太赫兹（THz）波可由加速器产生，频率为0.1～10 THz之间。与其他频率的电磁波相比，太赫兹波具有很多独特的性质，比如高穿透性，高安全性，瞬态性，相干性，因此在物理学、天文学、材料科学和环境科学等方面太赫兹波都有着极其重要的应用^[1]。束流测量系统是每个加速器必不可少的重要组件，作为加速器的“眼睛”，测量束流和机器的参数，描述束流的特性与行为^[2-3]，对机器状态的测量与性能改善起到至关重要的作用^[4]。对于太赫兹直线加速器来说，束流截面尺寸是重要的束流参数，起到关键作用，帮助研究人员理解粒子束流的性质，包括其强度、尺寸、分布和稳定性等。

由于在太赫兹直线加速器中要测量的是单次通过的束流，考虑到测量成本与工程的复杂度，选用束斑检测器来测量束流横向截面尺寸。目前横向截面尺寸测量系统有些运行于Windows系统下的LabVIEW平台^[4-5]，但以LabVIEW与Windows为主要配置的机器不仅容易受病毒影响，而且偶尔会产生卡顿的问题，可靠性较差^[6]。本文基于ADAravis开发了数据采集系统，解决了areagigE无法设置海康相机外触发的问题，整个系统运行在实验物理与工业控制系统（EPICS）架构下；EPICS是国内外加速器实验室通用的分布式控制系统^[7-8]，可以在VxWorks、RTEMS、Linux、Windows等多种操作系统下运行。在太赫兹直线加速器中主要采用版本为CentOS 7的Linux操作系统，与运行在Windows系统下的LabVIEW相比新系统不但解决了之前会偶尔卡顿的问题，还简化了结构，提高了系统的鲁棒性。在硬件上该系统选用国产化的HIK-ROBOT（1440×1080） 搭配远心镜头作为图像采集设备，选用创谱公司自主研发的位移台作为束斑检测器的传动装置。在太赫兹加速器中，长期的辐射会对相机传感器产生一定的影响，因此在相机采集到的图像中会存在一定的脉冲噪声污染^[9-10]。考虑到机器学习（ML）已成为图像处理中最广泛使用和最成功开发的方法之一。本文选用CNN的网络结构来实现网络降噪。通过使用国产相机和位移台等硬件组件，结合ADAravis软件来实现光斑采集功能，并最终应用机器学习方法来处理椒盐噪声以实现束斑测量。

1 系统架构

太赫兹直线加速器束流横向截面尺寸测量系统如图1所示。主要由图像采集系统、束斑检测器、驱动机构、四极铁、上位机以及时序系统等部分组成。由于在装置调试期间相机所处的环境中可能产生高能γ射线与中子，这些高能粒子不仅会对相机中的半导体芯片产生单粒子效应，导致逻辑门错误翻转等故障，甚至还可能会使相机停止工作，因此使用45°放置的反射镜来使光路发生转折，从而使相机避开束流轨道平面，减少相机所受的辐射。此外还为相机设计了辐射防护罩，进一步提高系统的鲁棒性。

图 1. 束流横向截面尺寸测量系统

Fig. 1. Beam profile measurement system

下载图片 查看所有图片

图像采集系统包括镜头与CCD相机。对于普通的镜头而言，物体离镜头的距离越近产生的像就越高。因此，等高物体在不同的像平面上会产生透视畸变，例如原本是矩形的物体经相机采集后呈现的图像可能为梯形，进而导致测量产生误差。而远心镜头在景深范围内物距发生变化时，其像距不会因此而发生变化，所以在CCD相机与要采集的光斑之间使用远心镜头以保证精确测量光斑的尺寸。本文选用大恒光电生产的远心镜头GCO-232。参数如下：放大率0.32，物方视场40 mm×30 mm，工作距离142 mm。CCD相机采用海康公司生产的工业千兆以太网数字相机MV-CA-016-10GM，如图2所示。该相机不需要额外的图像采集卡，可以通过网络完成图像采集的工作，相机触发信号选择宏脉冲重复频率。与传统的GE680相机相比MV-CH089-10GM相机具有高分辨率，低曝光时间，板载内存更大（128 MB）的优势，其具体参数对比如表1所示。

