摘" 要： 為提高X、γ劑量率儀檢定、校準(zhǔn)的自動化程度，提出一種基于計算機(jī)視覺的X、γ劑量率儀數(shù)字識別系統(tǒng)。該系統(tǒng)可實現(xiàn)攝像頭視頻采集、采集圖像預(yù)處理、儀表圖像的文本檢測與識別以及識別結(jié)果的后處理。分別采用DBNet與CRNN?CTC作為文本檢測與文本識別的模型，比較不同骨干網(wǎng)絡(luò)結(jié)構(gòu)對模型的影響。在平衡準(zhǔn)確性和速度指標(biāo)后，選擇MoblieNetV3作為文本檢測和識別模型的骨干網(wǎng)絡(luò)，對32種常見的X、γ劑量率儀進(jìn)行識別實驗。結(jié)果表明：經(jīng)算法過濾后，儀器識別準(zhǔn)確率可達(dá)到100%；對于絕大部分儀器，使用數(shù)字識別系統(tǒng)效率可以提高20%以上，但是對于顯示界面刷新面積較大的儀器，攝像機(jī)難以識別，仍需要人工檢定。

關(guān)鍵詞： 數(shù)字識別系統(tǒng)； 機(jī)器視覺技術(shù)； 深度學(xué)習(xí)； 圖像處理； 文本檢測； 文本識別； 計量檢定

中圖分類號： TN911.73?34； TP274" " " " " " " " 文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " "文章編號： 1004?373X（2025）06?0118?09

X、γ doserate meter digital recognition system based on computer vision technology

WANG Yuqing1， 2， 3， HUANG Zhenglin1， LIU Xinhao1， LI Yingguo1， WEI Yingjing1， 4

（1. China Institute for Radiation Proctection， Taiyuan 030006， China;

2. Shanxi Key Laboratory for Radiation Safety and Protection， Taiyuan 030006， China;

3. CNNC Key Laboratory for Radiation Protection Technology， Taiyuan 030006， China;

4. Institute of Nuclear and New Energy Technology， Tsinghua University， Beijing 100084， China）

Abstract： In order to improve the automation degree of X、γ doserate meters verification and calibration， a X、γ doserate meter digital recognition system based on computer vision technology is proposed. The system can realize camera video acquisition， collected image preprocessing， text detection and recognition of instrument images and post?processing of recognition results. DBNet and CRNN?CTC （convolutional recurrent neural network?connectionist temporal classification） are used as text detection and text recognition model， respectively， and the impact of different backbone networks on models is compared. After balancing accuracy and speed indicators， MoblieNetV3 is selected as the backbone network for text detection and recognition model. The recognition tests were conducted on 32 common X、γ doserate meters. The results show that after the filtering algorithm， the instrument recognition accuracy can reach 100%. For most of the instruments， the use of digital recognition system can improve the efficiency of more than 20%， but for the display interface refresh area of large instruments， the camera is difficult to identify， still need manual verification.

Keywords： digital recognition system; machine vision technology; deep learning; image processing; text detection; text recognition; metrological verification

0" 引" 言

隨著我國核技術(shù)在眾多領(lǐng)域的快速發(fā)展，輻射監(jiān)測能力建設(shè)已成為重要課題。X、γ射線空氣比釋動能標(biāo)準(zhǔn)裝置是應(yīng)用最廣泛的電離輻射計量標(biāo)準(zhǔn)，常用的環(huán)境輻射監(jiān)測儀表等設(shè)備均需通過此類計量標(biāo)準(zhǔn)進(jìn)行溯源。然而，目前大部分空氣比釋動能標(biāo)準(zhǔn)裝置進(jìn)行儀表檢定時，很大程度上依賴人工讀數(shù)，在帶來人為誤差的同時還存在檢測效率偏低的問題。

在計量檢定領(lǐng)域，自動化裝置代替人工重復(fù)性工作已成為發(fā)展趨勢[1?2]。文獻(xiàn)[3]建立了基于視覺技術(shù)的金屬量器自動檢定裝置，效率提高30%以上。文獻(xiàn)[4]建立了基于機(jī)器視覺技術(shù)的全自動水表檢定裝置，經(jīng)實驗驗證，該裝置有效解決了水珠、氣泡等對水表讀數(shù)的干擾，實現(xiàn)了水表的自動檢定。然而，在電離輻射計量領(lǐng)域，自動化設(shè)備發(fā)展較為落后。

