在海上运输中，当放射性危险品出现安全事故，除了会带来严重经济损失和人身损伤外，还会造成海域环境污染等问题，由此产生的损伤具有不可逆性^[1]。为避免出现此类安全事故，需采取有效手段加强对船舶运输集装箱放射性监测，以确保放射性危险品的安全可靠运送^[2]。船舶运输集装箱放射性监测时，受集装箱数量、存放地点以及装载的放射性危险品种类等不确定性影响，采用传统方式对放射性危险品状态等信息进行采集具有较高的难度^[3]。另外，船舶货舱环境复杂，不仅线缆敷设难度高，而且信号传输受船体结构影响很大。利用物联网技术构建Zigbee无线通信网络实现集装箱放射性能谱数据的高效传输，成为放射性监测的研究重点^[4]。

杨长杰等^[5]利用门式车辆放射性物质监测系统（RPM）获取集装箱装载货物的γ计数率数据，以之作为依据实现集装箱放射性监测，但该技术受放射性物质质量以及核材料活度影响较大。鉴于该技术存在的问题，本文研究物联网下船舶运输集装箱放射性监测技术，以提升集装箱放射性物质运输的安全性。

船舶运输集装箱放射性监测的主要目的是对运输集装箱装载货物的放射性信息、船舶运行状态及其航行位置等信息进行实时采集，通过可视化方式呈现给集装箱货物运输人员，完成集装箱放射性的实时监控。集装箱存放地点以及装载的货物在各个航程中是随机不确定的，故无法通过定点采集方式实时获取集装箱内装载货物的状态信息，以有线方式将其传输给监控后台。本文设计的数据采集策略具体为：

1）在船舶运输的每个集装箱箱体外部安装无线采集终端模块，将NaI(T1)γ能谱仪布置在集装箱内或合适位置，获取集装箱内放射性物质的放射性γ能谱数据，将Zigbee通信模块内置于无线采集终端模块中，安装在集装箱上的所有无线采集终端模块均视为一个Zigbee网络节点，将其连接即可组建一个Zigbee无线网络，利用汇聚节点即可将各集装箱采集信号上传给船舶监控后台。

2）在监控后台设计无线协调终端模块，将其视为Zigbee网络的汇聚节点，连接在船舶监控主机上，实现船舶运输集装箱装载货物放射性γ能谱图的采集。

3）船舶监控后台距离集装箱存放地点很远，或是有障碍物介于二者之间时，需设计中继节点以确保集装箱放射性采集信息的安全、快速传输。

物联网下船舶运输集装箱放射性监测由NaI(T1)γ能谱仪、Zigbee通信模块、无线协调终端模块、GPS/AIS接收模块以及4G移动网络等部分构成，其基本框架如图1所示。

图 1 物联网下船舶运算集装箱放射性监测框架 Fig. 1 Radioactivity monitoring framework for ship computing containers under the internet of things

NaI(T1)γ能谱仪是实现船舶运输集装箱放射性监测的重要设备，其基本结构如图2所示。当船舶运输集装箱装载货物发生辐射后，将释放出γ射线，利用NaI(T1)γ能谱仪对其进行放射性检测，NaI(T1)闪烁晶体会因γ射线的射入发生电离反应，生成大规模光子，在NaI(T1)闪烁体外结构的作用下，使得光子发生反射并传输，从而在光电倍增管的光阴极处产生聚集，并生成光电子，其流经光电倍增管后，将生成电压脉冲信号，通过前置放大器、线性脉冲放大器的处理后，由A/D转换器转换后，进入多道分析器中，处理后的信号经过接口电路呈现在显示屏上，从而获得放射性的γ能谱图。

