اخبار و اعلانات

 آمار

تعداد نشریات38
تعداد شماره‌ها1,408
تعداد مقالات10,088
تعداد مشاهده مقاله11,909,164
تعداد دریافت فایل اصل مقاله6,961,282
بیگ زاده, امیرمحمد, اردینی, هادی, محرابی, محسن. (1403). طراحی مفهومی سامانه تشخیص/ردیابی هوشمند مواد رادیواکتیو خارج از کنترل در حوادث پرتوی پر ازدحام: ادغام داده‌های بینایی ماشین و سامانه چند آشکارسازی. پدافند الکترونیکی و سایبری, 15(2), 107-117.
امیرمحمد بیگ زاده; هادی اردینی; محسن محرابی. "طراحی مفهومی سامانه تشخیص/ردیابی هوشمند مواد رادیواکتیو خارج از کنترل در حوادث پرتوی پر ازدحام: ادغام داده‌های بینایی ماشین و سامانه چند آشکارسازی". پدافند الکترونیکی و سایبری, 15, 2, 1403, 107-117.
بیگ زاده, امیرمحمد, اردینی, هادی, محرابی, محسن. (1403). 'طراحی مفهومی سامانه تشخیص/ردیابی هوشمند مواد رادیواکتیو خارج از کنترل در حوادث پرتوی پر ازدحام: ادغام داده‌های بینایی ماشین و سامانه چند آشکارسازی', پدافند الکترونیکی و سایبری, 15(2), pp. 107-117.
بیگ زاده, امیرمحمد, اردینی, هادی, محرابی, محسن. طراحی مفهومی سامانه تشخیص/ردیابی هوشمند مواد رادیواکتیو خارج از کنترل در حوادث پرتوی پر ازدحام: ادغام داده‌های بینایی ماشین و سامانه چند آشکارسازی. پدافند الکترونیکی و سایبری, 1403; 15(2): 107-117.

طراحی مفهومی سامانه تشخیص/ردیابی هوشمند مواد رادیواکتیو خارج از کنترل در حوادث پرتوی پر ازدحام: ادغام داده‌های بینایی ماشین و سامانه چند آشکارسازی

