深度学习技术在铀微粒裂变径迹检测中的应用

作     者：赵雄 任方达 沈彦 

作者机构：中国原子能科学研究院放射化学研究所 

出 版 物：《原子能科学技术》 (Atomic Energy Science and Technology)

年 卷 期：2025年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 082702[工学-核燃料循环与材料] 0826[工学-兵器科学与技术] 0805[工学-材料科学与工程（可授工学、理学学位）] 0827[工学-核科学与技术] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：铀微粒 裂变径迹 深度学习 YOLOv5-ST 

摘      要：通过对铀微粒的微粒分析获得关于铀浓缩活动的诸多敏感信息，进而判断核设施中是否存在未申报的铀浓缩活动，因此识别到铀微粒并进行微粒分析具有重要的研究价值。本文通过双层结构法制作铀微粒裂变径迹样品，在热中子通量为1.2×1014cm-2下进行辐照形成裂变径迹，并以YOLOv5为基础网络模型，融合窗口多头注意力机制（swin transformer）设计了一种铀微粒检测网络YOLOv5-ST。结果表明，YOLOv5-ST模型对铀微粒裂变径迹检测的均值平均精度为89.2%，检测精确率为90.1%，召回率为89.6%。与YOLOv5模型相比，均值平均精度、精确率、召回率分别提高了1.9%、4.5%、10.1%。该模型对铀微粒的径迹识别具有更好的检测效果，可为智能检测铀微粒径迹等研究提供技术支持。