Rozpoznávání ionizujících částic pomocí hybridních aktivních pixelových detektorů
Machine learning approach to ionizing particle recognition using hybrid active pixel detectors
Type of document
diplomová prácemaster thesis
Author
Mánek Petr
Supervisor
Bergmann Benedikt Ludwig
Opponent
Šára Radim
Field of study
Umělá inteligenceStudy program
Otevřená informatikaInstitutions assigning rank
katedra počítačůRights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Show full item recordAbstract
Detektory Timepix zaznamenávají snímky obsahující charakteristické obrazy částic ionizujícího záření, které procházejí vrstvou polovodičového materiálu. Od jejich vzniku ve skupině Medipix probíhaly pokusy o rekonstrukci trajektorií a rozpoznávání druhů částic z pozorovaných obrazů. Cílem této práce je návrh nových postupů řešení obou úloh, inspirovaných nedávnými články a metodami počítačového vidění. Navržené algoritmy pro rekonstrukci trajektorií jsou robustní a dosahují subpixelového rozlišení díky využití lokální optimalizace a informace o energii dostupné v operačním režimu Time-over-Threshold. Narozdíl od jiných postupů umožňují úspěšnou detekci a oddělení až 10 překrývajících se obrazů. Rozpoznávání druhů částic je dosaženo algoritmem strojového učení, který provádí klasifikaci na základě modelu atributů ztráty energie částic. Křížovou validací dat s obrazy těžkých iontů se podařilo ukázat, že navržený klasifikátor plní požadovanou funkci. Za účelem demonstrace využití navržených metod ve výzkumných aplikacích byla provedena analýza dat z detektorů Timepix rozmístěných v experimentu MoEDAL v LHCb, CERN. Timepix detectors record frames containing characteristic patterns corresponding to particles of ionizing radiation passing through a layer of semiconductive material. Since their inception by the Medipix collaboration at CERN, attempts have been made at reconstruction of particle trajectories and recognition of particle species based on the observed patterns. This thesis proposes novel approaches to both problems inspired by the recent works and methods used in computer vision applications. The presented algorithms for trajectory reconstruction are robust and combine local optimization with energies available in the Time-over-Threshold operation mode to achieve subpixel precision. Unlike alternate approaches, the proposed methods have been found to successfully detect and separate up to 10 overlapping patterns. A supervised machine learning algorithm is presented for particle species classification based on the energy loss feature model. Cross-validated evaluation of the classifier with heavy ion dataset indicates that the proposed model is viable and can accurately determine particle species. An analysis of recent Timepix data from the MoEDAL Experiment at LHCb, CERN has been conducted to demonstrate usage of the presented methods in research applications.
Collections
- Diplomové práce - 13136 [892]