1. 项目概述与核心价值
在辐射探测与剂量测量领域，我们一直面临一个经典难题：如何实现高精度、实时且能适应复杂几何环境的剂量监测？传统的闪烁体剂量计，无论是塑料闪烁体还是晶体闪烁体，虽然灵敏度高，但其信号输出与闪烁体本身的形状、尺寸、以及与辐射源的相对位置密切相关。一个固定形状的探测器，在测量非均匀辐射场或紧贴不规则表面时，其读数会因几何条件的变化而产生显著偏差。这就像用一把固定刻度的尺子去测量一个不断变形的物体，读数自然不准。
“可变形闪烁体剂量计”这个项目，正是为了解决这一痛点而生。它的核心思路非常巧妙：将闪烁体材料本身做成可柔性弯曲甚至拉伸的形态，使其能够贴合各种复杂表面（如人体关节、设备管道、异形构件），从而更真实地反映该位置的实际受照情况。但仅仅“可变形”还不够，变形本身会引入新的变量——闪烁体的光收集效率、自吸收效应都会随着形状改变而动态变化，导致原始光电信号与真实剂量率之间的对应关系不再固定。
因此，本项目真正的技术内核在于后半句：“基于计算机视觉的实时剂量测量与信号校正技术”。我们通过集成微型的视觉传感器（如摄像头或光学传感器阵列），实时捕捉可变形闪烁体的形态变化，并利用计算机视觉算法精确解算出其三维形状参数。然后，通过预先建立或实时计算的“形态-信号校正系数模型”，对原始光电信号进行动态补偿和校正，最终输出与闪烁体当前形状无关的、真实准确的剂量率或累积剂量值。这套方案将柔性材料、辐射探测、图像处理和实时计算融为一体，为个人剂量监测、医疗放射治疗实时验证、工业无损检测以及核应急响应等领域，提供了一种前所未有的灵活且可靠的测量工具。
2. 系统整体设计与核心思路拆解
2.1 为什么选择“可变形闪烁体”作为传感核心？
传统刚性闪烁体探测器在应用上存在几个固有局限。首先，几何适应性差。在个人剂量监测中，手腕、肘部等部位是活动的，固定形状的剂量计无法始终与皮肤紧密贴合，导致测量值低估。在工业场景中，测量弯曲管道或设备缝隙的辐射场时，探测器无法放入或贴合，形成监测盲区。其次，方向性响应问题。许多闪烁体对辐射的响应具有角度依赖性，当探测器因佩戴或放置角度变化时，读数会波动，这并非辐射场真实变化，而是几何效应带来的误差。
可变形闪烁体从根本上改变了探测器的物理形态。我们可以选用柔性聚合物基底掺杂闪烁体荧光物质（如PVT+蒽），或者直接开发可拉伸的弹性体闪烁体材料。这种探测器可以像创可贴一样贴在皮肤上，或者像胶带一样缠绕在管道上，完美贴合被测表面。其核心优势在于，它获取的是“贴合面”的剂量，这更接近我们真正关心的“器官或材料表面剂量”，而非一个悬空点的剂量。
2.2 计算机视觉如何介入并解决校正难题？
闪烁体变形带来了测量真实性的提升，也引入了信号解读的复杂性。变形主要影响两方面：1.光传输路径：闪烁体内产生的荧光光子到达光电传感器（如硅光电倍增管SiPM或光电二极管）的路径长度和反射/散射次数改变，影响光收集效率。2.自吸收效应：荧光在到达传感器前，可能被闪烁体材料自身再吸收，变形可能改变光子的平均穿行距离，从而改变自吸收比例。
如果忽略这些影响，直接将变形后的电信号代入标定于平板形态下的刻度系数，结果必然错误。计算机视觉在此扮演了“形态感知器”的角色。我们的设计通常是在可变形闪烁体表面或内部嵌入微型的、低功耗的视觉特征点（如高对比度斑点图案）或直接使用高弹性的光学网格。一个微型摄像头模块持续拍摄这些特征。通过视觉算法（如特征点跟踪、光流法或基于深度学习的形变估计），我们可以实时重建出闪烁体表面的三维点云或精确的曲率分布图。
2.3 实时剂量解算与信号校正的闭环逻辑
整个系统的工作流形成一个精密的闭环：
- 信号采集端：可变形闪烁体受辐照产生荧光，被集成在柔性基底上的微型SiPM阵列捕获，转换为原始电脉冲信号（计数率或电流）。
