Classification of metals in x-ray computed tomography

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Schreithofer, Nora
dc.contributor.author Friberg, Tapio
dc.date.accessioned 2018-09-03T12:39:54Z
dc.date.available 2018-09-03T12:39:54Z
dc.date.issued 2018-08-28
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/33734
dc.description.abstract This work is a description of an attempt to create a model for classifying metals in micro X-ray computed tomography (CT) for the purpose of liberation research of waste electronics and electrical equipment. A calibration phantom was made and imaged to calibrate the µ-CT machine and to assess the effect of reconstruction artifacts. A second measurement was made from an Arduino Uno microcontroller to validate techniques on a more realistic sample. CT images taken from the calibration phantom were examined and a literature study was performed to study obstacles in employing CT to classifying metals. Two major obstacles were found in the study. Spectral artifacts were found to prohibit quantative analysis. Different materials were shown to exhibit nearly identical intensities in the tomographic images due to the combined effects of different material properties. A spectral model was created by combining a Monte-Carlo simulation of the X-ray tube with attenuation data drawn from a National Institute of Standards and Technology dataset. An Alvarez-Macovski decomposition was performed on the dual-energy measurement pairs using the spectral model, decomposing the measured dual energy projections into 'atomic space' and 'density space' images with unique material specifc footprints and theoretically free of spectral artifacts. A feature space was created from the Arduino dataset combining the X-ray intensity images and the decomposed atomic- and density images. A Gaussian mixture model was fit on the feature space with one Gaussian component per material. The Gaussian mixture model was used to cluster the data. The means of the clusters were linked to expected attenuation values calculated by combining simulated spectrum and a NIST dataset, working as an proof of concept for a classification model. A number of spectral artifacts were found particularly in the atomic images, limiting the practical utility of the feature space and the model. Further research is needed. en
dc.description.abstract Tämä työ on kuvaus yrityksestä luoda malli metallien luokittelemiseksi röntgentomografiassa elektroniikkaromun liberaatiomallinnusta varten. Työ alkoi kalibraatiofantomin valmistuksella ja kuvaamisella työssä käytetyn tomografialaitteen kalibroimiseksi ja rekonstruktioartifaktien vaikutusten tutkimiseksi. Toinen mittaus tehtiin Arduino Uno mikrokontrollerille työssä käytettyjen tekniikoiden validoimiseksi realistisemmalla näytteellä. Kalibraatiofantomista otettuja röntgenkuvia tutkittiin ja kirjallisuuskatsaus tehtiin etsimään esteitä röntgentomografian käytössä metallien luokittelemiseksi. Kaksi suurta estettä löydettiin tutkimusten aikana. Spektriartifaktien havaittiin estävän kvantitatiiviset tutkimukset. Erilaisten materiaalien havaittiin saavuttavan samoja intensiteettiarvoja tomografiakuvissa erilaisten materiaaliominaisuusyhdistelmien vuoksi. Spektrimalli luotiin yhdistämällä Monte-Carlo -simulaatio röntgenputkesta National Institute of Standards and Technology -instituutin attenuaatiodataan. Kaksoisenergiamittauksille tehtiin Alvarez-Macovski hajotelma käyttäen spektrimallia, hajottaen kaksoisenergiaprojektiot 'atomiavaruus' ja 'tiheysavaruus' -kuviksi joissa jokaisella materiaalilla on uniikki tunnistettava kuvio ja jotka ovat teoreettisesti vapaat spektriartifakteista. Arduino -röntgenkuvasarja yhdistettiin luotuihin atomikuviin ja tiheyskuviin. Näin syntyneeseen ominaisuusavaruuteen sovitettiin Gaussinen sekoitemalli. Gaussista sekoitemallia käytettiin datan jakamiseksi klustereihin. Klustereiden keskiarvot linkitettiin oletettujen materiaalien oletettuihin attenuaatioarvoihin, jotka oltiin laskettu yhdistämällä simuloitu spektrimalli NIST attenuaatiodataan. Näin demonstroitiin luokittelumallin toimintaa. Spektriartefakteja havaittiin erityisesti atomikuvista mikä rajoitti ominaisuusavaruuden ja mallin käyttöarvoa. Lisätutkimuksia vaaditaan. fi
dc.format.extent 109 + 28
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title Classification of metals in x-ray computed tomography en
dc.title Metallien luokittelu röntgentomografiassa fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Kemian tekniikan korkeakoulu fi
dc.subject.keyword x-ray computed tomography en
dc.subject.keyword recycling en
dc.subject.keyword metal artifact reduction en
dc.subject.keyword Alvarez-Macovski decomposition en
dc.subject.keyword Monte Carlo simulation en
dc.subject.keyword liberation modelling en
dc.identifier.urn URN:NBN:fi:aalto-201809034859
dc.programme.major Functional Materials fi
dc.programme.mcode CHEM3025 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Serna, Rodrigo
dc.programme Master's Programme in Chemical, Biochemical and Materials Engineering fi
dc.location PK fi
local.aalto.electroniconly yes
local.aalto.openaccess yes


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account