图 2. 海康数字相机MV-CA-016-10GM实物图

Fig. 2. Picture of Hikvision digital camera MV-CA-016-10GM

下载图片 查看所有图片

阻拦式束斑检测器主要有陶瓷靶、OTR和YAG三种类型。陶瓷靶的分辨率无法达到测量需求，OTR分辨率可以达到需求但是灵敏度低，YAG靶的灵敏度高且分辨率好于50 μm，最终选用YAG靶作为束流截面的屏监测器。束斑检测器驱动机构采用创普自主研发的位移台，行程为60 mm，负责控制屏检测器进入与退出管道。屏检测器选用YAG材料，尺寸为15 mm×21 mm。

2 方法原理

2.1 测量原理

由于束团满足二维的高斯分布，因此其电荷密度在xy平面的分布为

$ f\left( {x,y} \right) = \dfrac{A}{{2\pi {\sigma _x}{\sigma _y}}}\exp\left[ { - \dfrac{{{{\left( {x - u} \right)}^2}}}{{2\sigma _x^2}} + \dfrac{{k\left( {x - u} \right)\left( {y - v} \right)}}{{{\sigma _x}{\sigma _y}}} - \dfrac{{{{\left( {y - v} \right)}^2}}}{{2\sigma _y^2}}} \right] $ (1)

式中：$ {{f}} $为电荷密度，A为束流中心的电荷密度，$ {\sigma _x} $为横向截面尺寸，$ {\sigma _y} $为纵向截面尺寸，u与v为中心坐标，k为耦合参数。由于灰度化后的图像可以更好的体现亮度这一信息，因此对CCD采集到的图像进行灰度化处理后按照列与行分别进行积分即可得到束斑亮度在水平和垂直方向的一维高斯分布，即

$ g\left( x \right) = {a_1}\dfrac{1}{{\sqrt {2\pi } {a_2}}}\exp \left[ { - \dfrac{{{{\left( {x - {a_3}} \right)}^2}}}{{2a_{\boldsymbol{2}}^2}}} \right] + {a_4} $ (2)

$ g\left( y \right) = {a_1}\dfrac{1}{{\sqrt {2\pi } {a_2}}}\exp \left[ { - \dfrac{{{{\left( {y - {a_3}} \right)}^2}}}{{2a_{\boldsymbol{2}}^2}}} \right] + {a_4} $ (3)

式中：$ {a_1} $为幅值，$ {a_2} $为标准差，$ {a_3} $为峰值，$ {a_4} $为偏移量。由式（2）、（3）可以得出束团的横向与纵向尺寸

$ \sigma = {a_2}\dfrac{l}{{{{{k}}_{\mathrm{c}}}}} $ (4)

式中：l为像素尺寸，$ {k_{\mathrm{c}}} $为经过标定后的光学系统的放大系数。

2.2 CNN图像去噪算法原理

采用CNN的降噪算法既不需要预先对噪点进行检测，也不会涉及更深的卷积层，它的降噪过程被公式化为图像翻译问题，翻译的公式可以通过机器学习得到。在经过学习得到公式后，我们只需要输入有噪声的图像，即可得到去除噪声后的图像。整体的网络结构如图3所示。

图 3. CNN网络结构

Fig. 3. CNN network structure

下载图片 查看所有图片

首先输入层用于将输入图像（噪声图像）转换为$ {N}_{{\mathrm{c}}} $通道特征图。该层由卷积层（Conv）和整流线性单元（ReLU）激活函数组成。转换过程如下

$ {I_{{\mathrm{in}}}} = \delta \left( {\hat I * W + {b_{{\mathrm{in}}}}} \right) $ (5)

