物聯網下船舶運輸集裝箱放射性監測技術

胡慧慧，練 毅，葛郢漢

(江蘇航運職業技術學院，江蘇 南通 226001)

0 引 言

在海上運輸中，當放射性危險品出現安全事故，除了會帶來嚴重經濟損失和人身損傷外，還會造成海域環境污染等問題，由此產生的損傷具有不可逆性[1]。為避免出現此類安全事故，需采取有效手段加強對船舶運輸集裝箱放射性監測，以確保放射性危險品的安全可靠運送[2]。船舶運輸集裝箱放射性監測時，受集裝箱數量、存放地點以及裝載的放射性危險品種類等不確定性影響，采用傳統方式對放射性危險品狀態等信息進行采集具有較高的難度[3]。另外，船舶貨艙環境復雜，不僅線纜敷設難度高，而且信號傳輸受船體結構影響很大。利用物聯網技術構建Zigbee 無線通信網絡實現集裝箱放射性能譜數據的高效傳輸，成為放射性監測的研究重點[4]。

楊長杰等[5]利用門式車輛放射性物質監測系統（RPM）獲取集裝箱裝載貨物的γ 計數率數據，以之作為依據實現集裝箱放射性監測，但該技術受放射性物質質量以及核材料活度影響較大。鑒于該技術存在的問題，本文研究物聯網下船舶運輸集裝箱放射性監測技術，以提升集裝箱放射性物質運輸的安全性。

1 船舶運輸集裝箱放射性監測技術

1.1 物聯網下船舶運輸集裝箱放射性監測框架

船舶運輸集裝箱放射性監測的主要目的是對運輸集裝箱裝載貨物的放射性信息、船舶運行狀態及其航行位置等信息進行實時采集，通過可視化方式呈現給集裝箱貨物運輸人員，完成集裝箱放射性的實時監控。集裝箱存放地點以及裝載的貨物在各個航程中是隨機不確定的，故無法通過定點采集方式實時獲取集裝箱內裝載貨物的狀態信息，以有線方式將其傳輸給監控后臺。本文設計的數據采集策略具體為：

1）在船舶運輸的每個集裝箱箱體外部安裝無線采集終端模塊，將NaI(T1)γ 能譜儀布置在集裝箱內或合適位置，獲取集裝箱內放射性物質的放射性γ 能譜數據，將Zigbee 通信模塊內置于無線采集終端模塊中，安裝在集裝箱上的所有無線采集終端模塊均視為一個Zigbee 網絡節點，將其連接即可組建一個Zigbee 無線網絡，利用匯聚節點即可將各集裝箱采集信號上傳給船舶監控后臺。

2）在監控后臺設計無線協調終端模塊，將其視為Zigbee 網絡的匯聚節點，連接在船舶監控主機上，實現船舶運輸集裝箱裝載貨物放射性γ 能譜圖的采集。

3）船舶監控后臺距離集裝箱存放地點很遠，或是有障礙物介于二者之間時，需設計中繼節點以確保集裝箱放射性采集信息的安全、快速傳輸。

物聯網下船舶運輸集裝箱放射性監測由NaI(T1)γ能譜儀、Zigbee 通信模塊、無線協調終端模塊、GPS/AIS 接收模塊以及4G 移動網絡等部分構成，其基本框架如圖1 所示。

圖1 物聯網下船舶運算集裝箱放射性監測框架Fig.1 Radioactivity monitoring framework for ship computing containers under the internet of things

NaI(T1)γ 能譜儀是實現船舶運輸集裝箱放射性監測的重要設備，其基本結構如圖2 所示。當船舶運輸集裝箱裝載貨物發生輻射后，將釋放出γ 射線，利用NaI(T1)γ 能譜儀對其進行放射性檢測，NaI(T1)閃爍晶體會因γ 射線的射入發生電離反應，生成大規模光子，在NaI(T1)閃爍體外結構的作用下，使得光子發生反射并傳輸，從而在光電倍增管的光陰極處產生聚集，并生成光電子，其流經光電倍增管后，將生成電壓脈沖信號，通過前置放大器、線性脈沖放大器的處理后，由A/D 轉換器轉換后，進入多道分析器中，處理后的信號經過接口電路呈現在顯示屏上，從而獲得放射性的γ 能譜圖。