當(dāng)前，機(jī)器視覺技術(shù)在光學(xué)字符識別（OCR）中得到了廣泛的應(yīng)用[5?6]，儀表數(shù)字識別系統(tǒng)便是OCR技術(shù)的一種實際使用[7?8]。儀表數(shù)字識別系統(tǒng)的主要目的是：通過圖像處理技術(shù)，以機(jī)器視覺的方式識別光學(xué)傳感器傳回的儀表圖像中的數(shù)據(jù)。將OCR技術(shù)應(yīng)用于計量檢定中有利于提高工作效率，減少人員工作強度，降低人為誤差。本文根據(jù)電離輻射檢定的實際應(yīng)用場景，基于機(jī)器視覺技術(shù)建立了X、γ劑量率儀的自動識別、檢定系統(tǒng)。基于開發(fā)的數(shù)字識別系統(tǒng)，對當(dāng)前常用的多款X、γ劑量率儀進(jìn)行了識別、檢定，并對儀表數(shù)字識別系統(tǒng)的識別成功率、檢定效率進(jìn)行了統(tǒng)計、分析。

1" 數(shù)字識別系統(tǒng)構(gòu)成

圖1所示為X、γ劑量率儀數(shù)字識別系統(tǒng)的結(jié)構(gòu)，處理流程可以分為五個部分，即圖像讀取、圖像預(yù)處理、識別模型運算、運算結(jié)果后處理、原始數(shù)據(jù)及證書生成。首先讀取輻照室內(nèi)儀表讀數(shù)攝像頭的圖像作為數(shù)據(jù)源，在文本識別前需要對圖像進(jìn)行預(yù)處理，以減少計算資源并提高OCR的準(zhǔn)確率。完成預(yù)處理后，基于DBNet以及CRNN?CTC模型，完成對儀表圖像的文本檢測及文本識別。通過對識別結(jié)果進(jìn)行后處理來提高識別準(zhǔn)確率，在完成所有測量點的數(shù)據(jù)識別后，基于各測量點數(shù)據(jù)對儀表的統(tǒng)計漲落、校準(zhǔn)因子、相對固有誤差、相對擴(kuò)展不確定度等進(jìn)行計算，并將計算結(jié)果導(dǎo)入證書模板，實現(xiàn)證書的生成。

2" 算法實現(xiàn)

2.1" 圖像預(yù)處理

圖像預(yù)處理是基于OpenCV庫實現(xiàn)對圖像的二值化、傾斜校正、裁切等操作，以提升文本識別過程中的處理速度以及識別成功率。圖像預(yù)處理流程如圖2所示。

2.1.1" 圖像二值化

攝像機(jī)獲得的彩色圖像會占用大量存儲空間及運算時間，因此需要二值化處理以減少數(shù)據(jù)維度。圖像二值化的算法采用最大類間方差法（OTSU法）[9]。最大類間方差的計算公式如下：

式中：N0和N1是前景和背景的像素個數(shù)；ω0和ω1分別是前景和背景的比例；μ0和μ1分別是前景和背景像素的平均灰度；μ是整個圖像的平均灰度；g是要求的最大類間方差，當(dāng)取得合適的閾值使類間方差g最大化，該閾值就是二值化的最佳閾值。

2.1.2" 圖像傾斜校正

圖像存在傾斜會導(dǎo)致文字檢測不全，進(jìn)而影響后續(xù)識別結(jié)果?；谥本€識別實現(xiàn)傾斜圖像的校正，原理是利用霍夫變換[10]從圖像中檢測到對應(yīng)的直線，計算直線之間的角度來判斷圖像的傾斜角度，并進(jìn)行旋轉(zhuǎn)。

2.1.3" 圖像裁切

儀表顯示界面除劑量率示數(shù)外還包含其他文字信息，這些文字在處理時會占用大量系統(tǒng)資源，同時給提取有效信息帶來了負(fù)面影響，因此需要進(jìn)行圖像裁切，即提取圖像中感興趣區(qū)域（RoI區(qū)域）。為實現(xiàn)圖像裁切功能，基于OpenCV庫構(gòu)造了圖像裁切控件，該控件可實現(xiàn)裁切區(qū)域的拖動、放大、縮小。