علوم و فناوریهای پدافند نوین
مقاله 5، دوره 15، شماره 2 - شماره پیاپی 56، شهریور 1403، صفحه 107-117    اصل مقاله (2.4 M)
نوع مقاله: مهندسی هسته ای
نویسندگان
امیرمحمد بیگ زاده* ؛ هادی اردینی؛ محسن محرابی
استادیار، پژوهشگاه علوم و فنون هسته ای ، سازمان انرژی اتمی، تهران، ایران
تاریخ دریافت: 31 اردیبهشت 1403،  تاریخ بازنگری: 11 تیر 1403،  تاریخ پذیرش: 20 مرداد 1403 
چکیده
فناوری هسته‌ای در سراسر جهان به‌سرعت در حال پیشرفت است، اما وجود مواد رادیواکتیو خطرات قابل‌توجهی برای جامعه و محیط‌زیست به همراه دارد. این خطرات با تهدیدهایی مانند تروریسم، سوءاستفاده و حمل‌ونقل غیرقانونی این مواد تشدید می‌شود. در نتیجه، نیاز مبرم به تقویت سیستم‌های شناسایی و ردیابی مواد رادیواکتیو برای تقویت امنیت و جلوگیری از اقدامات تروریستی احتمالی وجود دارد. این مطالعه یک رویکرد جدید برای نقشه‌برداری و تشخیص پرتو از طریق توسعه الگوریتم‌های بینایی ماشین و مدل‌سازی سیستم تشخیص چندگانه معرفی می‌کند. هدف بهبود کارایی و دقت شناسایی و مکان‌یابی چشمه‌های رادیواکتیو کنترل نشده در محیط‌های پیچیده با استفاده از تکنیک‌های بینایی ماشین معاصر است. روش ردیابی پیشنهادی بر اساس الگوریتم ردیابی پیشرفته KLT (Kanade-Lucas-Tomasi) است. این سیستم هم‌زمان با ردیابی مسیرهای حرکت اجسام و ثبت داده‌های پرتو از آشکارساز، تصاویر متحرک را در زمان واقعی ضبط و پردازش می‌کند. با ادغام داده‌های مکانی با داده‌های پرتوی، این سیستم می‌تواند چشمه‌های رادیواکتیو کنترل‌نشده را از سایر اجسام متحرک به‌دقت متمایز کند. ترکیب این الگوریتم‌های پیشرفته در سیستم‌های تشخیص پرتوی موجود، این پتانسیل را دارد که خطرات مرتبط با حوادث پرتوی را به میزان قابل‌توجهی کاهش دهد.
کلیدواژه‌ها
چشمه‌های پرتوزا؛ پردازش تصویر؛ بینایی ماشین؛ مونت‌کارلو؛ ردیابی؛ حادثه پرتوی؛ آشکارسازی؛ تابش هسته‌ای
عنوان مقاله [English]
Conceptual Design of Intelligent Detection/Tracking System of Out-of-Control Radioactive Material in Crowded Radiation Incidents: Integration of Machine Vision Data and Multi-Detector System
نویسندگان [English]
AmirMohammad Beigzadeh؛ Hadi Ardiny؛ Mohsen Mehrabi
Assistant Professor, Nuclear Science and Technology Research Institute, Atomic Energy Organization, Tehran, Iran
چکیده [English]
Nuclear technology is advancing rapidly worldwide, but the presence of radioactive materials poses significant risks to society and the environment. These risks are exacerbated by threats such as terrorism, mishandling, and the illegal transportation of these substances. Consequently, there is an urgent need to enhance detection and tracking systems for radioactive materials to strengthen security and prevent potential terrorist acts. This study introduces a novel approach to radiation mapping and detection through the development of machine vision algorithms and multi-detection system modeling. The goal is to improve the efficiency and accuracy of identifying and locating uncontrolled radioactive sources in complex environments using contemporary machine vision techniques. The proposed tracking method is based on the KLT (Kanade-Lucas-Tomasi) algorithm. The system captures and processes moving images in real time while tracking object movement paths and recording radiation data from the detector. By integrating spatial data with radiation data, the system can accurately differentiate uncontrolled radioactive sources from other moving objects. Incorporating these advanced algorithms into existing radiation detection systems has the potential to significantly mitigate the risks associated with radiation incidents.
کلیدواژه‌ها [English]
Radioactive sources, Image processing, Machine vision, Monte Carlo, Tracking, Radiation event, Detection, Nuclear radiation
مراجع

1.        Al Hamrashdi, H.; Monk, S. D.; Cheneler, D. “Passive Gamma-Ray and Neutron Imaging Systems for National Security and Nuclear Non-Proliferation in Controlled and Uncontrolled Detection Areas: Rev. Past Current Status”; Sensors 2019, 19, 11. doi:10.3390/s19112638.

2.        Fernandez, C. “These are the Top 10 Busiest Airports in the World- 5 of them are in the U.S.”; CNBC, Accessed: Sep. 23, 2023. [Online].Available: https://www. cnbc.com/2023/04/10/world-busiest-airports-airports-council-international-ranking.html. doi: 10.1016/j.jup. 2018.09.002

3.        Andreas, P. “A Tale of Two Borders: The US-Canada and US-Mexico Lines After 9--11”; The Rebordering of North America, Routledge, 2014, 1–23.

4.        “Why choose Ultralytics YOLO for object tracking.” Accessed: [Date Accessed]. [Online]. Available: https://docs.ultralytics.com/modes/track/#why-choose-ultralytics-yolo-for-object-tracking.

5.        Shi, J.; Tomasi, G. “Good Features to Track”; IEEE Conf. Comput. Vis. Pattern Recognit., 1994, 593–600. doi: 10.1109/CVPR.1994.323794.

