Hur kan vi snabbt upptäcka nästintill osynliga hot, som explosivämnen eller kemiska stridsmedel, på avstånd utan att behöva röra vid dem? Det är en av de stora utmaningarna inom säkerhetsforskning. I denna studie har vi utforskat hur vi kan kombinera avancerad optik med artificiell intelligens för att lösa problemet.
Informationsöverflöd och långsamma metoder
För att snabbt hitta och identifiera ett ämne behöver vi ofta använda så kallad hyperspektral avbildning. Det innebär att vi inte bara tar en vanlig bild, utan analyserar ljusets våglängder för att få ett unikt ”fingeravtryck” (ett spektrum) av varje punkt i bilden. Problemet är att detta genererar enorma mängder data. Att bearbeta all denna information tar ofta för lång tid för att vara praktiskt användbart. För att effektivisera processen använder vi en teknik som kallas Compressed Sensing. Istället för att försöka fånga all data på en gång, använder vi en speciell mask (en ”kodad apertur”) som blandar informationen i ett smart mönster. Det blir som att skapa ett slags optiskt pussel. Tidigare har man behövt använda beräkningstunga matematiska algoritmer för att lägga detta pussel, vilket har varit extremt tidskrävande. I vår forskning har vi istället låtit djupinlärning – en form av AI – sköta pusselläggandet. Genom att träna ett neuralt nätverk på tusentals simulerade exempel kan AI lära sig att ”se” det ursprungliga motivet direkt från de komprimerade mätningarna, på bråkdelen av den tid som de gamla metoderna krävt.
Från simulering till verklighet
En viktig del i vårt arbete har varit att göra de digitala simuleringarna så realistiska som möjligt. I verkliga system är optiken aldrig perfekt; det uppstår alltid viss oskärpa och brus. Vi har därför utvecklat en avancerad modell som kan inkludera dessa ”imperfektioner”. Genom att träna vår AI på data som inkluderar denna naturliga oskärpa, har vi sett att tekniken fungerar utmärkt även när den möter den verkliga världens utmaningar. Som bilden ovan illustrerar, kan vi med vår modell skapa simulerade bilder (undre) som mycket väl liknar de faktiska mätningarna från ett riktigt system (övre).
Vad betyder detta för framtiden?
Våra resultat är mycket lovande. De preliminära resultaten visar att AI-modeller snabbt kan återskapa formen och de kemiska signaturerna i en scen till en hög grad. Detta öppnar för möjligheten att i framtiden utveckla mycket snabbare och mer effektiva system för att identifiera en stor mängd farliga ämnen, vilket ger ett ökat skydd för både operatörer och allmänhet.
Medverkande forskare
Projektet leds av Lars Landström och medverkande forskare är Olle Sievers, Rikard Fridsén Skogsberg, och David Gustafsson (samtliga FOI) samt Isaac Skog och Magnus Malmström på LiU.