2.2" 深度學(xué)習(xí)算法

2.2.1" 文本檢測

本文采用DBNet模型實現(xiàn)文本檢測。DBNet的工作原理如圖3所示[11]。輸入一張圖像，經(jīng)過骨干網(wǎng)絡(luò)的卷積操作進(jìn)行特征提取，隨后進(jìn)行上采樣操作。上采樣的過程是把[132]特征圖通過插值放大到原圖的[116]，然后與前一步驟的[116]特征圖融合，得到新的[116]特征圖；再進(jìn)行相同的操作得到新的[18]特征圖與[14]特征圖；然后對輸出的4個特征圖分別上采樣到一樣大小，進(jìn)行一個concat操作，得到[14]融合特征圖；最后對該特征圖進(jìn)行插值，得到原圖大小。網(wǎng)絡(luò)的輸出分為兩個部分，一個是概率圖（代表像素點是文本的概率），另一個是閾值圖（每個像素點的閾值）。使用可微二值化公式將概率圖與閾值圖轉(zhuǎn)化為二值圖，最后經(jīng)過后處理，得到文本框的坐標(biāo)。

2.2.2" 文本識別

文本識別基于CRNN來實現(xiàn)，如圖4所示。圖中：（1，32，100）表示單通道、32高度、100寬度。整個CRNN網(wǎng)絡(luò)結(jié)構(gòu)[12]從下到上依次為：卷積層（CNN）、循環(huán)層（RNN）、轉(zhuǎn)錄層（CTC loss）。

1） 卷積層：將輸入的圖像轉(zhuǎn)化為具有特征信息的特征圖。為了使提取的特征圖尺寸相同，輸入的圖像預(yù)先要縮放到固定的大小。

2） 循環(huán)層：由雙向遞歸神經(jīng)網(wǎng)絡(luò)（BiRNN）構(gòu)成，實現(xiàn)對特征序列的預(yù)測。對序列中的每個特征向量進(jìn)行學(xué)習(xí)，并輸出逐幀預(yù)測結(jié)果分布。

3） 轉(zhuǎn)錄層：其作用是將前面通過CNN層和RNN層得到的預(yù)測序列采用去重整合等操作轉(zhuǎn)換成最終的識別結(jié)果。本文使用CTC loss把從循環(huán)層獲取的一系列標(biāo)簽分布轉(zhuǎn)換成最終的標(biāo)簽序列，同時CTC loss解決了預(yù)測結(jié)果和標(biāo)簽不一致的問題。

2.2.3" 訓(xùn)練集構(gòu)建

文本檢測與識別模型均采用預(yù)訓(xùn)練模型進(jìn)行二次訓(xùn)練。預(yù)訓(xùn)練模型基于大量數(shù)據(jù)集完成訓(xùn)練，即參數(shù)權(quán)重已預(yù)置，可以幫助模型在新的數(shù)據(jù)集上更快收斂，從而能夠達(dá)到更好的性能。

二次訓(xùn)練數(shù)據(jù)集來自于中國輻射防護(hù)研究院放射性計量站檢定工作中記錄的X、γ劑量率儀圖像，共3 000張圖像，其中300張用于模型評估。檢測模型訓(xùn)練時批數(shù)據(jù)量取16，學(xué)習(xí)率取10-3，迭代訓(xùn)練次數(shù)取500。識別模型訓(xùn)練時批數(shù)據(jù)量取64，學(xué)習(xí)率取10-4，迭代訓(xùn)練次數(shù)取120。

2.2.4" 網(wǎng)絡(luò)結(jié)構(gòu)

在深度學(xué)習(xí)中，通常將模型分為三部分：骨干網(wǎng)絡(luò)（backbone）、中間網(wǎng)絡(luò)（neck）和檢測頭（head）。其中，骨干網(wǎng)絡(luò)是模型的主要部分，負(fù)責(zé)提取輸入圖像的特征信息。目前常用的骨干網(wǎng)絡(luò)有ResNet[13]、VGGNet[14]、ResNeXt[15]等具有優(yōu)秀的特性提取性能的深度卷積神經(jīng)網(wǎng)絡(luò)，也有例如MobileNet[16]、GhostNet[17]等更加快速高效的輕量級網(wǎng)絡(luò)。為優(yōu)化數(shù)字識別系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)，本文采用兩類結(jié)構(gòu)中性能較好的ResNet與MobileNet進(jìn)行了對比。在分類任務(wù)中，評價模型性能的指標(biāo)有準(zhǔn)確率（Acc）、精確率（P）、召回率（R）、F1指數(shù)（F1），其中F1指數(shù)是精確率和召回率的一個加權(quán)平均，計算公式如下：

