Diffraction Image Parameter Recognition

U ovom radu je razvijen model za odredjivanje parametara tragova u dozimetriji. Dozimetrija je grana u fizici koja se bavi odredjivanjem apsorbovane doze jonizujuceg zracenja u materijalima. Za odredjivanje ove doze korisceni su trag detektori, tacnije detektor CR-39. Trag detektor se izlaze radijaciji a nakon toga se deteljno pregleda pod mikroskopom. Tragovi nuklearnih cestica mogu da prikazu razlicite informacije poput mase, energije i pravca kretanja cestica. Na osnovu difrakcionih slika pokazano je da se koriscenjem dubokog ucena mogu prepoznati parametri radijusa i dubine tragova sa zadovoljavajucom preciznoscu.

Instalacija

Potrebno je klonirati github repozitorjum koriscenjem:

git clone https://github.com/amnesia15/diffraction-image-rcg.git

Za koriscenje projekta na Linux sistemima potreban je Python 2.7 ili noviji. Za Windows OS potrebno je imati Python 3.6 ili noviji. Takodje je potrebno imati instaliran GraphViz. Nakon ovoga je potrebno instalirati odgovarajuce Python pakete koriscenjem komande:

pip install -r requirements.txt

Upustvo za koriscenje

Za transformaciju podataka dobijih od strane fortran programa koristi se skripta transform_data.py. Skripta ima sledece parametre:

• -dp - putanja do ulaznih podataka (podrazumevano images/raw_data/)
• -op - putanja za izlazne slike (podrazumevano images/)

python transform_data.py -dp images/raw_data/ -op images/

Za kreiranje .png slika od matrice intenziteta koristi se create_image.m.

octave create_image.m

Za treniranje neuronske mreze nad podacima koristi se training_model.py skripta. Skripta ima sledece parametre i to:

• -ip - putanja do ulaznih slika (podrazumevano "images/")
• -pp - putanja do ulaznih parametara slike (R, H) (podrazumevano "images/params/")
• -e - broj epoha za treniranje neuronske mreze (podrazumevano 6000)
• -lr - learning rate za optimizator (podrazumevano 0.00001)
• -i - broj treniranja jedne iste arhitekture (podrazumevano 1)
• -hl - broj jedinica po skrivenom sloju (podrazumevano [108, 55])
• -mo - putanja za snimanja modela, grafika i predikcija (podrazumevano "model_output/")
• -ts - procenat podataka koji ce biti sacuvan kao skup za testiranje, broj izmedju 0.0 i 1.0 (podrazumevano 0.2)
• -bs - broj uzorka po azuriranju gradijenta (podrazumevano 32)
• -r - da li koristiti regularizaciju (0 - bez ikakve regularizacije, 1 - dropout metoda) (podrazumevano 0)
• -dr - dropout rates po skrivenom sloju (podrazumevano [0.3, 0.1])

Nijedan parameter nije obavezan ako ste zadovoljni podrazumevanim vrednostima.

Jedno pokretanje training_model.py izgleda:

python training_model.py -ip images/ -pp images/params/ -e 6000 -lr 0.00001 -i 1 -hl 108 55 -mo model_output/ -ts 0.2 -bs 32 -r 1 -dr 0.3 0.1

Za vrsenje predikcije nad nekom slikom koristi se predict.py skripta. Skripta ima sledece parametre:

• -p - putanju do slike
• -ds - putanju do binarnog fajla za scaler za odlike
• -ps - putanju do binarnog fajla za scaler za izlazne varijable

Jedno pokretranje za predikciju izgleda:

python predict.py -p images/SLIKA1.png

Za isprobavanje razlicitih kombinacija arhitekture koristi se skripta generate_architecture.py. Skripta ima sledece parametre:

• -ip - putanja do ulaznih slika (podrazumevano "images/")
• -pp - putanja do ulaznih parametara slike (R, H) (podrazumevano "images/params/")
• -e - broj epoha za treniranje neuronske mreze (podrazumevano 50)
• -lr - learning rate za optimizator (podrazumevano 0.00001)
• -mo - putanja za snimanja modela, grafika i predikcija (podrazumevano "model_output/")
• -ul - granice broja jedinica u skrivenom sloju, po dva broja za jedan sloj (donja i gornja granica ukljucujuci i ta oba broja) (podrazumevano [90, 110, 40, 60])
• -ts - procenat podataka koji ce biti sacuvan kao skup za testiranje, broj izmedju 0.0 i 1.0 (podrazumevano 0.2)
• -bs - broj uzorka po azuriranju gradijenta (podrazumevano 32)
• -r - da li koristiti regularizaciju (0 - bez ikakve regularizacije, 1 - dropout metoda) (podrazumevano 0)
• -dr - dropout rates po skrivenom sloju (podrazumevano [0.3, 0.1])

Jedno pokretanje za isprobavanje razlicitih arhitektura izgleda:

python generate_architecture.py -ip images/ -pp images/params/ -e 50 -lr 0.0001 -mo model_output/ -ul 90 110 40 60 -ts 0.2 -bs 32 -r 1 -dr 0.3 0.1

loading.r is used for loading files into R environment, normalizing images, and creating matrix corresponding to grayscale image pixels.

create_image.m is used for generating images. This script should be used from directory of the previously saved files.