EO_Lighting_33

Lighting lamente se i parametri e le condizioni (prodotto ispezio- nato, energia e corrente dei raggi X, telecamera) con cui vengono acquisite le immagini sono gli stessi con cui è stata addestrata l’AI. Una possibile soluzione per ridurre dapprima la dimen- sione del set di dati necessari all’addestramento e poi per generalizzare l’applicazione della tecnica basata sul deep learning a qualunque condizione di ispezione a raggi X consiste nel combinare la tecnica di deep learning con delle simulazioni di immagini a raggi X. Simulazione di immagini a raggi X La tecnica di simulazione di immagini a raggi X proprie- taria, sviluppata da Hamamatsu Photonics, è basata sulla simulazione di quattro componenti principali alla base del processo di ispezione: 1. Spettro di emissione dei raggi X 2. Trasmissione dei raggi X attraverso l’oggetto 3. Risposta del materiale scintillatore (che converte i raggi X in luce visibile) 4. Risposta del sensore (che rivela la luce visibile emes- sa dallo scintillatore) Come input per la simulazione vengono forniti i modelli 3D degli oggetti da ispezionare, i parametri posizionali – ad esempio la posizione nello spazio della telecamera a raggi X e il punto di emissione dei raggi X – e le condi- zioni di ispezione, come tensione e corrente dei raggi X, la tipologia di materiale scintillatore con il suo spessore, e la dimensione del pixel del sensore. Nel caso in cui la forma precisa o la struttura del prodotto da ispezionare non fossero conosciute, per esempio nel caso di materiali grezzi o oggetti confezionati, è difficile riprodurre fedelmente la geometria e la densità in fase di simulazione. Per superare questo ostacolo, vengono soli- tamente utilizzati dei fantocci o delle strutture a gradini con diversi spessori. Le prestazioni della simulazione in termini di aderen- za alle immagini reali vengono verificate confrontando le immagini simulate con quelle misurate sperimen- talmente. Un esempio di simulazione di un’immagine a raggi X è riportato in figura 2. Alcuni parametri fonda- mentali ottenuti nella simulazione, come il contrasto, il livello di rumore e la risoluzione dell’immagine, sono anch’essi confrontati con quelli realmente misurati. Ci si aspetta che questi parametri siano in linea con quelli reali per validare i risultati delle simulazioni (vedi figura 2 a destra). Fig. 1 – Rappresentazione schematica del processo di addestramento degli algoritmi di deep learning per la rimozione del rumore in immagini a raggi X Fig. 2 – Esempio di simulazione dell’immagine a raggi X di un blocco di materiale acrilico con sfere di alluminio (possibile contaminante) e successivo confronto con l’immagine realmente misurata. A destra, dettagli del confronto tra simulazione e misure reali dei parametri di contrasto, livello di rumore e risoluzione EO LIGHTING - NOVEMBRE/DICEMBRE 2023 XVI