近年来，随着核技术的推广和应用（例如医学成像和放射治疗、工业辐照、核能生产活动等），人们越来越容易接触到电离辐射，辐射暴露越来越受到公众的关注。气体探测器、闪烁体探测器和半导体探测器等专用仪器可用于辐射剂量测量。虽然这些专用辐射仪器可以实现高测量精度，但其输出信号对于一般人来说很难进行分析，并且由于价格昂贵，无法作为个人剂量计普遍使用。如今，CMOS图像传感器的应用越来越广泛，并成为人们生活中不可或缺的一部分，应用领域包括可移动电子产品、智能手机、医疗保健、安全监控等。同时，先前的研究表明，它们对γ/X射线也很敏感。研究人员已经开展了多项尝试性研究以将CMOS图像传感器用于带电粒子和电离辐射的测量。多种处理算法也已经被开发用于从CMOS图像传感器中提取辐射特征。然而，最显著的挑战在于CMOS图像传感器在弱辐射场景下的性能不佳，因为其探测效率低且统计时间较长。
据麦姆斯咨询报道，近日，中国核电工程有限公司核电安全技术与装备全国重点实验室、中国科学院合肥物质科学研究院、合肥综合性国家科学中心能源研究院等机构的研究人员组成的团队探讨了利用CMOS图像传感器和神经网络算法提取γ射线相互作用像素进行γ辐射探测的可行性。通过将CMOS图像传感器置于标准⁶⁰Co或¹³⁷Cs同位素源产生的γ场中，团队研究了其对γ射线的响应特性。CMOS图像传感器支持的预览帧率为25 fps，通过神经网络建立灰度直方图与剂量率之间的函数关系，利用CMOS图像传感器能够探测来自⁶⁰Co和¹³⁷Cs源的辐射剂量率为µSv/h级别的高能γ射线。结果表明，所提出的方法能有效识别基于CMOS图像传感器的辐射监测系统所检测到的光子粒子数量，结合辐射信号提取算法的CMOS图像传感器有望用作辐射防护的剂量报警器。上述研究成果以“An investigation of γ radiation detection with a CMOS imaging sensor”为题发表于Scientific Reports期刊。
本研究CMOS传感器的像素架构基于硅光电二极管有源像素传感器技术。CMOS图像传感器的架构如图1所示。
图1 CMOS图像传感器的架构示意图
在CMOS图像传感器中，对γ射线敏感的主要部件是光电二极管，图2显示了PN结的空间电荷区、电荷、电场分布和电势分布。
图2 PN结的空间电荷区、电荷、电场分布和电势分布
当光子射入CMOS传感器时，光电二极管的PN结导通并产生电流，过程如下：首先，辐射信号在光电二极管中转换为电子电荷。然后，位于每个像素中的作为缓冲器的源极跟随器晶体管将信号作为电压传输到读出列总线上。最后，模数转换器（ADC）将模拟电压转换为数字像素值，从而可以计算曝光率，在这种情况下，图像上会出现一个亮斑，这种现象已被用于检测低能X/γ射线，以进行γ成像或剂量测定。与带有光电倍增器的闪烁体探测器相比，基于CMOS图像传感器的系统可直接探测γ射线。测量过程中，0.05 mm厚度的铝箔可阻挡可见光进入图像传感器，使其处于黑暗环境中。
辐射测量实验中使用的关键部件是豪威科技（Omnivision Technologies）生产的商用CMOS图像传感器，型号为OV7725。传感器的像素尺寸为6 μm × 6 μm，光学尺寸为1/4英寸，包含一个640 × 480像素（307200像素）的图像阵列，其功能器件由模拟信号处理器、双8位A/D和视频端口、数字信号处理器、图像标量、时序发生器构成。CMOS图像传感器在视频模式下运行。
图3（a）商用CMOS图像传感器；（b）辐射测量实验设置
反向传播神经网络（BPNN）由Rumelhart等人于1980年代初提出并建立，此后，BPNN因其更好的函数逼近能力和有效的训练方法而得到了广泛的应用。通常，BPNN由输入层、输出层和若干隐藏层构成。三层BPNN的架构如图4所示。