- 形态感知端：微型摄像头同步捕捉特征图案，视觉处理单元（可以是嵌入式AI芯片如Kendryte K210或低功耗MCU搭配轻量级算法）实时解算出当前闪烁体的关键形态参数，如平均曲率、局部拉伸率、相对于传感器的姿态角等。
- 校正与融合端：处理器中预存或实时运行一个“校正模型”。这个模型的输入是形态参数和原始电信号，输出是校正后的剂量率。模型可以通过前期标定实验（让闪烁体以多种已知形态置于已知辐射场中）数据训练得到，可以是一个查找表，也可以是一个拟合的多元函数（如多项式），或一个小型的神经网络。
- 输出端：将校正后的剂量值通过无线模块（如蓝牙低功耗BLE）发送到上位机或手机App进行显示、报警和记录。
这个闭环的核心思想是：将干扰因素（形态变化）量化，并将其作为已知变量输入到一个补偿模型中，从而抵消其对最终输出的影响。这比试图制造一个对形变完全不敏感的闪烁体要可行得多。
3. 核心模块细节解析与实操要点
3.1 可变形闪烁体的材料制备与集成工艺
材料选择是基础。常用的路线有两种：
- 路线A：柔性复合材料。采用聚二甲基硅氧烷（PDMS）或热塑性聚氨酯（TPU）等柔性透明聚合物作为基质，均匀掺入有机闪烁体粉末（如p-terphenyl、POPOP）。PDMS柔韧性好，光学透明度高，但加工需要旋涂和固化。TPU可通过热压或3D打印成型，弹性更佳。
- 路线B：可拉伸发光材料。这是更前沿的方向，直接合成具有可拉伸性的弹性体发光材料，但其辐射发光效率（光产额）和抗辐照耐久性是需要重点验证的指标。
实操要点与避坑：
- 均匀分散是关键：闪烁体粉末在聚合物前驱体中必须超声分散充分，否则会导致发光不均匀，局部灵敏度差异大，给后续校正带来难以建模的噪声。
- 厚度控制：闪烁体层太薄，灵敏度低；太厚，自吸收严重，且柔韧性下降。通常需要实验找到一个平衡点，对于~1 MeV的γ射线，厚度在2-5 mm是一个常见的起始尝试范围。
- 光耦合与封装：集成的SiPM需要与闪烁体有良好的光学耦合。在柔性体系中，可以使用透明的光学硅胶。整个探测器需要做不透光封装，以防环境光干扰。但封装材料本身不能太硬，否则会限制变形能力。我们曾尝试使用黑色弹性硅胶进行包裹，效果不错。
- 特征图案植入：用于视觉识别的特征点（如黑色圆点）需要在制备时嵌入。一种方法是在浇注聚合物前，将印制有图案的柔性薄膜（如聚酰亚胺）预先放入模具底层。确保图案层与闪烁体层结合牢固，在变形时不发生相对滑动。
3.2 视觉形态感知系统的选型与部署
视觉系统需要在严苛的约束下工作：小体积、低功耗、实时性，并且要在可能发生大形变、遮挡（如部分褶皱）的情况下稳定工作。
摄像头选型：优先选择全局快门（Global Shutter）的微型摄像头模组，避免在快速变形或振动时产生果冻效应。分辨率不需要很高，VGA（640x480）甚至更低即可，以减少数据处理量。帧率根据变形速度设定，通常10-30 FPS足够。
照明方案：由于需要在不透光封装内工作，必须集成主动照明。使用低功耗的侧发光LED或微型的OLED面板提供均匀的背景光。注意LED的发光光谱要避开闪烁体的发射光谱和SiPM的敏感波段，防止串扰。
算法部署：
- 特征点法：在闪烁体表面制作规则的网格状特征点。算法流程包括：图像采集 -> 去畸变 -> 特征点检测（如FAST角点）-> 特征点跟踪（如LK光流）-> 三维重建（如果使用单目，需预先标定并利用网格的先验知识；使用双目微型摄像头则可直接立体匹配）。这种方法计算量相对可控。
- 无特征光流/形变场法：适用于表面无法制作明显特征的场景。通过计算稠密或半稠密光流场来估计每个像素的移动，进而推演整体形变。计算量较大，可能需要专用的图像处理硬件。
