CNN与Point-Net在不同训练数据比例下辐射异常识别分析

摘要

为了解决航空伽马能谱测量难以直接反映地面异常细节的问题，本文将Point-Net与CNN引入核环境辐射异常识别任务。基于福岛第一核电站事故17月后的地面与航空测量数据，评估2类算法在不同训练数据比例下的性能。5次独立训练后的预测结果表明：随训练比例由10%增至70%,Point-Net的平均预测准确率由58.22%升至88.03%，较CNN分别提高10.91%、3.71%、7.75%和9.70%，且平均损失值均低于CNN。10%比例下2类算法均易将环境本底误判为低值异常；30%比例下Point-Net预测结果已接近真实标签，而CNN对高值异常区域的预测范围偏大；50%比例下，Point-Net对高值异常区域已取得较好的识别效果，其高值异常的正确识别率较CNN提高21.13%,CNN仍将38.51%的环境本底样本误判为低值异常；70%比例下，Point-Net高值异常的正确识别率达到97.86%，较CNN提高6.26%。证实Point-Net更适用于处理不规则辐射监测数据，可为核应急环境下辐射异常识别的算法选择及训练数据规模的确定提供参考。

关键词

异常识别 / 卷积神经网络(CNN) / Point-Net / 福岛第一核电站

基金资助

国家自然科学基金(12265003)