式中：$ \hat {I} $与$ {I_{{\mathrm{in}}}} $分别代表输入的噪声图片与干净图片，$ {b}_{{\mathrm{in}}} $为第一卷积层处的偏置，$ \delta \left(\cdot \right) $为ReLU激活函数，W代表卷积层中的权重。之后，$ {I}_{{\mathrm{in}}} $被馈送到下一部分。为了衡量降噪后的图像与原本图像之间的差异，我们选用均方误差$ L(\hat \theta ) $作为损失函数，即

$ L(\hat \theta ) = \;\dfrac{1}{B}||F({\hat X_{0,(b)}};\theta )\; - \;{X_{0,\;(b)}}||_2^2 $ (6)

式中：$ \hat \theta $与$ \theta $分别代表网格参数以及优化参数，$ {\hat X_{0,(b)}} $与$ {X_{0,\;(b)}} $代表噪声图像与干净图像，b代表迭代次数，F代表降噪过程，B为单个训练批次中使用图片的数量。我们通过优化网络参数来实现图像降噪，即

$ \hat \theta = \arg \mathop {\min }\limits_\theta L(\theta ) $ (7)

具体的图像降噪过程如图4所示。

图 4. 图像降噪过程

Fig. 4. Image denoising processing

下载图片 查看所有图片

完整的用于训练去噪CNN的流程如图5所示。该流程由多个阶段构成，包括数据准备、模型定义、损失函数选择、优化器选择、数据集分割、模型训练、模型验证、模型测试、模型保存以及最终应用。这些步骤共同构成了图像去噪的工作流程，能够有效去除噪声并获取清晰图像。

图 5. CNN模型构建工作流程图

Fig. 5. The FCN model construction workflow diagram

下载图片 查看所有图片

3 软件架构

束流测量系统的数据采集程序都是基于EPICS分布式系统架构进行开发的，整个系统的输入输出控制器（IOC）分布于系统的各个部分。在兼顾兼容性、稳定性以及可维护性等各个方面，开发了基于EPICS的束流横向截面尺寸测量系统。

3.1 电机控制程序

图6描述了电机控制IOC的软件架构。电机IOC包括3个关键组件：协议文件（protocol）、记录文件（motor.db）和启动文件（st.cmd）。 协议文件指定要写入电机的命令，并定义接收返回值的格式。记录文件定义了过程变量（PVs）的名称和属性，并与协议文件建立了联系。启动文件（st.cmd）标识要使用的协议文件和记录文件，并设置通信方法。控制程序与伺服电机之间的通信由asyn库支持。StreamDevice库进一步解释协议并使用基于文本的字节流通信接口与硬件通信。设备控制通过将字符串交换为字节流以及相反的过程来完成。

图 6. 控制电机IOC的软件架构

Fig. 6. Software architecture for controlling the Motor IOC

下载图片 查看所有图片

3.2 图像采集与处理系统

图7展示了用于横向截面测量系统的IOC的分层架构。在这个分层架构的底部是硬件层，用户代码通常以C语言编写，以更好地实现与硬件的兼容性和交互性。第一层提供了与硬件通信的基础。在这个基础上，第二层包括专门为areaDetector库设计的驱动程序。该程序主要通过C++中的自定义类来实现，该类继承自基类 ADDriver，并负责控制相机。第三层，也称为插件层，将中断回调引入架构以进行动态响应。它将自身注册为中断源，允许在值更改时调用已注册的中断，然后执行中断处理函数。第四层集成了asyn库提供的标准设备和记录支持。第五层包括标准EPICS记录和数据库模板，定义了与第二和第三层相关的记录。结构的最上层是第六层，它包含了EPICS通道访问客户端。这一层负责显示和处理收集到的信息。在这一层内，使用EPICS开发了图像获取程序，使用经过训练的CNN进行去噪，然后应用Levenberg-Marquardt算法进行非线性拟合以计算高斯参数。