圖2 NaI(T1)γ 能譜儀基本結構Fig.2 NaI (T1) γ basic structure of energy spectrometer

1.2 基于長短時記憶網絡的集裝箱放射性監測模型

構建基于長短時記憶網絡（LSTM）的識別模型實現船舶運輸集裝箱放射性監測。基于LSTM 的識別模型基本結構如圖3 所示。該模型由前、后兩部分構成，前半部分通過對集裝箱放射性γ 能譜數據進行預處理，可獲得1 024 個道址數據，再以32 道址為一個數據采樣間隔，將其劃分為32 組時間序列，作為后部分LSTM 識別模型的輸入，最終實現船舶運輸集裝箱放射性監測。

圖3 基于LSTM 的識別模型基本結構Fig.3 Basic structure of recognition model based on LSTM

1.2.1 裝箱放射性γ 能譜數據處理

在現實環境中，采用NaI(T1)γ 能譜儀對船舶運輸集裝箱放射性γ 能譜進行采集時，會因噪聲以及統計漲落等因素的影響，使得獲得的部分集裝箱放射性γ 能譜數據出現異常。因此采用三點重心平滑方法對原始集裝箱放射性γ 能譜數據進行處理，以降低異常值的干擾。對于一維能譜數據，按由左至右順序作加和處理后，計算其均值，可確定其重心值。設定在一個滑動窗口中包含3 個道址，與之具有一一對應關系的累積計數值分別表示為X1、X2、X3，X1、X2的加和均值表示為Y1，X2、X3的加和均值表示為Y2，再計算Y1、Y2之和后求其平均值，即可實現重心值Y12的確定。三點重心平滑公式為：

式中：在集裝箱放射性γ 能譜數據中，當下道址的累積計數值表示為Xi，上一個、下一個道址的累積計數值分別表示為Xi-1、Xi+1；Yˉ為重心值。

對集裝箱放射性γ 能譜數據作歸一化處理，除了有利于集裝箱放射性識別效果的提升外，還能避免識別模型出現梯度消失問題，增強其魯棒性。本文利用max-min 全局歸一化方法對預處理后的集裝箱放射性γ 能譜數據進行處理，確保能譜數據滿足[0,1]。歸一化公式描述為：

式中，Xmax、Xmin分別為道址數據中的最高、最低值。

1.2.2 LSTM 網絡

LSTM 網絡是建立在循環神經網絡（RNN）基礎之上的神經網絡模型[5]。因RNN 隱含層僅能實現一個狀態h的表達，且在短期輸入感知上的高敏銳性，這使得RNN 網絡具有長期依賴缺陷。LSTM 網絡因加入了長期狀態C，大大提升了其對時間序列的預測能力。因此，采用LSTM 網絡對集裝箱放射性進行識別。圖4 為LSTM 網絡原理圖，描述了t時間點下LSTM 網絡各神經元對此刻集裝箱放射性γ 能譜的32 個時間序列值的特征向量分量的處理過程，此刻，遺忘門的權重矩陣表示為Wf，輸入門的權重矩陣通過Wi表示，輸出門以及此刻狀態的權重矩陣分別表示為Wc、Wo，細胞實際狀態通過C?t描述，sigmod 函數表示為 σ(·) ，其運算結果表示為ot；雙曲正切函數用tanh(·)描述，特征向量連接用 [·,·]表示。在LSTM 網絡中，狀態C主要由遺忘門、輸入門、輸出門決定，其中前者決定t時刻狀態Ct中有多少信息來自于t-1時刻狀態Ct-1；中間部分決定t時刻狀態Ct中有多少信息來自于t時刻輸入xt；后者決定t時刻輸出中有多少信息是從此刻狀態信息Ct中獲得的。

