Identificación de interacciones de partículas en sensores de imágenes de silicio.
Se desarrolló un código en C que permite obtener y analizar las imagenes raw obtenidas por sensores CMOS, para la detección de interacción de partículas con el sensor. Además de la interfaz por consola, se desarrollaron dos interfaces web que permiten visualizar la información procesada. Gracias...
Guardado en:
Autor principal: | |
---|---|
Formato: | Tesis NonPeerReviewed |
Lenguaje: | Español |
Publicado: |
2019
|
Materias: | |
Acceso en línea: | http://ricabib.cab.cnea.gov.ar/995/1/Balmaceda.pdf |
Aporte de: |
Sumario: | Se desarrolló un código en C que permite obtener y analizar las imagenes raw obtenidas
por sensores CMOS, para la detección de interacción de partículas con el sensor.
Además de la interfaz por consola, se desarrollaron dos interfaces web que permiten
visualizar la información procesada.
Gracias a este software, se fabricó un prototipo de un monitor del nivel de actividad
de radón. Para ello, se construyó un concentrador de iones con un material conductor,
un soporte impreso en 3D, y un sensor CMOS. Los datos obtenidos fueron procesados
por una raspberry pi, modelo 3B+. Se demostró el correcto funcionamiento del código y
del concentrador de iones para la detección de partículas alfa, provenientes de partículas
inestables previamente depositadas sobre el sensor. Se analizó la forma de los eventos
de las partículas alfas detectadas, y su distribución sobre el sensor. Las mediciones se
contrastaron con un medidor de radón disponible comercialmente, observándose cierta
inercia en la medición dada por dicho sensor.
Además, con el fin de detectar concentraciones de plomo en agua, se utilizaron
sensores CCDs para la detección de los picos Lα y Lβ del plomo. Para ello se colocó
una lámina de plomo sobre una mitad del sensor y una lámina de cobre sobre la otra
mitad. El cobre utilizado permitió una correcta calibración de la energía de los eventos
detectados. Se calculó el
flujo eventos que se espera para los picos Lα y Lβ del plomo,
con estos resultados se extrapoló al sensores CMOS utilizado anterior, y se adaptó un
experimento su verificación.
Por otro lado, se utilizaron técnicas de Machine Learning para la clasificación de
imágenes en eventos y ruidos. Estas imágenes fueron simuladas tomando un ruido
gaussiano para cada pixel y, en el caso de las imágenes de eventos, distribuyendo n
cargas unitarias sobre el centro del sensor, siguiendo distribución gaussiana. Todas
las imágenes sufrieron un proceso de pre-selección. Se implementó una red neuronal
convolucional con una única capa convolucional y una capa densa y se observó la
dependencia de la precisión como función de la cantidad de cargas n distribuídas en el
conjunto de datos de entrenamiento. |
---|