α粒子光譜學是測量α發射源的關鍵方法，應用于安全、廢物管理和核物理領域（Aggarwal, 2016; Wu et al., 2022; Horansky et al., 2008; Zhou et al., 2021）。傳統上，這些測量依賴于昂貴的半導體探測器以及需要專門設備和設施的復雜系統（Croce et al., 2012）。近年來，如網絡攝像頭這樣的低成本CMOS相機已成為檢測帶電粒子和高能光子的實用工具。它們的廣泛可用性、小巧的體積和低功耗使其成為開發輕便便攜式光譜系統的理想選擇（Hachaj and Piekarczyk, 2023; Lin et al., 2024; Ratti et al., 2021）。然而，使用網絡攝像頭傳感器時面臨的一個主要挑戰是準確區分α粒子信號與其他輻射（見圖1）。
為了解決這個問題，研究人員開始應用機器學習和計算機視覺技術來分析CMOS圖像中的亮像素簇。卷積神經網絡（CNN）在諸如DECO等項目中取得了成功，該項目使用智能手機攝像頭來檢測宇宙射線事件（Winter et al., 2018）。大多數現有方法在分析前需要大量的預處理步驟，如噪聲過濾、閾值處理或背景減除（Estrade et al., 2019; Perlin et al., 2022）。
本研究探討了直接將YOLO目標檢測算法應用于原始CMOS圖像的方法，未進行任何過濾或去噪預處理，除了將圖像簡單劃分為四個象限以提高檢測精度（Ultralytics, 2025）。消除復雜的預處理步驟（如過濾或閾值處理）有助于避免錯誤，并展示了YOLO有效分析噪聲實驗數據的能力。我們的方法提高了使用網絡攝像頭進行α粒子檢測的效率。α光譜學中的另一個關鍵問題是“堆積”現象，即時間或空間上接近的粒子產生的重疊信號會扭曲能量測量結果。最近的研究表明，機器學習技術可以檢測并糾正這些“堆積”事件（Molnar et al., 2023）。在這方面，YOLO在識別和糾正來自鐳-226源的α粒子圖像中的堆積現象方面表現出了強大的能力。
以往的研究通常主要關注粒子計數，而沒有深入研究諸如“能量分辨率”、“檢測效率”和“靈敏度”等關鍵參數（Zhang et al., 2024; Frutos-Puerto et al., 2021）。據我們所知，這是首次將基于YOLO的目標檢測與CMOS成像相結合進行定量α粒子光譜學的研究，其中光譜信息是通過蒙特卡洛模擬重建和驗證的，而不僅僅是像以往基于YOLO的方法那樣進行軌跡計數。通過提取與光點“大小”和“亮度”相關的特征，我們能夠直接從圖像數據中重建光譜信息。此外，通過將我們的實驗結果與使用基于蒙特卡洛的AASI軟件模擬的光譜進行比較（Siiskonen and P?ll?nen, 2005），我們建立了一個用于定量驗證和“能量校準”的穩健框架。
與傳統基于預處理的方法相比，我們的方法具有更高的準確性，并能夠在實際條件下實現實用的光譜學分析。這種方法的有希望的性能為開發適用于環境監測、核安全和放射性材料監測的自動化光譜系統奠定了堅實的基礎。