圖4 LSTM 網絡原理圖Fig.4 Schematic diagram of LSTM network

x=(x1,x2,···,xk)描述輸入至LSTM 網絡的集裝箱放射性γ 能譜的32 個時間序列值，k描述其長度信息。在當前時刻t下，LSTM 網絡的輸入由3 部分構成，分別為此刻網絡輸入xt、t-1時刻網絡輸出ht-1以及狀態Ct-1，將k個時間序列輸入至LSTM 網絡后，可獲得用ht表示的輸出結果。本文設計的LSTM 網絡具有3 層結構，識別模型前半部分獲得的32 組時間序列值作為LSTM 網絡輸入，在對LSTM 網絡進行訓練時，將各組序列值按時間順序逐個傳輸到LSTM 中即可；根據LSTM 網絡的輸入時間序列，計算其為正例的預測概率值，表示為y?=p{y=1}，利用Sigmoid 函數將其映射到[0,1]區間上，即可完成集裝箱放射性預測值y?的確定，從而實現集裝箱放射性監測。

2 仿真測試

以堆放在某貨艙的集裝箱為實驗對象，集裝箱數量為10，部分集裝箱中夾帶有60Co、137Cs 單一放射源或60Co&137Cs 組合放射源，其余無放射源。利用NaI(T1)γ能譜儀獲取各集裝箱放射性γ 能譜數據，該探測設備中的NaI(T1)晶體尺寸為3 英寸×3 英寸，可滿足（50 KeV，3 MeV）的能量探測要求，能量分辨率小于8%。設定放射監測時間為10 s，每次監測可獲得100 組能譜數據，構建樣本數據，樣本數量總量為2 000，采用本文技術對集裝箱進行放射性監測，分析其監測性能。

在網絡學習率分別為10-1、10-2、10-3、10-4時，研究學習率對LSTM 網絡性能的影響，實驗結果如圖5所示。可知，學習率對LSTM 網絡性能具有較大影響，習率取值為10-3時，更有利于集裝箱放射性監測效果的提升。

圖5 不同學習率下的LSTM 網絡性能分析Fig.5 Performance analysis of LSTM network under different learning rates

采用本文技術對集裝箱放射性能譜數據進行采集，無放射源、60Co、137Cs、60Co&137Cs 放射源集裝箱的能譜數據采集結果如圖6 所示。可知，在不同放射源下，集裝箱放射性能譜數據采集結果之間存在較大差異，相比無放射源能譜數據，60Co、137Cs、60Co&137Cs放射源能譜數據中存在明顯的全能峰，受貨艙環境因素影響，采集的能譜數據中含有一定噪聲，這將對后續識別產生影響，對集裝箱放射性能譜數據進行預處理十分必要。

圖6 不同放射源下的能譜數據采集結果分析Fig.6 Analysis of energy spectrum data collection results under different radiation sources

應用本文技術處理圖6 樣本，并對其作放射性監測，通過對各樣本的識別結果進行分析，研究本文技術的監測性能，實驗結果如表1 所示。可知，應用本文技術對不同放射源樣本進行識別，被正確識別的放射源對應的預測值最高，說明通過本文技術可完成放射源識別，從而實現集裝箱放射性監測。

表1 樣本識別結果分析Tab.1 Analysis of sample identification results

3 結 語

以船舶貨艙內存放的含有不同放射源的集裝箱為研究對象，將本文技術應用于集裝箱放射性監測中，通過對采集的能譜數據、不同學習率下的LSTM 網絡性能以及放射性監測結果等進行分析，驗證本文技術的應用效果。實驗結果表明，學習率取值為10-3時，可使LSTM 網絡具有最佳性能。本文技術可實現集裝箱放射性監測，監測結果與實際相符。