跳动城乡网研究人员结合了各种X射线成像技术，创建了多对比度图像，可用于在数千种复杂场景中检测爆炸物等危险材料。这种新方法还利用了现成的机器学习程序进行材料分类，可用于安全检查以及生命和物理科学中的应用。
“这种方法特别适合于区分元素组成非常相似的物体，”研究小组负责人、英国伦敦大学学院的托马斯·帕特里奇(ThomasPartridge)表示。“它可以用于机场安检或任何在线扫描操作，以检查被传统X射线系统等初始快速扫描标记为可疑的材料。”
在《Optica》杂志上，研究人员表示，新方法在近4,000次扫描中非常有效，可以准确检测和识别隐藏在袋子中或被各种物体遮挡的危险和非危险材料中的爆炸物。他们在带有威胁的中实现了近乎完美的99.68%的召回率，仅有一次假阴性。
“尽管还需要做更多的工作，但这种方法也可能对医学成像有用，”帕特里奇说。“虽然传统的X射线成像很难区分健康组织和患病组织，但其他研究表明，相衬成像可能能够捕捉到可用于区分健康和良性组织的纹理。”
揭开材料的秘密
机场或医疗机构中的X光检查机基于X光衰减原理，该原理可对X光穿过某种材料后强度的降低进行成像。新技术通过将各种X光能量下的传统X光衰减数据与X光相位信息(包括折射和暗场通道)相结合，可创建多对比度图像。
帕特里奇说：“许多爆炸物和日常用品主要由碳、氢、氮和氧组成，这种相似性使得仅靠X射线衰减很难将它们区分开来。”
“附加通道可以显著增强材料的边缘、纹理和颗粒，从而可以区分元素组成非常相似的物体。”
这项工作以研究人员先前的努力为基础，利用多对比X射线相位增强成像和机器学习方法对少量爆炸物和良性物体进行威胁检测。
在新实验中，他们大幅增加了研究材料的数量和成像场景的数量，以更好地模拟现实世界的情况。他们还创建了一个更有效的扫描系统，其分辨率可以通过修改扫描速度和应用边缘照明相位对比度来改变。
边缘照明涉及在样本前后放置掩模，以创建使系统对相位信号敏感所需的亚像素X射线“光束”。这种照明方法的一个关键优势是它可以与非相干X射线源配合使用，从而扩大了其适用性。
由于成像场景的复杂性增加，需要更复杂的协议，研究人员应用了具有分层架构的机器学习，先分离杂乱的物体，然后区分材料类型。这使得人们能够快速辨别形状和纹理的细微差异，从而根据关键识别特征区分材料。
检测威胁
为了测试新技术，他们使用了19种威胁材料和56种非威胁材料，所有材料均有三种厚度，并被刷子、面巾、袜子和乘客随身携带行李中其他物品等各种杂乱物体遮挡。
通过使用所有获得的对比通道，研究人员不仅展示了材料辨别能力，而且在某些情况下还展示了识别能力。使用深度学习分析X射线对比组合的信号提供了非常有希望的结果，在313例威胁病例中只有一例被遗漏。
研究人员表示，将这种方法转化为商业应用需要通过进一步优化系统来提高扫描速度。材料识别的稳健性也需要在更大的数据集上进行测试。
该团队积极研究的一个领域是将该方法与3D计算机断层扫描相结合，由于该方法能够提供物体的详细三维图像，因此正在出于安全目的进行探索。
