Anvendelse af deep-learning AI på røntgenbilleder hjælper med at finde sprængstoffer i bagagen

Et team af forskere ved University College London, der arbejder sammen med en kollega fra Nylers Ltd. og en anden fra XPCI Technology Ltd., har udviklet en ny måde at røntgenstråle bagage til at opdage små mængder sprængstof. I deres papir offentliggjort i tidsskriftet Nature Communications , beskriver gruppen, hvordan man modificerer et traditionelt røntgenapparat og anvender en deep-learning-applikation for bedre at detektere eksplosive materialer i bagage.

Tidligere forskning har vist, at når røntgenstråler rammer materialer, producerer de små bøjninger, der varierer afhængigt af typen af ​​materiale. De søgte at udnytte disse bøjninger til at skabe en præcisionsrøntgenmaskine.

Forskerne tilføjede først en lille ændring til en eksisterende røntgenmaskine - en kasse, der indeholder masker, som er metalplader med små huller i dem. Maskerne tjener til at opdele røntgenstrålen i flere mindre stråler. Forskerne brugte derefter enheden til at scanne en række objekter, der indeholdt indlejrede eksplosive materialer og tilførte resultaterne til en AI-applikation til dyb indlæring. Tanken var at lære maskinen, hvordan de bittesmå bøjninger i sådanne materialer så ud. Når først maskinen var trænet, brugte de den til at scanne andre genstande med indlejrede sprængstoffer for at se, om den kunne identificere dem. Forskerne fandt, at deres maskine var 100 % nøjagtig under laboratorieindstillinger.

Forskerne bemærker, at maskinen var i stand til at registrere bøjninger så små som en enkelt mikroradian, hvilket er cirka en 20.000-del af en grad. De foreslår, at ud over at være nyttige for transportsikkerhedspersonale, kan deres teknik også blive ændret lidt til brug i andre applikationer såsom medicin. De mener, at det også kunne trænes til at finde tumorer, der er for små til at opdage ved hjælp af konventionelle testenheder, eller til at finde små revner i bygninger eller på flyvemaskiners overflader. + Udforsk yderligere

Forskere kunne opdage fysiske love hurtigere ved at bruge ny maskinlæringsteknik

© 2022 Science X Network