图 7. AreaDetector软件架构

Fig. 7. Software architecture of AreaDetector

下载图片 查看所有图片

4 实　验

为了评估算法的有效性，进行了分辨率测量与降噪算法的实验，相机曝光时间为0.5 s，所有操作基于Phoesbus开发的太赫兹直线加速器束流横向截面尺寸测量系统的操作员界面（OPI），如图8所示。该界面包括图像采集、兴趣区选取、相机参数设置、电机控制等功能。图8（a）为实际采集的束斑图像与兴趣区；图8（b）和图8（c）的图片分别展示了水平和垂直方向的高斯拟合结果；图8（d）为参数设置界面包括兴趣区设置、束斑尺寸显示、相机参数设置以及电机控制等模块。

图 8. 束流截面测量系统

Fig. 8. Beam profile measurement system

下载图片 查看所有图片

4.1 分辨率标定

分辨率标定实验如图9所示，靶的实际尺寸l=2.5 mm，通过采集Yag靶的图像可知，对应于2.5 mm长度的像素数k_c为1122。考虑到靶沿45°放置，根据式(4)，$ \sigma = {a_2}\dfrac{l}{{{{{k}}_{\mathrm{c}}}}} $代入数据可知每个像素对应的实际尺寸为 15.8 μm/pixel，满足装置设计指标50 μm的要求。

图 9. 分辨率标定

Fig. 9. Resolution calibration

下载图片 查看所有图片

4.2 图像降噪

由于相机长期处于辐射场中，采集的照片会随着时间的推移逐渐积累椒盐噪声。之前，一种有效的降噪方式是通过中值滤波器^[11-13]实现的，其基本原理是把数字图像中某一点的值用该点所在领域中各点值的中值进行替代，进而使得这一像素点的值接近真实值，从而达到去噪的效果；尽管这种方式能对噪声起到一定的抑制效果，但仍无法达到我们的要求，特别是在噪声污染水平比较高情况下，其恢复结果很差^[14-15]。为了评估CNN去噪算法的去噪效果，我们对模型进行了基准测试。通过在采集的照片中人工引入不同级别的椒盐噪声来评估去噪效果，噪声级别从5%递增到40%，增幅为0.05。表2展示了在这些条件下网络的去噪性能。结构相似性指数（SSIM）和均方误差（MSE）也是图像评估的重要指标。为了评估算法的去噪能力，我们根据表2的结果计算了中值滤波、CNN 和噪声图像的 SSIM 和 MSE 值，并将它们与添加的噪声级别的关系绘制在图10中。

图 10. 中值滤波与CNN降噪性能对比

Fig. 10. Denoising performance comparison between median filtering and CNN

下载图片 查看所有图片

为了全面评估算法的去噪性能，人工引入了从0.01到0.50的噪声级别，步长为0.01。随后，应用了各种去噪算法，包括中值滤波、高斯滤波、均值滤波、CNN等。最后，计算了图像的峰值信噪比（PSNR）与结构相似性指数（SSIM），结果如图11所示。结果表明，本文提出的大降噪算法在绝大多数情况下均优于传统的降噪算法，在噪声密度低的情况下，图像的PSNR可达到50左右；在噪声密度较高的情况下（50%噪声污染），这种差距更为明显。

图 11. 不同降噪算法性能对比

Fig. 11. Performance comparison of different denoising algorithms

下载图片 查看所有图片

5 结　论

本文根据工程需求，设计并完成了束流截面测量系统。硬件上选用了能抑制图像透视畸变的远心镜头以及能提高测量精度的高分辨率海康威视相机。软件上采用了分布式架构以及模块化设计，将所有数据都集中到EPICS中，增加了系统的鲁棒性与可扩展性。图像处理算法采用了基于卷积神经网络的CNN，使用经过训练的网络对人为添加椒盐噪声的图像进行去噪，测得在一般噪声污染情况下（小于10%的噪声污染）去噪后图像与原图像的PSNR可达50左右，即使在高度噪声污染条件下（50%的噪声污染），PSNR仍可达到35左右，可显著提高测量系统的抗干扰性和精度。