基于VI技术的单探测器多辐射类型并行测量分析

引言

核辐射按粒子类型可分为 ∝ 、β、γ 等，不同类型辐射的生物效应与防护要求差异显著。准确甄别辐射类型并量化其强度，是辐射监测领域的核心需求。传统方法采用多探测器组合（如电离室测 γ、闪烁体测 α/β），但存在体积庞大、兼容性差及同步性不足等问题。单探测器多类型测量通过单一敏感元件响应不同辐射的特征信号，结合信号处理技术实现类型甄别，成为近年研究热点。虚拟仪器（Virtual Instrument，VI）技术以计算机为核心，通过模块化硬件与可重构软件实现信号采集、处理与分析的深度融合，为单探测器多参数并行处理提供了灵活平台。本文基于VI 技术构建单探测器测量系统，研究其在α、β、γ 及混合辐射场中的类型甄别原理与实现方法，探索提升单探测器多维度分析能力的技术路径。

1 系统构成

1.1 硬件平台

基于 VI 技术的单探测器多辐射类型测量系统硬件平台由三大模块构成。单探测器单元选用高灵敏度的 NaI（Tl） 闪烁探测器，该探测器对 ∝ 、β、γ 辐射均具有良好的响应特性 。 ∝ 粒子激发短衰减脉冲，β 粒子因沉积分散产生长衰减成分，γ 射线与探测器作用产生的闪烁光子经光电倍增管转换为电信号，其脉冲幅度与能量沉积相关。信号调理模块通过前置放大器（增益 10³～10⁵ 倍）、成形电路优化波形，由高速 DAQ（采样率 ⩾100MS/s 、分辨率≥ 14 位）完成模数转换。计算机系统搭载 LabVIEW 平台，通过 PCIe 总线交互数据，集成波形存储、特征提取等模块。该架构融合探测器特性与VI 技术，构建低成本、高集成度平台，为信号处理与类型甄别提供硬件支撑。

1.2 软件架构

软件架构采用层次化设计，分为数据采集层、信号处理层与分析决策层。数据采集层通过 DAQ 驱动程序调控采样率、触发方式等参数，实现连续波形流的实时捕获与暂存，支持多通道扩展但聚焦单通道场景。信号处理层中，预处理模块通过基线校正、小波去噪等操作优化波形质量，并完成脉冲分割；特征提取模块则融合时域（上升时间、衰减常数）、频域（功率谱密度）、能谱（能量峰值分布）及时频联合分析（短时傅里叶变换、小波变换），从混合波形中提取多维度特征参数。分析决策层基于SVM、ANN 等机器学习算法构建分类器，利用特征参数集实现辐射类型模式识别，同时结合能谱分析算法完成强度量化与不确定性评估，形成从数据采集到智能决策的完整处理链路 [1]。

2 基本原理与方法

2.1 单探测器对多辐射的响应机制

单探测器对多辐射的响应机制源于不同粒子能量沉积与输运特性差异。α粒子质量大、电离强，穿透深度仅微米至毫米级，能量集中沉积于近表面，激发载流子衰减快，对应脉冲上升沿陡峭、衰减常数小（ ）；β 粒子质量小、穿透较强（毫米至厘米级），能量沉积分散且激发深层载流子，脉冲上升沿平缓、衰减常数大（ τ₂≥500ns ）；γ 射线通过光电效应、康普顿散射等与探测器作用，产生的闪烁光子数量与能量沉积相关，其脉冲幅度较大，且在能谱上呈现特定的能量峰值分布。混合场中三类脉冲叠加时，需通过盲源分离（ICA）解析独立成分，为特征提取与模式识别奠定基础。这种差异化响应机制，为单探测器实现多辐射类型并行测量提供了核心依据[1]。