图 2 NaI(T1)γ能谱仪基本结构 Fig. 2 NaI (T1) γ basic structure of energy spectrometer

构建基于长短时记忆网络（LSTM）的识别模型实现船舶运输集装箱放射性监测。基于LSTM的识别模型基本结构如图3所示。该模型由前、后两部分构成，前半部分通过对集装箱放射性γ能谱数据进行预处理，可获得1024个道址数据，再以32道址为一个数据采样间隔，将其划分为32组时间序列，作为后部分LSTM识别模型的输入，最终实现船舶运输集装箱放射性监测。

图 3 基于LSTM的识别模型基本结构 Fig. 3 Basic structure of recognition model based on LSTM

在现实环境中，采用NaI(T1)γ能谱仪对船舶运输集装箱放射性γ能谱进行采集时，会因噪声以及统计涨落等因素的影响，使得获得的部分集装箱放射性γ能谱数据出现异常。因此采用三点重心平滑方法对原始集装箱放射性γ能谱数据进行处理，以降低异常值的干扰。对于一维能谱数据，按由左至右顺序作加和处理后，计算其均值，可确定其重心值。设定在一个滑动窗口中包含3个道址，与之具有一一对应关系的累积计数值分别表示为X₁、X₂、X₃，X₁、X₂的加和均值表示为Y₁，X₂、X₃的加和均值表示为Y₂，再计算Y₁、Y₂之和后求其平均值，即可实现重心值Y₁₂的确定。三点重心平滑公式为：

式中：在集装箱放射性γ能谱数据中，当下道址的累积计数值表示为X_i，上一个、下一个道址的累积计数值分别表示为 $ {X_{i - 1}} $ 、 $ {X_{i + 1}} $ ； $ \bar Y $ 为重心值。

对集装箱放射性γ能谱数据作归一化处理，除了有利于集装箱放射性识别效果的提升外，还能避免识别模型出现梯度消失问题，增强其鲁棒性。本文利用max-min全局归一化方法对预处理后的集装箱放射性γ能谱数据进行处理，确保能谱数据满足[0,1]。归一化公式描述为：

式中，X_max、X_min分别为道址数据中的最高、最低值。

LSTM网络是建立在循环神经网络（RNN）基础之上的神经网络模型^[5]。因RNN隐含层仅能实现一个状态 $ h $ 的表达，且在短期输入感知上的高敏锐性，这使得RNN网络具有长期依赖缺陷。LSTM网络因加入了长期状态 $ C $ ，大大提升了其对时间序列的预测能力。因此，采用LSTM网络对集装箱放射性进行识别。图4为LSTM网络原理图，描述了 $ t $ 时间点下LSTM网络各神经元对此刻集装箱放射性γ能谱的32个时间序列值的特征向量分量的处理过程，此刻，遗忘门的权重矩阵表示为W_f，输入门的权重矩阵通过W_i表示，输出门以及此刻状态的权重矩阵分别表示为W_c、W_o，细胞实际状态通过 $ {\tilde C_t} $ 描述，sigmod函数表示为 $ \sigma \left( \cdot \right) $ ，其运算结果表示为 $ {o_t} $ ；双曲正切函数用tanh(·)描述，特征向量连接用 $ \left[ { \cdot , \cdot } \right] $ 表示。在LSTM网络中，状态 $ C $ 主要由遗忘门、输入门、输出门决定，其中前者决定 $ t $ 时刻状态C_t中有多少信息来自于 $ t - 1 $ 时刻状态C_t-1；中间部分决定 $ t $ 时刻状态C_t中有多少信息来自于 $ t $ 时刻输入x_t；后者决定 $ t $ 时刻输出中有多少信息是从此刻状态信息C_t中获得的。