- 深度学习法：训练一个轻量级网络（如MobileNet改编），直接输入变形后的特征图案图像，输出几个关键的形态参数（如主曲率、扭转角）。这种方法需要大量的标注数据（不同已知形态下的图像）进行训练，但推理速度快，且抗局部遮挡能力强。
注意：视觉系统的校准至关重要。必须在探测器组装完成后，进行一次“视觉-几何”联合标定。即让探测器以一系列已知的、精确测量的形态（如包裹在不同直径的圆柱上）被拍摄，建立图像特征与真实三维形态参数之间的映射关系。这个标定数据是后续所有校正的基础。
3.3 信号校正模型的建立与标定实验
这是将原始信号“翻译”成真实剂量的核心环节。模型可以抽象为函数：Dose = f(S_raw, P1, P2, ..., Pn)，其中S_raw是原始信号（如计数率），P1...Pn是视觉系统提取的n个形态参数（如平均曲率、面积变化率等）。
模型形式选择：
- 分段线性查找表：最直观。在标定实验中，遍历一系列离散的形态参数组合和辐射剂量率，记录对应的原始信号，形成一个多维查找表。运行时通过插值得到结果。优点是简单直接，无模型假设误差；缺点是标定工作量巨大（维度灾难），且无法外推。
- 参数化物理模型：基于光传输理论建立近似模型。例如，假设信号衰减与平均光程长呈指数关系，而平均光程长又与曲率相关。通过少量实验数据拟合出模型中的关键参数（如衰减系数）。优点是物理意义明确，外推性好；缺点是模型是对复杂物理过程的简化，必然存在近似误差。
- 黑箱回归模型（如神经网络）：将形态参数和原始信号作为输入，真实剂量作为输出，用大量标定数据训练一个全连接网络。这是目前最主流且效果较好的方法，能够捕捉复杂的非线性关系。网络结构可以非常小（如3层，每层10个神经元），在MCU上也能轻松运行。
标定实验实操流程：
- 搭建标定平台：需要一个辐射源（如Cs-137或Co-60标准源），一个可精确控制探测器形态的夹具（如可编程的弯曲平台），以及一个参考剂量计（如电离室，用于提供真实剂量率基准）。
- 设计实验矩阵：系统性地改变形态参数（例如，弯曲半径从∞（平直）到2cm，扭转角从0°到180°）和辐射场强度（通过改变距离或使用衰减片）。
- 同步采集数据：在每个实验点上，同时记录：参考剂量计的读数
D_true、视觉系统提取的形态参数P_i、探测器自身的原始信号S_raw。 - 数据处理与模型训练：将收集到的
(S_raw, P_i, D_true)数据对，用于训练你选择的校正模型。务必划分训练集和测试集，以评估模型的泛化能力。
心得：标定实验是项目中最耗时但决定精度的环节。务必保证实验条件的稳定性和数据记录的同步性。一个实用的技巧是，在辐射场相对均匀的区域进行标定，并确保参考剂量计和被测探测器处于完全相同的辐射条件下。对于神经网络模型，要注意防止过拟合，可以使用Dropout或L2正则化。
4. 系统集成与实时处理流程实现
4.1 硬件系统集成方案
一个完整的原型系统通常包含以下模块，集成在一个紧凑的、可穿戴或可粘贴的封装内：
- 传感头：包含可变形闪烁体、嵌入式SiPM阵列（或单个SiPM加光导）、特征图案层。
- 视觉模块：微型摄像头、微型LED补光灯。
- 处理核心：低功耗微控制器（如STM32系列）或应用处理器（如Nordic nRF5340，它集成了BLE和足够的计算能力）。对于复杂的视觉和神经网络计算，可以额外搭配一颗超低功耗的AI协处理器（如Ambiq Apollo系列）。
- 电源管理：小容量锂电池（如100mAh）及充电管理电路。功耗是生命线，需要精心设计各模块的供电时序（如视觉系统间歇工作）。
- 通信模块：BLE 5.0/5.1用于数据上传。
