基于贝叶斯融合神经网络的放射性泄漏源的3D定位

《Radiation Measurements》：3D localization of radioactive leakage source based on Bayesian Fusion Neural Network

　　•提出了一种贝叶斯融合神经网络（BFNN）框架，该框架旨在共同利用从同一辐射传感器测量中提取的多粒度定位信息，在统一的架构中整合粗粒度区域分类和细粒度3D坐标回归。•通过将数据驱动的区域概率与基于几何的高斯似然相结合，开发了一种具有几何感知能力的BF机制，通过整合测量证据和空间先验知识，实现了物理上一致的泄漏定位。•在训练和测试场景之间的分布不匹配程度不同的广泛实验表明，与代表性的基线方法相比，所提出的BFNN在定位精度、鲁棒性和跨场景泛化能力方面都得到了提升。

引言
作为一种高效且清洁的能源，核能在全球能源格局中占据着关键地位（Asif等人，2025年）。其产业链涵盖了核燃料循环的多个阶段，涉及放射性材料的广泛处理和控制。特别是在核燃料循环的后端阶段，如乏燃料管理、放射性废物存储、运输和临时封存过程中，核材料通常以组件形式存储在受限环境中（Farhat等人，2024年；Romanets等人，2010年）。在这些情况下，仅检测到异常辐射是不够的。在有限的3D空间内快速准确地定位泄漏源对于有针对性的干预至关重要（Du等人，2025年）。
传统的核材料辐射监测主要依赖于单点传感器（例如盖革计数器）的有限部署，并采用固定阈值报警策略（Ziock和Goldstein，2002年）。虽然这些方法可以确定局部辐射水平是否超过预定义的限制并触发报警，但它们无法提供关于泄漏源位置的空间信息。在实际应用中，通常需要依赖使用便携式检测设备进行手动现场检查；然而，这种方法在响应时间方面效率低下，并且使应急人员暴露于不必要的辐射风险中（Kamiya等人，2015年）。这种被动且劳动密集型的监测模式无法满足现代对实时、精确和安全的核监测要求。
为了克服单点探测器的局限性，特别是它们较弱的空间感知能力和无法直观定位辐射源的能力（Li等人，2024年；Bi等人，2023年），研究人员提出了基于CMOS图像传感器结合伽马成像原理的新方法（Fujibuchi和Han，2025年；Yang等人，2026年）。通过捕捉伽马射线与传感器相互作用产生的可见光信号，这些方法能够可视化辐射场并便于定位源（Goiffon等人，2012年）。例如，Yan等人（2020年）提出了一种基于无屏蔽CMOS相机的动态场景检测方法，该方法通过分析连续帧之间像素强度的时间变化有效地识别辐射诱导信号。同样，Russo等人（2020年）开发了一种基于CdTe的紧凑型伽马相机，利用编码孔径成像技术将辐射源的空间分布转换为可重建的投影图像，以实现精确的位置估计。
尽管这些方法在实验室或受控条件下的源定位方面表现出优越性，但在复杂的核设施环境中大规模部署这些成像技术仍然具有挑战性。现有方法主要依赖于理想的照明条件或低噪声环境，使其不适合核设施典型的昏暗、多尘和电磁恶劣条件。这导致成像信噪比显著降低和误报率增加。此外，当前系统通常设计为手动、手持或临时操作，缺乏自主检测、自适应校准和远程重新配置的能力。因此，它们无法实现真正的无人操作，无法满足现代核安全系统中全天候、智能监测的迫切需求。这些环境鲁棒性和操作自主性的限制需要开发一种能够在复杂、非结构化环境中自主认知和决策的新监测范式。
随着人工智能的快速发展，深度学习（DL）在特征表示和复杂环境感知任务的鲁棒建模方面展示了强大的能力，为辐射源定位提供了有前途的技术途径（Xu等人，2025年；Buda等人，2025年）。在类似领域的相关研究表明，在高噪声和强混响的不利条件下，数据驱动的模型可以直接从时空传感器序列中学习有效的表示，实现相对稳定的源位置估计（Barhoush等人，2023年；Grumiaux等人，2021年）。这一观察表明，即使在没有完整先验知识的情况下，模型也可以通过端到端学习建立测量信号和空间位置之间的非线性映射。然而，声学方法不能直接应用于辐射场景。与声波相比，辐射信号在传播机制、衰减特性、噪声分布和可观察维度方面存在显著差异。在核设施中，这些差异因屏蔽结构、复杂几何形状和稀疏的传感器部署而进一步加剧，这限制了定位精度并损害了通用网络架构的物理一致性。因此，现有研究主要作为方法论参考，而不是直接适用的辐射定位解决方案。