图 4 LSTM网络原理图 Fig. 4 Schematic diagram of LSTM network

$ x = \left( {{x_1},{x_2}, \cdots ,{x_k}} \right) $ 描述输入至LSTM网络的集装箱放射性γ能谱的32个时间序列值， $ k $ 描述其长度信息。在当前时刻 $ t $ 下，LSTM网络的输入由3部分构成，分别为此刻网络输入x_t、 $ t - 1 $ 时刻网络输出h_t-1以及状态C_t-1，将 $ k $ 个时间序列输入至LSTM网络后，可获得用h_t表示的输出结果。本文设计的LSTM网络具有3层结构，识别模型前半部分获得的32组时间序列值作为LSTM网络输入，在对LSTM网络进行训练时，将各组序列值按时间顺序逐个传输到LSTM中即可；根据LSTM网络的输入时间序列，计算其为正例的预测概率值，表示为 $ \hat y = p\left\{ {y = 1} \right\} $ ，利用Sigmoid函数将其映射到[0,1]区间上，即可完成集装箱放射性预测值 $ \hat y $ 的确定，从而实现集装箱放射性监测。

以堆放在某货舱的集装箱为实验对象，集装箱数量为10，部分集装箱中夹带有⁶⁰Co、¹³⁷Cs单一放射源或⁶⁰Co&¹³⁷Cs组合放射源，其余无放射源。利用NaI(T1)γ能谱仪获取各集装箱放射性γ能谱数据，该探测设备中的NaI(T1)晶体尺寸为3英寸×3英寸，可满足（50 KeV，3 MeV）的能量探测要求，能量分辨率小于8%。设定放射监测时间为10 s，每次监测可获得100组能谱数据，构建样本数据，样本数量总量为2000，采用本文技术对集装箱进行放射性监测，分析其监测性能。

在网络学习率分别为10⁻¹、10⁻²、10⁻³、10⁻⁴时，研究学习率对LSTM网络性能的影响，实验结果如图5所示。可知，学习率对LSTM网络性能具有较大影响，习率取值为10⁻³时，更有利于集装箱放射性监测效果的提升。

图 5 不同学习率下的LSTM网络性能分析 Fig. 5 Performance analysis of LSTM network under different learning rates

采用本文技术对集装箱放射性能谱数据进行采集，无放射源、⁶⁰Co、¹³⁷Cs、⁶⁰Co&¹³⁷Cs放射源集装箱的能谱数据采集结果如图6所示。可知，在不同放射源下，集装箱放射性能谱数据采集结果之间存在较大差异，相比无放射源能谱数据，⁶⁰Co、¹³⁷Cs、⁶⁰Co&¹³⁷Cs放射源能谱数据中存在明显的全能峰，受货舱环境因素影响，采集的能谱数据中含有一定噪声，这将对后续识别产生影响，对集装箱放射性能谱数据进行预处理十分必要。

图 6 不同放射源下的能谱数据采集结果分析 Fig. 6 Analysis of energy spectrum data collection results under different radiation sources

应用本文技术处理图6样本，并对其作放射性监测，通过对各样本的识别结果进行分析，研究本文技术的监测性能，实验结果如表1所示。可知，应用本文技术对不同放射源样本进行识别，被正确识别的放射源对应的预测值最高，说明通过本文技术可完成放射源识别，从而实现集装箱放射性监测。

表 1(Tab. 1)

表 1 样本识别结果分析 Tab. 1 Analysis of sample identification results 样本数量 预测结果 60Co 137Cs 60Co&137Cs 无放射源 500 16.241 −12.273 4.378 −7.488 1 000 −2.007 5.392 0.183 1.849 1 500 0.371 2.635 7.522 −4.507 2 000 −0.606 −0.959 −2.269 7.809

表 1 样本识别结果分析 Tab.1 Analysis of sample identification results

以船舶货舱内存放的含有不同放射源的集装箱为研究对象，将本文技术应用于集装箱放射性监测中，通过对采集的能谱数据、不同学习率下的LSTM网络性能以及放射性监测结果等进行分析，验证本文技术的应用效果。实验结果表明，学习率取值为10⁻³时，可使LSTM网络具有最佳性能。本文技术可实现集装箱放射性监测，监测结果与实际相符。