图4 三层BPNN架构示意图
由于BPNN能够实现输入数据和输出数据之间任意复杂的非线性映射，是解决复杂问题的良好工具，而且训练好的BPNN模型的速度很快，通常都能满足要求。通常来说，BPNN经过训练后，其预测能力（也称为泛化能力）相对较强。
本研究的主要工作是利用图像处理算法从CMOS图像传感器产生的一系列视频中提取和分析辐射特征。
图5显示了探测系统识别图像中辐射粒子事件数量的算法流程。
图5 辐射事件筛查流程图
从30000张辐射剂量率范围为7.74~608.85 µGy/h的图像中随机选取一组100 Gy级别的直方图，以测试四层神经网络训练后的误差。辐射剂量率由球形电离室测量，BPNN模型的输出值如图6所示。
图6 实验值与BPNN模型输出值的拟合结果
通过分析上述数据，最大误差约为36%，测量值为20.73 µGy/h，BPNN预测值为13.37 µGy/h，超过85组数据的预测精度优于10%，这意味着采用适当算法的CMOS图像传感器具有作为辐射预警装置的潜力。部分数据的预测结果和误差如图7所示。
图7 50组数据的预测结果与误差
综上所述，这项研究开发了一种改进的BPNN，提出了一种将灰度直方图与辐照剂量率关联的训练方法，并根据实验输入信号及其相应的输出信号对BPNN进行了适当的训练。BPNN的参数根据拟合曲线和误差曲线选择。
实验结果表明，改进的Elman神经网络具有较小的均方误差和较好的泛化效果。本研究表明，辐射测量系统可用于检测γ射线剂量率，但其灵敏度较低，只适用于高辐射剂量环境中的剂量监测，难以用作可靠的辐射剂量计。因此，CMOS图像传感器的可能用途仅限于在辐射事故环境中警告放射性物质的存在，而不能用作可靠的剂量计。这项研究为辐射探测提供了创新性的指导。
论文链接：
https://doi.org/10.1038/s41598-024-75096-8
近年来，随着核技术的推广和应用（例如医学成像和放射治疗、工业辐照、核能生产活动等），人们越来越容易接触到电离辐射，辐射暴露越来越受到公众的关注。气体探测器、闪烁体探测器和半导体探测器等专用仪器可用于辐射剂量测量。虽然这些专用辐射仪器可以实现高测量精度，但其输出信号对于一般人来说很难进行分析，并且由于价格昂贵，无法作为个人剂量计普遍使用。如今，CMOS图像传感器的应用越来越广泛，并成为人们生活中不可或缺的一部分，应用领域包括可移动电子产品、智能手机、医疗保健、安全监控等。同时，先前的研究表明，它们对γ/X射线也很敏感。研究人员已经开展了多项尝试性研究以将CMOS图像传感器用于带电粒子和电离辐射的测量。多种处理算法也已经被开发用于从CMOS图像传感器中提取辐射特征。然而，最显著的挑战在于CMOS图像传感器在弱辐射场景下的性能不佳，因为其探测效率低且统计时间较长。
据麦姆斯咨询报道，近日，中国核电工程有限公司核电安全技术与装备全国重点实验室、中国科学院合肥物质科学研究院、合肥综合性国家科学中心能源研究院等机构的研究人员组成的团队探讨了利用CMOS图像传感器和神经网络算法提取γ射线相互作用像素进行γ辐射探测的可行性。通过将CMOS图像传感器置于标准⁶⁰Co或¹³⁷Cs同位素源产生的γ场中，团队研究了其对γ射线的响应特性。CMOS图像传感器支持的预览帧率为25 fps，通过神经网络建立灰度直方图与剂量率之间的函数关系，利用CMOS图像传感器能够探测来自⁶⁰Co和¹³⁷Cs源的辐射剂量率为µSv/h级别的高能γ射线。结果表明，所提出的方法能有效识别基于CMOS图像传感器的辐射监测系统所检测到的光子粒子数量，结合辐射信号提取算法的CMOS图像传感器有望用作辐射防护的剂量报警器。上述研究成果以“An investigation of γ radiation detection with a CMOS imaging sensor”为题发表于Scientific Reports期刊。