6.        Davies, E. R. Computer and machine vision: theory, algorithms, practicalities; Academic Press, 2012.

7.        Steger, C.; Ulrich, M.; Wiedemann, C. Machine vision algorithms and applications; John Wiley & Sons, 2018.

8.        Huang, C.-Y.; Hong, J.-H.; Huang, E. “Developing a Machine Vision Inspection System for Electronics Failure Analysis”; IEEE Trans. Components, Packag. Manuf. Technol. 2019, 9, 1912–1925. doi: 10.1109/ TCPMT.2019.2924482.

9.        Joshi, K.; Chauhan, V.; Surgenor, B. “Real-time Recognition and Counting of Indian Currency Coins Using Machine Vision: A Preliminary Analysis”; The Canadian Society for Mechanical Engineering International Congress 2016, 26–29.  doi: 10.13140/RG.2.1.3726.7444.

10.     Dubey, A. K.; Kumar, A.; Kumar, S. R.; Gayathri, N.; Das, P. “AI and IoT-based Intelligent Automation in Robotics”; John Wiley & Sons, 2021.

11.     Shen, Y.; Zhu, W. “Medical image processing using a machine vision-based approach”; Int. J. Signal Process. Image Process. Pattern Recognit. 2013, 6, 139–146.

12.     Jain, R.; Kasturi, R.; Schunck, B. G. “Machine Vision”; Vol. 5; McGraw-Hill, New York, 1995.

13.     Luk, B. L.; Collie, A. A.; Cooke, D. S.; Chen, S. “Walking and Climbing Service Robots for Safety Inspection of Nuclear Reactor Pressure Vessels”; Meas. Control 2006, 39, 43–47. https://doi: 10.1177/ 002029400603900201.

14.     Schmugge, S. J.; Rice, L.; Nguyen, N. R.; Lindberg, J.; Grizzi, R.; Joffe, C.; Shin, M. C. “Detection of Cracks in Nuclear Power Plant Using Spatial-Temporal Grouping of Local Patches”; IEEE Winter conference on Application of Computer Vision, 2016, 1–7. doi: 10.1109/WACV.2016.7477601.

15.     Ardiny, H.; Beigzadeh, A.; Mahani, H. “MCNPX Simulation and Experimental Validation of an Unmanned Aerial Radiological System (UARS) for Rapid Qualitative Identification of Weak Hotspots”; J. Environ. Radioact. 2023, 258, 107105. doi: 10.1016/ j.jenvrad.2022.107105.

16.     Marturi, N.; Rastegarpanah, A.; Takahashi, C.; Adjigble, M.; Stolkin, R.; Zurek, S.; Kopicki, M.; Talha, M.; Kuo, J. A.; Bekiroglu, Y. “Towards Advanced Robotic Manipulation for Nuclear Decommissioning: A Pilot Study on Teleoperation and Autonomy”; Int. Conf. Robotic and Automation for Humanitarian Applications 2016, 1–8. doi: 10.1109/RAHA.2016.7931866.

17.     Benson, A.R.; Bandstra, M.S.; Chivers, D.H.; Aucott, T.; Augarten, B.; Bates, C.; Midvidy, A.; Pavlovsky, R.; Siegrist, J.; Vetter, K.; Yee, B. “The Gamma-Ray Imaging Framework”; IEEE Trans. Nucl. Sci. 2013, 60, 528–532. doi: 10.1109/TNS.2013.2245342.

18.     Huo, J.; Hu, X.; Wang, J.; Hu, L. “ACA: Automatic Search Strategy for Radioactive Source”; Nucl. Eng. Technol. 2023, 55, 3030–3038. doi: 10.1016/j.net.2023. 05.017.

19.     Cooper, R. J.; Abgrall, N.; Aversano, G.; Bandstra, M. S.; Hellfeld, D.; Joshi, T. H.; Negut, V.; Quiter, B. J.; Rofors, E.; Salathe, M.; Vetter, K. “Networked Sensing for Radiation Detection, Localization, and Tracking”; arXiv Prepr. arXiv2307.13811, 2023. doi: 1088/1742-6596/2586/1/012125

20.     Osthus, D.; Mendoza, P.; Lalor, P.; Casleton, E.; Archer, D.; Ghawaly, J.; Garishvili, I.; Rowe, A. J.; Stewart, I. R.; Willis, M. “Tracking the Location of a Road-Constrained Radioactive Source with a Network of Detectors”; Nucl. Instrum. Methods Phys. Res. Sect. A 2022, 1039, 166992. doi: 10.1016/j.nima.2022. 166992.

