EO_Lighting_33

X-RAYS INSPECTION Possibili applicazioni della tecnica di simulazione delle immagini a raggi X di Hamamatsu vanno dal supporto ai clienti per definire i migliori parametri di ispezione, fino all’utilizzo come strumento per lo sviluppo di nuove te- lecamere a raggi X. Inoltre, come anticipato in precedenza, combinando le simulazioni con le tecniche di deep learning è possibile ottenere un algoritmo per la rimozione del rumore senza acquisire un gran numero di immagini reali per l’adde- stramento dell’AI e la tecnica può essere estesa a qualun- que tipologia di oggetto e di condizione di ispezione. Deep learning e simulazioni di immagini a raggi X per la rimozione del rumore Per la fase di training dell’AI, le immagini di addestra- mento – immagini reali di struttura+rumore in input e solo rumore come esempio/target – possono essere so- stituite con immagini simulate. Con il software di si- mulazione, infatti, le immagini a raggi X possono essere generate in molteplici condizioni, con strutture diverse e vari livelli di rumore (Fig. 3). Dopo aver imparato come riconoscere il rumore in ogni condizione, si ottiene una rete neurale che può estrarre e rimuovere il rumore dalle immagini acquisite in con- dizioni reali. La figura 4 mostra una rappresentazione schematica della combinazione delle simulazioni di im- magini a raggi X e degli algoritmi di deep learning (basati su CNN) per raggiungere questo obiettivo. Un vantaggio significativo di questo approccio è dato dal sottrarre solamente la componente di rumore dalle im- magini: non si riscontra infatti alcuna sottrazione spuria dei dettagli strutturali. Inoltre, come diretta conseguen- za della sottrazione del rumore, si osserva un migliora- mento nell’identificazione di contaminanti anche con semplici tecniche a soglia. In figura 5 sono mostrati i ri- sultati della rivelazione di contaminanti in immagini a raggi X di carne di maiale cruda: sono messe a confronto immagini non processate 5(A) e immagini processate per la rimozione del rumore tramite AI 5(B). Per quanto ri- guarda l’identificazione dei corpi estranei (evidenziati in rosso), risultati migliori sono osservati con l’applicazione della tecnica di rimozione del rumore tramite AI. Infine, lo strumento di rimozione del rumore basato su simulazioni + deep learning è adatto a processare le im- magini in tempo reale durante l’ispezione in linea. Il primo rilascio del software sarà disponibile solamente per le telecamere a raggi X a scansione lineare, ma in fu- turo verrà reso disponibile anche per pannelli e sensori bidimensionali. Per maggiori dettagli in merito a questa nuova tecnologia e per testarla con le immagini acquisite con telecamere Hamamatsu è possibile contattare direttamente la so- cietà ( www.hamamatsu.it ) . Fig. 3 – Esempio di immagini a raggi X simulate con l’introduzione di diverse strutture, condizioni di misura e livelli di rumore. Sotto ogni immagine è riportato il rumore simulato corrispondente Fig. 4 – Combinazione di simulazioni di immagini a raggi X con algoritmi di deep learning basati su CNN. Le immagini (struttura + rumore) simulate sono date in input alla rete neurale, mentre il rumore simulato è usato come immagine di esempio/target per addestrare l’algoritmo Fig. 5 – Confronto tra immagini a raggi X di carne cruda di maiale grezze (A) e processate con AI (B). Applicando una semplice soglia ai livelli di grigio dell’immagine, nel caso in cui è stato sottratto il rumore tramite simulazione+AI si ottengono migliori risultati nell’identificazione dei contaminanti (in rosso) EO LIGHTING - NOVEMBRE/DICEMBRE 2023 XVII