2.2 基于 VI 的特征参数提取方法

基于 VI 的特征参数提取方法通过多维度分析实现辐射类型差异化表征。时域分析中，上升时间（Tr）反映能量沉积速率， ∝ 脉冲呈纳秒级 Tr，β 脉冲达微秒级， γ 射线作用产生的脉冲上升时间介于两者之间；衰减常数（τ）与探测器特性及沉积深度相关，α、β 分别对应短（τ₁）、长（τ₂）衰减常数，γ 射线响应的衰减特性则与探测器的闪烁体衰减时间有关；脉冲幅度（A）需结合波形形态区分类型，γ 射线产生的脉冲幅度通常较大且与能量相关。频域与时频分析方面，功率谱密度（PSD）显示α 脉冲以高频（ >10MHz ）为主、β 以低频（<1 MHz）为主，γ 射线响应在频域分布较广且与能量相关；小波变换（WT）构建时频矩阵，提取多尺度能量特征作为深度学习输入。此外，通过分析能谱中的能量峰值分布，可进一步区分 γ 射线的能量信息。该方法通过时域 - 频域 - 能谱联合分析，实现单探测器信号多维度特征解耦，为辐射类型识别提供关键数据支撑。

3 实验与分析

3.1 单一辐射源测量分析

3.1.1α 放射源测量

在单一 α 放射源（如 ²⁴¹Am ）测量的波形特征提取中，采集 10⁴ 个脉冲波形并预处理后，提取出平均上升时间 Trα 约 80ns 、衰减常数 $＼tau { ＼textbf { ＼alpha } }$ 约 150ns ，功率谱主峰位于 20MHz 处。其时域波形呈现陡峭上升沿与指数衰减尾，频域以高频成分为主。在分类器训练与验证中，以 Tr、τ 及 PSD 高频分量占比为特征参数，利用SVM 构建 ∝ 分类模型，测试集分类准确率达 98.7% 。

3.1.2β 放射源测量

针对单一 β 放射源（如 ³²P）的测量显示，其脉冲波形具有显著特征平均上升时间 Trβ 约 800ns ，衰减常数 τβ 约 600ns ，功率谱主峰位于 0.5MHz，时域呈现上升沿平缓、衰减过程含多指数成分（与探测器深度响应相关），频域以低频成分为主。基于与α 辐射相同的特征参数集（上升时间、衰减常数、功率谱特征等）构建β 分类模型，测试集分类准确率达 96.5% 。

γ 放射源测量：对单一γ 放射源（如 ¹³⁷Cs ）进行测量，分析其能谱特征，在能谱图上呈现明显的 662keV 能量峰值。同时，提取其脉冲时域特征，平均上升时间约 300ns ，衰减常数约 400ns ，功率谱分布较广。以能谱峰值能量、时域特征及频域特征构建 γ 分类模型，测试集分类准确率达 97.2% 。

4 总结

基于 VI 技术的单探测器多辐射类型并行测量系统，以硬件模块化与软件算法创新突破传统多探测器局限。实验显示，通过时域 - 频域 - 能谱联合特征提取与机器学习算法，该系统对 ∝ 、β、γ 及混合场的分类准确率超 96% 。其优势在于：单探测器架构降低系统复杂度与成本，VI 平台支持算法迭代与多参数并行分析，多维度联合分析增强复杂信号解析能力。未来研究可聚焦引入CNN 等深度学习模型提升低信噪比分类精度、优化硬件拓展便携式应用、开发多源数据融合算法实现更复杂场景下的精准测量。该技术为核辐射监测设备小型化、智能化提供新范式，在核设施巡检、环境应急监测等领域应用前景广阔。

参考文献：

[1] 刘雷 ， 徐书文 ， 韩正涛 ， 等 . 一种基于虚拟仪器技术的视频分析仪校准装置 [J]. 计量学报 ， 2024， 45（10）：1562-1569.

[2] 刘义 ， 姜阔胜 ， 谢有浩 ， 等 . 基于虚拟仪器的矿用通风机柔性性能测试系统研制 [J]. 煤矿机械 ， 2020， 41（2）：3.DOI：CNKI：SUN：MKJX.0.2020-02-010.