式中：TP表示被正確預(yù)測的正例；TN表示被正確預(yù)測的反例；FP表示被錯誤預(yù)測的正例；FN表示被錯誤預(yù)測的反例。

在文本檢測階段，采用P、R、F1評價模型的準(zhǔn)確性；在文本識別階段，采用Acc評價模型的準(zhǔn)確性。不同骨干網(wǎng)絡(luò)的預(yù)測性能對比結(jié)果如表1所示。

表1中，MobileNet的模型通道數(shù)縮放比例分別設(shè)置為0.35、0.5、1，ResNet層數(shù)分別設(shè)置為18、34、50?？梢钥吹組obileNet在推理時間上普遍優(yōu)于ResNet 2倍以上，且準(zhǔn)確率差距在可接受范圍內(nèi)。為保證模型實際應(yīng)用時的快速性，本文選取MobileNetV3_x1作為骨干網(wǎng)絡(luò)結(jié)構(gòu)。

2.3" 后處理算法

2.3.1" 劑量率提取

文本識別的結(jié)果包含多個文本框內(nèi)容，需要從中提取出所關(guān)注的X、γ劑量率數(shù)值。本文設(shè)計了一種提取劑量率的OCR后處理算法，該算法步驟如下。

1） 將RoI區(qū)域內(nèi)提取到的所有文本框進(jìn)行初步篩選，若文本框內(nèi)包含的字符串可以轉(zhuǎn)換為浮點數(shù)，則可判定該文本框內(nèi)為數(shù)字信息。

2） 若滿足步驟1）的文本框只有1個，則該數(shù)字為劑量率；若滿足條件的文本框不止1個，則繼續(xù)篩選文本框內(nèi)包含“Sv”或“Gy”的文本，該文本框即為劑量率單位文本框。

3） 讀取各數(shù)字文本框及劑量率單位文本框的圖像坐標(biāo)，若數(shù)字文本框坐標(biāo)位于劑量率單位文本框左側(cè)，則說明該數(shù)字為X、γ劑量率數(shù)值。

2.3.2" 數(shù)字跳變處理

X、γ劑量率儀的顯示面板主要分為LCD顯示屏和段碼液晶屏兩類。LCD顯示屏一般為常亮；段碼液晶屏以數(shù)碼管的形式顯示數(shù)字，存在數(shù)字刷新的過程。段碼液晶屏刷新時，并不是所有數(shù)碼管同時變化，因而會導(dǎo)致界面上出現(xiàn)一些非數(shù)字的內(nèi)容，如圖5所示。數(shù)字跳變會嚴(yán)重影響識別準(zhǔn)確率，為此，本文設(shè)計了一種針對數(shù)字跳變的后處理算法，該算法思路為：

1） 讀取攝像機(jī)傳回圖像，并延遲100 ms重新讀取，將兩幅圖像保存至內(nèi)存；

2） 將上述2幅圖像進(jìn)行文本識別，并比對所有文本識別結(jié)果，若2幅圖像的識別結(jié)果相同，則說明這兩幅圖像采集過程中沒有發(fā)生數(shù)字跳變，可將OCR結(jié)果保留；若識別結(jié)果不同，則將本次識別結(jié)果作廢，等待下一采集周期數(shù)據(jù)重新識別。

3" 數(shù)字識別系統(tǒng)性能測試

3.1" 實驗概述

在中國輻射防護(hù)研究院放射性計量站環(huán)境級γ參考輻射場開展了模擬檢定實驗，實驗裝置如圖6所示。本次實驗參考點約定值覆蓋單位數(shù)級、十?dāng)?shù)級、百數(shù)級以及小數(shù)級，如表2所示。

本次實驗測試了32種常見的X、γ劑量率儀及個人劑量計。各儀表在表2所述的每個參考點記錄了100個示數(shù)，即每款儀表共測量了400張圖像，對識別成功率、識別效率進(jìn)行了統(tǒng)計，實驗設(shè)計的數(shù)據(jù)讀取間隔為1 s。

3.2" 圖像分析

以儀表型號為JF310的X、γ劑量率儀為例，在上述每個參考點實時識別了400個儀表示數(shù)，共1 600張圖像。經(jīng)統(tǒng)計，OCR識別成功率為100%，且不會受到不同數(shù)量級數(shù)字的影響，所有圖像均可準(zhǔn)確分割、識別出ROI區(qū)域內(nèi)的X、γ劑量率數(shù)值。圖7所示為不同參考點的部分識別結(jié)果。其中識別結(jié)果為系統(tǒng)分析所得儀表示數(shù)；識別率表示模型匹配度，越接近1則匹配度越高。