本研究CMOS传感器的像素架构基于硅光电二极管有源像素传感器技术。CMOS图像传感器的架构如图1所示。
图1 CMOS图像传感器的架构示意图
在CMOS图像传感器中，对γ射线敏感的主要部件是光电二极管，图2显示了PN结的空间电荷区、电荷、电场分布和电势分布。
图2 PN结的空间电荷区、电荷、电场分布和电势分布
当光子射入CMOS传感器时，光电二极管的PN结导通并产生电流，过程如下：首先，辐射信号在光电二极管中转换为电子电荷。然后，位于每个像素中的作为缓冲器的源极跟随器晶体管将信号作为电压传输到读出列总线上。最后，模数转换器（ADC）将模拟电压转换为数字像素值，从而可以计算曝光率，在这种情况下，图像上会出现一个亮斑，这种现象已被用于检测低能X/γ射线，以进行γ成像或剂量测定。与带有光电倍增器的闪烁体探测器相比，基于CMOS图像传感器的系统可直接探测γ射线。测量过程中，0.05 mm厚度的铝箔可阻挡可见光进入图像传感器，使其处于黑暗环境中。
辐射测量实验中使用的关键部件是豪威科技（Omnivision Technologies）生产的商用CMOS图像传感器，型号为OV7725。传感器的像素尺寸为6 μm × 6 μm，光学尺寸为1/4英寸，包含一个640 × 480像素（307200像素）的图像阵列，其功能器件由模拟信号处理器、双8位A/D和视频端口、数字信号处理器、图像标量、时序发生器构成。CMOS图像传感器在视频模式下运行。
图3（a）商用CMOS图像传感器；（b）辐射测量实验设置
反向传播神经网络（BPNN）由Rumelhart等人于1980年代初提出并建立，此后，BPNN因其更好的函数逼近能力和有效的训练方法而得到了广泛的应用。通常，BPNN由输入层、输出层和若干隐藏层构成。三层BPNN的架构如图4所示。
图4 三层BPNN架构示意图
由于BPNN能够实现输入数据和输出数据之间任意复杂的非线性映射，是解决复杂问题的良好工具，而且训练好的BPNN模型的速度很快，通常都能满足要求。通常来说，BPNN经过训练后，其预测能力（也称为泛化能力）相对较强。
本研究的主要工作是利用图像处理算法从CMOS图像传感器产生的一系列视频中提取和分析辐射特征。
图5显示了探测系统识别图像中辐射粒子事件数量的算法流程。
图5 辐射事件筛查流程图
从30000张辐射剂量率范围为7.74~608.85 µGy/h的图像中随机选取一组100 Gy级别的直方图，以测试四层神经网络训练后的误差。辐射剂量率由球形电离室测量，BPNN模型的输出值如图6所示。
图6 实验值与BPNN模型输出值的拟合结果
通过分析上述数据，最大误差约为36%，测量值为20.73 µGy/h，BPNN预测值为13.37 µGy/h，超过85组数据的预测精度优于10%，这意味着采用适当算法的CMOS图像传感器具有作为辐射预警装置的潜力。部分数据的预测结果和误差如图7所示。
图7 50组数据的预测结果与误差
综上所述，这项研究开发了一种改进的BPNN，提出了一种将灰度直方图与辐照剂量率关联的训练方法，并根据实验输入信号及其相应的输出信号对BPNN进行了适当的训练。BPNN的参数根据拟合曲线和误差曲线选择。
实验结果表明，改进的Elman神经网络具有较小的均方误差和较好的泛化效果。本研究表明，辐射测量系统可用于检测γ射线剂量率，但其灵敏度较低，只适用于高辐射剂量环境中的剂量监测，难以用作可靠的辐射剂量计。因此，CMOS图像传感器的可能用途仅限于在辐射事故环境中警告放射性物质的存在，而不能用作可靠的剂量计。这项研究为辐射探测提供了创新性的指导。
论文链接：
https://doi.org/10.1038/s41598-024-75096-8