目前，基于DL的辐射源定位研究通常遵循两条主要技术路线。第一条将辐射场感知视为图像理解问题（Nguyen等人，2026年；Yang等人，2026年）。这些方法旨在构建辐射强度的空间分布图，然后使用成熟的计算机视觉算法进行定位（Lin等人，2025年）。例如，Zhen等人（2025年）利用包含地理位置和接收信号强度（RSS）信息的无线电地图作为输入，将辐射源定位建模为小对象检测问题，使用改进的YOLO网络实现了1.41米的平均定位精度，分辨率为1 [Math Processing Error]m2。为了应对具有稀疏传感器的物联网场景，Habash等人（2024年）提出了一个两阶段框架，通过条件生成对抗网络（cGAN）将稀疏和受噪声破坏的传感器读数重构为连续的高分辨率辐射强度场，然后使用基于持久同调的峰值检测进行多源定位。尽管这些基于图像的方法有效，但它们具有明显的局限性。它们的性能高度依赖于无线电地图构建的质量和底层环境建模假设。基于YOLO的方法隐含地假设辐射源表现为清晰可辨的目标，这在强背景噪声下难以满足。同时，尽管基于cGAN的方法可以生成连续场，但其数据驱动的隐式映射缺乏来自物理传播机制的显式约束。这限制了它们在训练分布之外的复杂环境中的泛化能力，使它们容易产生伪影和定位偏差。
第二条路线专注于建立传感器读数和源参数之间的端到端直接映射或多任务联合推理（Lazna和Zalud，2025年；Chen等人，2025年）。例如，Baek等人（2024年）开发了一个基于多传感器网络和人工神经网络（ANN）的监测系统，利用探测器计数比作为输入特征来实现单源位置的高精度跟踪。在此基础上，Mendes等人（2022年）提出了一个包含RHLnet和RHIdnet的两阶段框架。RHLnet同时使用强度和位置信息估计源的数量、位置和活动，而RHIdnet基于光谱特征进行核素识别，展示了在多源场景中的泛化能力。为了应对运输泄漏场景，Chen等人（2026年）引入了一种基于多任务学习的DL方法。通过共同训练子任务——行方向、列方向和精确位置——并通过概率融合机制（PrINN）整合预测，该方法在分布变化下提高了鲁棒性。然而，这些方法仍然面临重大限制。基于ANN的方法严重依赖于手工制作的统计特征（例如计数比），这些特征提供了粗粒度的表示，并忽略了原始信号中的丰富时间动态，从而限制了在复杂屏蔽结构引起非线性失真情况下的泛化能力。RHLnet基于网格分类框架，产生的定位输出受到预定义空间离散化的限制，使得难以实现亚米级的连续定位，并在网格边界附近产生量化误差。尽管PrINN提高了鲁棒性，但其预测通常限于离散区域级别，缺乏在连续物理空间中进行细粒度坐标回归的能力，这对于高精度应急响应至关重要。
本研究提出了一种贝叶斯融合神经网络（BFNN）框架，通过融合来自单一辐射感测模式的粗粒度区域预测和细粒度坐标估计，实现放射泄漏源的准确和鲁棒3D定位，如图1所示。所提出的框架将区域级定位、连续坐标估计和基于几何的先验信息整合到一个统一的贝叶斯融合（BF）架构中，使用单一传感器类型。具体来说，它同时进行区域分类和坐标回归，而最终的定位是通过融合区域预测与估计的3D坐标之间的几何一致性以及每个候选区域来获得的。通过结合分类、回归和物理几何约束的互补信息，BFNN提高了定位精度、物理一致性和对噪声测量以及训练和部署之间分布变化的鲁棒性。
本研究的主要贡献总结如下：
•提出了一种BFNN框架，旨在共同利用从同一辐射传感器测量中提取的多粒度定位信息，在统一的架构中整合粗粒度区域分类和细粒度3D坐标回归。
•通过将数据驱动的区域概率与基于几何的高斯似然相结合，开发了一种具有几何感知能力的BF机制，通过整合测量证据和空间先验知识，实现了物理上一致的泄漏定位。
•在训练和测试场景之间的分布不匹配程度不同的广泛实验表明，与代表性的基线方法相比，所提出的BFNN在定位精度、鲁棒性和跨场景泛化能力方面都得到了提升。
本研究的其余部分组织如下。第2节详细介绍了所提出的方法论，包括数据收集、泄漏容器识别、泄漏源定位、置信度融合和损失函数设计。第3节展示了在不同条件下的实验结果。最后，总结了本研究的主要结论。

结果与讨论
为了验证所提出方法在代表性核材料管理场景中的有效性，构建了一个高保真模拟环境，其几何布局基于标准化的放射性材料存储单元设计。监测区域是一个矩形封闭空间，尺寸为[Math Processing Error]15m×2.8m×3.2m。在这个空间内，[Math Processing Error]Ntot=12个圆柱形容器均匀排列在2 × 6的网格中（[Math Processing Error]x轴上有2行，[Math Processing Error]y轴上有6列），总共形成[Math Processing Error]Ntot=M×N个区域。设[x1,x2,…,xNs]表示放射性物质的向量。

结论
本研究提出了BFNN，用于在核设施场景中精确3D定位放射泄漏源。通过结合多任务学习、几何可行性校正、高斯空间先验和BF，所提出的框架提高了定位精度和物理一致性。实验结果表明，在复杂的噪声干扰和训练-测试分布不匹配的情况下，BFNN的表现优于基线方法，实现了更准确和更鲁棒的3D定位。