從圖7b）中可以看到，即使截取圖像時存在輕微的數(shù)字跳變現(xiàn)象，也可以正常識別示數(shù)，說明后處理算法有效增加了OCR的抗干擾能力。

圖8所示為幾種常見的X、γ劑量率儀的識別結(jié)果。

從圖8可以看到，盡管不同儀表的字體、背景顏色、文本顏色、傾斜角度均不同，但OCR系統(tǒng)仍可以精確檢測到數(shù)字文本并正確識別，說明深度學(xué)習(xí)模型可以有效提取圖像特征且模型參數(shù)已達(dá)到最優(yōu)。

3.3" 準(zhǔn)確率分析

被測儀表參數(shù)及測試結(jié)果見表3，表中標(biāo)識“*”為進(jìn)口儀表。

分析準(zhǔn)確率可看出，除三款進(jìn)口儀表6150AD、451P和FH40G?L10外，OCR識別系統(tǒng)的文本識別準(zhǔn)確率均為100%。分析識別錯誤圖像發(fā)現(xiàn)，識別錯誤來源于數(shù)字的漏選以及小數(shù)點的錯誤識別或遺漏。

這些進(jìn)口儀表錯誤識別結(jié)果在識別序列中體現(xiàn)為突然上漲或下降的“毛刺”，如圖9所示。

利用該特點可以對識別結(jié)果序列進(jìn)行過濾，具體流程如下。

1） 將識別結(jié)果按照先后順序保存至數(shù)組內(nèi)，數(shù)組長度與需要導(dǎo)入的數(shù)字?jǐn)?shù)量相關(guān)，以JJG 521—2006檢定規(guī)程[18]為例，測量重復(fù)性時需要測量20次，則數(shù)組長度為30，其中多余10個數(shù)字作為備用，以便出現(xiàn)錯誤識別結(jié)果時對其替換。

2） 選取上述數(shù)組的后20個數(shù)字作為識別結(jié)果序列，并計算其中位數(shù)。

3） 判斷序列內(nèi)數(shù)字與中位數(shù)的比值是否小于2，若滿足則保留，否則將該數(shù)剔除。

4） 經(jīng)步驟3）過濾后，若結(jié)果序列中存在被剔除數(shù)字，則將備用數(shù)組中的數(shù)字插入結(jié)果序列中，并重新進(jìn)行步驟3）的數(shù)字過濾流程，直至結(jié)果序列中不存在錯誤識別的“毛刺”。

為驗證識別結(jié)果過濾算法的效果，對型號為6150AD、451P和FH40G?L10的劑量率儀重新進(jìn)行OCR識別實驗，經(jīng)過濾后，OCR識別成功率均達(dá)到100%，說明該算法可以有效剔除錯誤識別結(jié)果。

3.4" 識別效率分析

分析測試結(jié)果的識別用時可以看出：在大多數(shù)情況下，使用OCR識別系統(tǒng)可有效提高檢定效率，效率提升基本在20%以上；但有個別情況會出現(xiàn)識別系統(tǒng)效率遠(yuǎn)低于人工識別的情況，例如儀表型號為BY211B和FRD1020，出現(xiàn)這種現(xiàn)象的主要原因是顯示界面刷新面積過大，攝像機(jī)截取圖像時數(shù)字被嚴(yán)重遮擋，導(dǎo)致無法識別。這類儀表無法使用軟件進(jìn)行檢定，仍需要人工檢定。

4" 結(jié)" 語

本文基于OCR視覺技術(shù)，提出了X、γ劑量率儀數(shù)字識別系統(tǒng)。該系統(tǒng)基于OpenCV實現(xiàn)了視頻采集及采集圖像的預(yù)處理；基于DBNet和CRNN?CTC模型，實現(xiàn)了儀表圖像的文本檢測及識別。對比了不同骨干網(wǎng)絡(luò)結(jié)構(gòu)對于文本檢測與識別模型的影響，均衡識別準(zhǔn)確性與識別快速性指標(biāo)后，選擇MoblieNetV3_x1作為骨干網(wǎng)絡(luò)。針對X、γ劑量率儀的顯示界面特點，設(shè)計了劑量率提取及數(shù)字跳變錯誤處理的后處理算法。測試結(jié)果表明，后處理算法可以有效提取關(guān)鍵信息，且增加了OCR的抗干擾能力。