集成挑战：如何将刚性元件（摄像头、芯片、电池）与柔性传感头连接，并保证整体仍具有一定的柔韧性？我们的方案是采用“岛-桥”结构：将刚性元件作为“岛屿”放置在较小的刚性PCB上，这些“岛屿”之间通过柔性的FPC（柔性印刷电路）“桥梁”连接，整个组件再封装在弹性体中。这样，整体可以承受一定程度的弯曲和拉伸。
4.2 嵌入式软件与实时处理流水线
系统上电后，软件在实时操作系统（如FreeRTOS）或裸机循环中运行，其主要任务流如下：
- 触发与同步：可以设置定时触发或由辐射信号超过阈值触发一次测量循环。
- 数据采集：
- 启动视觉模块，拍摄一张特征图像。
- 同时，采集SiPM前端电子学（如计数器或ADC）在特定时间窗内的积分信号
S_raw。
- 视觉处理线程：图像数据送入视觉处理单元。以特征点法为例：
// 伪代码示意 Image img = capture_image(); Points prev_features = load_reference_features(); // 加载参考位置特征点 Points curr_features = detect_features(img); Flow vectors = track_features(prev_features, curr_features); DeformationParams params = calculate_deformation(vectors); // 计算曲率、拉伸率等 - 信号校正线程：将
S_raw和params输入校正模型。以查找表为例是插值，以神经网络为例是一次前向传播。// 假设是一个简单的线性模型：Dose = a * S_raw + b * curvature + c float corrected_dose = model_a * S_raw + model_b * params.curvature + model_c; - 输出与传输：将
corrected_dose连同可能的原始数据、形态参数一起打包，通过BLE发送给主机。同时，可以根据阈值在本地触发声光报警。 - 低功耗管理：完成一次测量后，系统进入深度睡眠，直到下一次触发。视觉模块和SiPM的高压偏置电路是耗电大户，必须严格管理其开启时间。
实时性考量：从触发到输出校正结果，整个流水线需要在百毫秒量级内完成，才能称得上“实时”。视觉算法的复杂度是瓶颈。因此，在嵌入式端通常采用优化过的轻量级算法，甚至将部分计算（如复杂的形变重建）放到手机App端，嵌入式端只负责传输图像和原始信号。
5. 性能验证、常见问题与排查实录
5.1 如何验证系统的准确性与可靠性？
验证必须分层次进行：
- 基础性能测试：在平直状态下，与传统剂量计在标准辐射场下对比，验证其基本灵敏度、能量响应和线性度。
- 形态不变性测试（核心验证）：将探测器弯曲/拉伸到多种不同的形态，置于同一稳定辐射场中。理想情况下，所有形态下校正后的剂量读数应该基本一致，而原始信号
S_raw则会变化很大。计算不同形态下读数的相对标准偏差（RSD），可以定量评价校正效果。RSD应小于10%，最好能达到5%以内。 - 环境适应性测试：测试在不同温度、湿度下，以及经历反复弯折疲劳后，系统的稳定性和准确性是否下降。
- 实际场景测试：在模拟的真实场景中（如佩戴在手腕上活动，粘贴在管道上）进行长期测试，观察其数据连续性和异常情况。
5.2 常见问题、故障现象与排查技巧
以下是我们开发过程中遇到的一些典型问题及解决思路，整理成排查表：
| 故障现象 | 可能原因 | 排查步骤与解决方案 |
|---|---|---|
| 校正后读数在所有形态下都漂移或不准 | 1. 标定数据不准确或不同步。 2. 校正模型过度拟合或欠拟合。 3. 辐射场不均匀，标定与测试条件不一致。 | 1. 复查标定实验数据，检查参考剂量计是否准确，数据记录是否同步。 2. 绘制模型预测值与真实值的散点图（在测试集上）。若偏差有规律，可能是模型形式不对；若偏差随机，增加标定数据量或简化模型。 3. 确保测试在均匀场中进行，并使用参考剂量计实时监测场强。 |
