Comparing Deep Learning Architectures On Gamma-Spectroscopy Analysis For Nuclear Waste Characterization
DOI:
https://doi.org/10.15392/bjrs.v9i1A.1257Palavras-chave:
gamma-spectroscopy analysis, deep learning,Resumo
Neural networks, particularly deep neural networks, are used nowadays with great success in several tasks, such as image classification, image segmentation, translation, text to speech, speech to text, achieving super-human performance. In this study, we explore the capabilities of deep learning on a new field: gamma-spectroscopy analysis, comparing the classification performance of different deep neural network architectures. We choose VGG-16, VGG-19, Xception, ResNet, InceptionV3, and MobileNet architectures, which are available through the Keras Deep Learning framework to identify several different radionuclides (Am-241, Ba133, Cd-109, Co-60, Cs-137, Eu-152, Mn-54, Na-24, and Pb-210). Using an HPGe detector to acquire several gamma spectra from different sealed sources to create a dataset used for the training and validation of the comparison of the neural network. This study demonstrates the strengths and weaknesses of applying deep learning on gamma-spectroscopy analysis for nuclear waste characterization.Downloads
Referências
W. S. McCulloch and W. Pitts, “A logical calculus of the ideas immanent in nervous activity,” Bull. Math. Biophys., 1943.
W. C. Contributors, “Neuron Hand-tuned.” [Online]. Available: https://commons.wikimedia.org/w/index.php?title=File:Neuron_Hand-tuned.svg&oldid=347708343.
R. Raina, A. Madhavan, and A. Y. Ng, “Large-scale deep unsupervised learning using graphics processors,” 2009.
D. Cireșan, A. Giusti, L. M. Gambardella, and J. Schmidhuber, “Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images,” in NIPS, 2012.
O. Ronneberger, P. Fischer, and T. Brox, “U-net: Convolutional networks for biomedical image segmentation,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2015.
P. E. Keller and R. T. Kouzes, “Gamma spectral analysis via neural networks,” Proc. 1994 IEEE Nucl. Sci. Symp. - NSS’94, 1995.
P. E. Keller, L. J. Kangas, G. L. Troyer, S. Hashem, and R. T. Kouzes, “Nuclear Spectral Analysis via Artificial Neural Networks for Waste Handling,” IEEE Trans. Nucl. Sci., vol. 42, no. 4, pp. 709–715, 1995.
F. Rosenblatt, “The perceptron: A probabilistic model for information storage and organization in the brain,” Psychol. Rev., 1958.
G. H. Yann LeCun, Yoshua Bengio, “Deep learning,” Nat. Methods, 2015.
F. Chollet, “Xception: Deep learning with depthwise separable convolutions,” Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, vol. 2017-Janua, pp. 1800–1807, 2017.
K. Simonyan and A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition,” pp. 1–14, 2014.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 770–778, 2016.
A. G. Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” 2017.
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the Inception Architecture for Computer Vision,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 2818–2826, 2016.
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2021 Brazilian Journal of Radiation Sciences
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Declaro que o presente artigo é original, não tendo sido submetido à publicação em qualquer outro periódico nacional ou internacional, quer seja em parte ou em sua totalidade. Declaro, ainda, que uma vez publicado na revista Brazilian Journal of Radiation Sciences, editada pela Sociedade Brasileira de Proteção Radiológica, o mesmo jamais será submetido por mim ou por qualquer um dos demais co-autores a qualquer outro periódico. Através deste instrumento, em meu nome e em nome dos demais co-autores, porventura existentes, cedo os direitos autorais do referido artigo à Sociedade Brasileira de Proteção Radiológica, que está autorizada a publicá-lo em meio impresso, digital, ou outro existente, sem retribuição financeira para os autores.
Licença
Os artigos do BJRS são licenciados sob uma Creative Commons Atribuição 4.0 Licença Internacional, que permite o uso, compartilhamento, adaptação, distribuição e reprodução em qualquer meio ou formato, desde que você dê o devido crédito ao (s) autor (es) original (is) e à fonte, forneça um link para a licença Creative Commons, e indique se mudanças foram feitas. As imagens ou outro material de terceiros neste artigo estão incluídos na licença Creative Commons do artigo, a menos que indicado de outra forma em uma linha de crédito para o material. Se o material não estiver incluído no licença Creative Commons do artigo e seu uso pretendido não é permitido por regulamentação legal ou excede o uso permitido, você precisará obter permissão diretamente do detentor dos direitos autorais. Para visualizar uma cópia desta licença, visite http://creativecommons.org/licenses/by/4.0/
