EO_Lighting_33

X-RAYS INSPECTION Rimozione del rumore in immagini a raggi X basata su algoritmi di deep-learning Sara Ziliani Sales Engineer Hamamatsu Photonics Italia Hamamatsu Photonics ha sviluppato una nuova tecnologia di riduzione del rumore basata su algoritmi di deep learning e su un nuovo metodo di simulazione delle immagini a raggi X Le tecniche di ispezione a raggi X sono largamente utiliz- zate nelle industrie alimentari e nei controlli non distrut- tivi per garantire elevati standard di qualità e sicurezza. Per migliorare le capacità di identificazione di contaminati e difetti è di cruciale importanza ridurre il rumore di fon- do presente nelle immagini acquisite. Hamamatsu Pho- tonics ha sviluppato una nuova tecnologia di riduzione del rumore basata su algoritmi di deep learning e su un nuovo metodo di simulazione delle immagini a raggi X. Rimozione del rumore in immagini a raggi X tramite deep learning Il deep learning è un campo dell’intelligenza artificiale (AI) che simula come gli esseri umani pensano e impa- rano, permettendo ai computer di apprendere attraver- so l’esempio. Alla base degli algoritmi di deep learning ci sono le cosiddette reti neurali artificiali, una forma di modello computazionale ispirato alle interconnessio- ni all’interno del cervello umano. Gli algoritmi di deep learning sono strutturati in una serie di strati interme- di di reti neurali, detti hidden layer, che svolgono ope- razioni complesse: ogni strato calcola i valori per quello successivo, elaborando l’informazione in maniera sem- pre più completa. Con il deep learning, partendo da una sufficiente quantità di dati, un modello può imparare a svolgere attività di classificazione ricevendo come input direttamente delle immagini, ad esempio può imparare a riconoscere i gatti nelle foto di animali. Allo stesso modo, può apprendere come discriminare il rumore dalle parti strutturali di un’immagine a raggi X. Addestrare l’intelligenza artificiale è la parte più com- plessa del deep learning: è richiesta infatti una grande potenza computazionale, insieme a un vasto set di dati. Nel caso specifico della rimozione del rumore in immagi- ni a raggi X, quando l’AI impara da immagini acquisite in condizioni reali possono essere necessarie diverse deci- ne di migliaia di immagini per raggiungere la prestazione desiderata, il che risulta essere uno svantaggio significa- tivo nell’utilizzo di questo metodo. Entrando maggiormente nel dettaglio del processo di rimozione del rumore nelle immagini a raggi X tramite deep learning, il primo step consiste solitamente nell’ac- quisire una serie di immagini con il più basso rumore possibile. Varie componenti di rumore sono poi aggiunte artificialmente alle immagini, per ottenere immagini si- mili a quelle in condizioni reali. Queste immagini avran- no quindi due componenti: una componente strutturale e una componente di rumore. Sfruttando dunque le im- magini composte da struttura+rumore come dati di input per l’AI e il solo rumore come set di dati di esempio da identificare, l’algoritmo di deep learning apprende come discriminare il rumore. Il risultato di questa fase di ap- prendimento è un algoritmo di deep learning in grado di riconoscere il rumore direttamente in immagini acqui- site in condizioni reali. Nel seguito, assumeremo che per questo processo vengano usate delle reti neurali convo- luzionali (CNN). In Figura 1 è rappresentato schematica- mente il processo di addestramento dell’AI. Un altro svantaggio dell’utilizzo del solo deep learning per rimuovere il rumore dalle immagini a raggi X è do- vuto al fatto che questa tecnica può essere utilizzata so- EO LIGHTING - NOVEMBRE/DICEMBRE 2023 XV