原始信号S_raw波动大，噪声高 | 1. SiPM偏置电压不稳定或噪声高。 2. 闪烁体与SiPM耦合不良，光收集效率低。 3. 电子学前端放大器设计不佳，信噪比低。 4. 环境光泄露。 | 1. 用示波器观察SiPM输出信号，检查电源纹波。优化偏置电源设计。 2. 重新涂抹光学耦合硅胶，确保无气泡且接触紧密。 3. 优化前端电路，考虑使用跨阻放大器并合理设置带宽，抑制高频噪声。 4. 加强封装遮光性，在完全黑暗环境中测试对比。 |
| 视觉系统无法稳定识别特征或重建形态 | 1. 照明不均匀，导致特征对比度低。 2. 特征点图案在变形中损坏或脱落。 3. 摄像头焦距不准或镜头畸变未校正。 4. 形变过大，超出算法处理范围。 | 1. 优化LED布局，使用漫射板使光照均匀。调整图像对比度阈值。 2. 改进特征图案的制备工艺，确保其与基底结合牢固。 3. 重新进行相机内参标定（棋盘格标定法），并在软件中应用去畸变。 4. 在算法中增加鲁棒性处理，如RANSAC剔除误匹配点；或限制探测器的最大使用形变范围。 |
| 系统功耗过高，续航时间短 | 1. 视觉模块常开。 2. SiPM高压模块效率低。 3. 软件未进入低功耗模式。 | 1. 改为事件触发或低频率周期唤醒（如每秒唤醒一次）视觉系统。 2. 选用低功耗SiPM驱动芯片，并采用脉冲式供电（仅在测量时开启高压）。 3. 检查MCU在空闲时是否进入了stop或standby模式，关闭所有不必要的外设时钟。 |
| BLE连接不稳定或传输距离短 | 1. 天线设计不佳或被金属/电池遮挡。 2. 周围2.4GHz频段干扰大。 3. 发射功率设置过低。 | 1. 优化PCB天线布局，或改用外置贴片天线，确保天线区域净空。 2. 改变BLE通信信道，或增加数据重传机制。 3. 在允许范围内适当增加BLE芯片的发射功率（注意功耗权衡）。 |
5.3 一些进阶优化思路与经验之谈
在基本系统跑通后，还可以从以下几个方向进行深度优化：
- 多模态传感融合：除了视觉，是否可以集成微小的惯性测量单元（IMU）？IMU可以非常低功耗地提供加速度和角速度信息，辅助判断探测器的运动状态（剧烈运动可能导致图像模糊），甚至可以在视觉系统短暂失效时提供粗略的姿态估计作为备份。
- 自适应标定与在线学习：能否让系统在已知辐射场（如本底环境）中，自动微调其校正参数？这需要设计一套安全的在线学习算法，避免在异常高剂量场中发生错误的“学习”。
- 能量响应补偿：闪烁体的光输出通常与辐射能量有关（非线性）。对于需要能谱信息的场合，可以使用多个SiPM像素或波形采样，结合脉冲形状分析，粗略区分不同能量的辐射，并对剂量响应进行能量补偿。这在混合辐射场中尤为重要。
- 柔性电子学集成：未来的终极形态是将SiPM、处理芯片和电路也都做成可拉伸的。这依赖于柔性电子技术，如用有机光电二极管（OPD）替代SiPM，用纳米线或聚合物薄膜晶体管制作电路。虽然目前性能尚有差距，但这是一个值得关注的方向。
这个项目最大的魅力在于它完美地体现了“以软补硬”的工程思想。我们承认物理世界的复杂性（闪烁体变形会导致信号失真），但不试图去征服它（制造绝对不变形的材料），而是通过另一套感知系统（视觉）去量化这种复杂性，再用算法去补偿它。这种跨学科的思路——将辐射探测、柔性材料、计算机视觉和嵌入式系统融合——正是解决许多前沿工程问题的钥匙。在实际开发中，最大的挑战往往不在某个单一技术点上，而在于如何让这些异构的模块稳定、可靠、低功耗地协同工作。每一次调试，都是对系统思维和工程整合能力的锤炼。
