的假峰結(jié)構(gòu)也容易被誤識別；同時，峰區(qū)基底扣減、凈計數(shù)擬合等在低峰康比、大統(tǒng)計漲落條件下誤差也較大。相比而言，能譜重建法、淺層ANN模型、深度學(xué)習(xí)模型在解析能譜時不局限于峰區(qū)計數(shù)，利用了全譜信息，信息量更大、更全面，其核素識別的效果也更好；且進(jìn)行活度推斷時，無需計算峰凈計數(shù)，也不顯式地使用探測效率，而是將其蘊(yùn)含在響應(yīng)矩陣或神經(jīng)網(wǎng)絡(luò)中，因而也一定程度減少了誤差來源。

然而，能譜重建法、淺層ANN模型同樣有其固有缺陷。能譜重建法依賴于精確的響應(yīng)矩陣，這在實(shí)際難以實(shí)現(xiàn)；同時響應(yīng)矩陣各列高度相關(guān)，矩陣高度病態(tài)，顯著增大了求解結(jié)果的誤差。淺層ANN模型的參數(shù)量少、層次性差，嚴(yán)重制約了其特征提取能力。此前研究者應(yīng)用淺層ANN模型時將預(yù)測任務(wù)限制于少數(shù)幾種核素，模型輸入輸出映射關(guān)系相對簡單，模型學(xué)習(xí)難度降低，因而可得到較好效果。本文則需ANN直接預(yù)測伽馬射線能量和數(shù)量，映射關(guān)系復(fù)雜，此時，淺層架構(gòu)的弊端顯現(xiàn)，導(dǎo)致了不可忽視的預(yù)測誤差。

深度學(xué)習(xí)模型則彌補(bǔ)了現(xiàn)有方法各方面的缺陷，以更多的層數(shù)和參數(shù)量實(shí)現(xiàn)對伽馬能譜全譜信息多層次、高精度提取和表征，且殘差結(jié)構(gòu)、梯度下降算法等確保了其數(shù)值迭代精度，實(shí)現(xiàn)了在訓(xùn)練集上的充分訓(xùn)練，大幅提高了在測試集上的準(zhǔn)確性。

3.2節(jié)實(shí)測實(shí)驗的測試結(jié)果進(jìn)一步印證了上述分析結(jié)論。實(shí)測能譜中，在80～100 keV附近出現(xiàn)了由較高能量伽馬射線散射形成的散射峰，峰寬與該區(qū)域光電峰非常接近，因此造成了峰分析法的誤識別，進(jìn)而在擬合峰凈計數(shù)時嚴(yán)重低估了122.1 keV伽馬射線全能峰凈計數(shù)，顯著低估了57Co活度。同時，134Cs的604.7 keV伽馬射線與137Cs的661.7 keV的伽馬射線在能譜中形成較復(fù)雜重峰，給峰分析法的基底扣減和峰凈計數(shù)擬合帶來很大難度。該方法明顯高估了134Cs活度并低估了137Cs活度。能譜重建法受求解算法精度的影響，得到的核素活度誤差同樣較大，且無明顯規(guī)律可循。淺層ANN模型由于其有限的特征提取能力，對能譜中高峰康比的高能區(qū)解析精度較高，而在特征復(fù)雜的低能區(qū)解析誤差較大。

5 結(jié)論

本文針對已有伽馬能譜解析方法在精度、通用性上的缺陷，設(shè)計、建立了能譜解析專用深度學(xué)習(xí)模型，利用多個殘差卷積模塊實(shí)現(xiàn)對伽馬能譜全譜信息的多層次、精細(xì)提取與表征；同時，對模型輸出層進(jìn)行了獨(dú)特設(shè)計，使其能夠直接預(yù)測核素出射的伽馬射線能量和數(shù)量，無需提前預(yù)設(shè)核素庫，拓寬了識別核素的范圍，增強(qiáng)了方法的通用性。最終建立的深度學(xué)習(xí)模型含12個殘差卷積模塊、51個神經(jīng)網(wǎng)絡(luò)層、超107個參數(shù)，相較已有能譜解析ANN在模型深度、參數(shù)規(guī)模上大幅提高。測試實(shí)驗環(huán)節(jié)，針對實(shí)驗室自建的全身計數(shù)器，基于其測量人體放射性場景開展實(shí)驗。具體實(shí)施上，首先使用蒙特卡羅模擬構(gòu)造了含105個樣本的訓(xùn)練集，完成模型訓(xùn)練后，構(gòu)造了含核設(shè)施職業(yè)內(nèi)照射監(jiān)測中常見9種放射性核素的仿真伽馬能譜測試集，測試了模型核素識別率和活度預(yù)測誤差，并與峰分析法、能譜重建法、淺層ANN模型進(jìn)行了比較。測試結(jié)果表明，深度學(xué)習(xí)模型核素識別率93.3%、活度計算平均誤差8.6%，相較峰分析法的62.3%、28.3%、能譜重建法的78.2%、18.7%、淺層ANN模型的81.3%、14.8%優(yōu)勢明顯。實(shí)測實(shí)驗中，深度學(xué)習(xí)模型正確識別所有伽馬射線，不存在誤識別情況，且活度預(yù)測誤差小于10%，顯著優(yōu)于其他3種方法。仿真和實(shí)測實(shí)驗結(jié)果證明了方法的準(zhǔn)確性、可靠性，說明了深度學(xué)習(xí)在特征提取與數(shù)值穩(wěn)定性上的突出能力，顯示了該方法未來付諸實(shí)際的應(yīng)用潛力。