對32種常見的X、γ劑量率儀進(jìn)行了識別測試。測試結(jié)果表明，除三款進(jìn)口儀表6150AD、451P和FH40G?L10外，數(shù)字識別系統(tǒng)的文本識別準(zhǔn)確率均為100%。為解決這三款儀表的錯誤識別問題，提出了OCR識別結(jié)果序列過濾算法，經(jīng)算法過濾后，OCR識別準(zhǔn)確率均達(dá)到100%。另外，對于大部分儀表來說，使用數(shù)字識別系統(tǒng)可提升20%以上的工作效率，但對于顯示界面刷新面積過大的儀表，攝像機(jī)截取圖像時數(shù)字被嚴(yán)重遮擋，導(dǎo)致無法識別，仍需要人工檢定。綜上，X、γ劑量率儀數(shù)字識別系統(tǒng)具有較高的準(zhǔn)確性，且有助于提高工作效率，降低人員重復(fù)工作。

參考文獻(xiàn)

[1] STROUSE G F， MANGUM B W， VAUGHN C D， et al. A new NIST automated calibration system for industrial?grade platinum resistance thermometers [EB/OL]. [2024?04?21]. https：//tsapps.nist.gov/publication/get_pdf.

[2] GUDKOV K V， MIKHEEV M Y， YURMANOV V A， et al. A method of automatic verification of Coriolis flowmeters in the field [J]. Measurement techniques， 2012（55）： 151?155.

[3] 張東飛，郝華東，陳曹浪，等.基于視覺技術(shù)的金屬量器自動檢定裝置[J].電子測量技術(shù)，2021，44（13）：91?96.

[4] 鄭博文.基于機(jī)器視覺技術(shù)的全自動水表檢定裝置研制[J].中國測試，2021，47（z2）：149?152.

[5] 徐建輝，王永華，萬頻，等.基于機(jī)器視覺的外觀尺寸測量及OCR識別檢測系統(tǒng)的設(shè)計[J].儀器儀表用戶，2017，24（5）：4?7.

[6] ARICA N， YARMAN?VURAL F T. An overview of character recognition focused on off?line handwriting [J]. IEEE transactions on systems， man， and cybernetics， 2001， 31（2）： 216?233.

[7] 黃穎怡，汪仁煌，岳利軍.機(jī)器視覺儀表識別方法的研究進(jìn)展[J].自動化儀表，2009，30（8）：58?60.

[8] 喬彩風(fēng)，宋世軍，何忠.數(shù)字視頻監(jiān)控系統(tǒng)的智能化實現(xiàn)[J].計算機(jī)與現(xiàn)代化，2008，7（12）：45?48.

[9] OTSU N. A threshold selection method from gray?level histograms [J]. Automatica， 1975， 11（285/296）： 23?27.

[10] DUDA R O， HART P E. Use of hough transformation to detect lines and curves in pictures [J]. Communications of the ACM， 1972， 15（1）：11?15.

[11] LIAO M， WAN Z， YAO C， et al. Real?time scene text detection with differentiable Binarization [J]. AAAI conference on artificial intelligence， 2019（34）： 11474?11481.

[12] SHI B， BAI X， YAO C. An end?to?end trainable neural network for image?based sequence recognition and its application to scene text recognition [J]. IEEE transactions on pattern analysis and machine intelligence， 2017（39）： 2298?2304.

[13] HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. [S.l.]： IEEE， 2016： 770?778.

[14] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large?scale image recognition [EB/OL]. [2023?12?07]. https：//arxiv.org/pdf/1409.1556v6.

[15] XIE S， GIRSHICK R， DOLLAR P， et al. Aggregated residual transformations for deep neural networks [C]// Computer Vision and Pattern Recognition. Honolulu， HI， USA： IEEE， 2017： 5987?5995.

[16] HOWARD A， SANDLER M， CHEN B， et al. Searching for MobileNetV3 [C]// 2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Seoul， South Korea： IEEE， 2020： 1314?1324.

[17] HAN K， WANG Y， TIAN Q， et al. GhostNet： more features from cheap operations [C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Seattle， WA， USA： IEEE， 2020： 1577?1586.

[18] 上海市計量測試技術(shù)研究院.環(huán)境監(jiān)測用X、γ輻射空氣比釋動能（吸收劑量）率儀檢定規(guī)程：JJG 521—2006[S].北京：中國標(biāo)準(zhǔn)出版社，2006.

作者簡介：王雨青（1997—），男，山西太原人，碩士研究生，助理研究員，工程師，主要從事機(jī)器視覺、自動控制及電離輻射計量方面的研究。

收稿日期：2024?05?21" " " " " "修回日期：2024?06?28