21.     Cazalas, E. “Defending Cities Against Nuclear Terrorism: Analysis of a Radiation Detector Network for Ground-Based Traffic”; Homel. Secur. Aff. 2018, 14.

22.     Stadnikia, K.; Henderson, K.; Koppal, S.; Enqvist, A. “Data Fusion for a Vision-Aided Radiological Detection System: Correlation Methods for Single Source Tracking”; Nucl. Instrum. Methods Phys. Res. Sect. A 2020, 954, 1–8. doi: 10.1016/j.nima.2019.02.040.

23.     Waters, L. S.; McKinney, G. W.; Durkee, J. W.; Fensin, M. L.; Hendricks, J. S.; James, M. R.; Johns, R. C.; Pelowitz, D. B. “The MCNPX Monte Carlo Radiation Transport Code”; AIP Conference Proceedings, 2007, 81–90. doi: 10.1063/1.2720459.

24.     Vitanza, A.; Rossetti, P.; Mondada, F.; Trianni, V. “Robot Swarms as an Educational Tool: The Thymio’s Way”; Int. J. Adv. Robotic Syst. 2019, 16, 1729881418825186. doi: 10.1177/172988141882518

25.     “Diameter 5 inch x 5 inch NAITL Scintillation Detector Energy Resolution ≈8.0662kev.” Accessed: [Date Accessed]. [Online]. Available: https://www.ost-photonics.com/product/diameter-5-inch-x-5-inch-naitl-scintillation-detector-energy-resolution-%E2%89%A48-0662kev/.

26.     Tomasi, C.; Kanade, T. “Detection and Tracking of Point Features”; Int. J. Comput. Vis. 1991, 9, 137–154.

27.     Lucas, B. D.; Kanade, T. “An Iterative Image Registration Technique with an Application to Stereo Vision”; IJCAI’81.. 1981, 674–679. [Online]. Available: https://hal.science/hal-03697340.

28.     Beigzadeh, A. M.; Ardini, Hadi. "Tracking and Detection of Moving Radioactive Sources: A Modeling Approach Based on Machine Vision Algorithms, Image Processing and Scintillation Detection Systems"; Quaterly J. Optoelectronic (in Persian). doi: 10.30473/jphys.2024.70551.1184. 

29.      Zahiri, M.; Shirini, K.; Samadi Qaraveren, S. "Network Traffic Analysis with Machine Learning for Faster Detection of Distributed Service Interruption Attack”; Adv. Defence Sci. Technol. 1403, 14, 273-282 (in Persian). dor: 20.1001.1.26762935.1402.14.4.6.2

30.     Asadi Ghanbari A. R., Sadati Nejad, S. A. "Modeling the Optimal Routing of Autonomous Micro-Birds Using Fuzzy Inference Systems and Evolutionary Algorithms”; Adv. Defence Sci. Technol.1403, 14, 153-163. (in Persian). dor: 20.1001.1.26762935.1402. 14.3.2.6

31.     Amirzadeh, M.; Hosseini Moradi. S. A.; Ghobadi, N. “Real-Time Detection of Steerable Birds from the Distance of Multi-Rotor Wings Using Optimized Yolov5 Algorithm”; Adv. Defence Sci. Technol. 1402, 14, 11-22. (in Persian). dor: 20.1001.1.26762935. 1402.14.1.2.2

32.     Farajollahi, A.; Rostami, M.; Parvin, H.; Nazarpour, B.; Lak, M. “Face Detection and Identification in Drones with Deep Learning”; Adv. Defence Sci. Technol. 1401, 13, 155-167. (in Persian). dor: 20.1001.1.26762935. 1401.13.3.2.9

 

آمار
تعداد مشاهده مقاله: 113
تعداد دریافت فایل اصل مقاله: 55