CMOS 이미지 센서로 획득된 액체섬광검출용액 이미지와 심층 합성곱 신경망을 이용한 형광체의 파장 분류 (Fluor Wavelength Classification of Liquid Scintillators Using Images Acquired by CMOS Image Sensors and Deep Convolutional Neural Networks)

서지정보

· 발행기관 : 한국물리학회
· 수록지 정보 : 새물리 / 73권 / 8호 / 685 ~ 692페이지
· 저자명 : 최지영, 주경광, 박주빈, 박현우

초록

본 연구에서는 심층 합성곱 신경망의 분별 능력을 이용하여 상보적 금속 산화물 반도체 (CMOS) 이미지 센서로 획득된 액체섬광검출용액의 형광 이미지에 대한 스펙트럼 판별을 시도하였다. 반도체 공정 기술이 고도화되면서 이미지 센서의 광학 요소 공정 기술 또한 발전되었다. 이미지 센서의 픽셀 크기와 신호 잡음비 및 높은 색 재현성은 상충 관계를 보인다. 상용 상보적 금속 산화물 반도체 (CMOS) 이미지 센서의 제조사는 사용자에게 그 상보적 금속 산화물 반도체 센서에 대한 스펙트럼 응답 데이터를 사용자에게 제공해주지는 않는다. 단일 보드 컴퓨터에 프로그래밍할 수 있는 발광다이오드 모듈로 훈련 이미지를 생성하고, 심층 합성곱 신경망의 판별 값으로 스펙트럼 응답을 역으로 유추할 수 있는 그 가능성을 확인하였다. 중성미자 실험 운용 특성을 고려하여, 액체섬광검출용액 내에서 빛의 감쇠거리 및 스펙트럼 반응 모니터링에 심층 합성곱 신경망 이식 가능성을 지도 학습 측면에서 확인하였다. 사물인터넷 특성에 맞는 제한된 계산 자원에 효율적인 트랜스포머 이식 최적화 작업을 향후 실시할 것이다.

영어초록

In this study, we explore the spectral discrimination of fluorescence images of liquid scintillators acquired by complementary metal oxide semiconductor (CMOS) image sensors using the discriminative ability of deep convolutional neural networks without requiring any special effort. With the continuous advancement of semiconductor fab-processing technology, the processing technology of optical elements in image sensors has also advanced. However, there exists a trade-off between the pixel size of an image sensor, signal noise ratio, and high color reproduction. Furthermore, commercial CMOS image sensor manufacturers typically do not provide users with spectral response data for their CMOS sensors. To address these challenges, we generated training images using a light-emitting diode module programmable on a single-board computer and demonstrated the feasibility of inferring the spectral response backward from the discriminant values of a deep convolutional neural network. Building on the previous study and considering the operational characteristics of neutrino experiments, we evaluated the feasibility of employing a deep convolutional neural network for monitoring the attenuation distance and spectral response of light in a liquid scintillator through supervised learning. In future, we aim to optimize transformer implantation that is efficient with limited required computational resources for the characteristics of the Internet of Things.

참고자료

· 없음