استفاده از شبکه های عصبی برای بازشناسی مواد مخدر با کمک روش چند انرژی اشعه ایکس

امروزه از دستگاه های رادیوگرافی مبتنی بر اشعه ایکس برای شناسایی موارد ممنوعه از قبیل اسلحه، چاقو، مواد منفجره و مواد مخدر در گیتهای بازرسی بسیار استفاده میشود. این دستگاه ها، اطلاعاتی در خصوص سطوح اتمی و مولکولی مواد در اختیار ما قرار میدهد. از جمله موارد مهم در این حوزه، توانایی شناسایی مواد با عدد اتمی نزدیک به هم می باشد، چرا که تضعیف پرتوها در آنها بسیار به هم نزدیک بوده و میزان دقت برای شناسایی را کاهش می دهد. هدف از انجام این پژوهش، بررسی امکان ایجاد تمایز بین ماده مخدر و ماده قانونی مشابه میباشد. در راستای این هدف، به یک بانک داده از تضعیف این مواد و آموزش شبکه های عصبی با کمک این بانک داده نیاز داریم. برای تولید یک بانک داده، ابتدا با کمک کد MCNPX، به بررسی میزان تضعیف اشعه ایکس در سه انرژی مختلف، در هنگام عبور از مواد مختلف از جمله دو نمونه ماده مخدر و دو نمونه مادهای که از مواد تشکیلدهنده لوازم آرایشی و بهداشتی هستند، پرداخته شد. این مواد ترکیب مولکولی نزدیک به هم داشته و امکان شناسایی را برای آنکه بدانیم ماده مورد نظر غیرقانونی میباشد یا خیر، سخت میکند. از بانک داده تولید شده، برای آموزش انواع شبکه عصبی از جمله شبکه عصبی پرسپترون چند لایه((MLP، شبکه عصبی احتمالی (PNN) و شبکه عصبی با توابع اساسی شعاعی (RBF) در نرم افزار MATLAB استفاده شد. نتایج به دست آمده نشان میدهد که، به طور کلی شبکه عصبی MLP و RBF عملکرد مناسبی داشتند. با کمک استفاده از 14 ویژگی برای ورودی شبکه عصبی، صحت آموزش و تست شبکه RBF نسبت به حالت سه ویژگی بهبودی در حدود 20درصد داشتیم. همچنین شبکه عصبی MLP توانست با دقت حدود 95درصد در آموزش شبکه و 85درصد در تست شبکه، مواد را تفکیک نماید. در نهایت با محاسبه پارامتر ارزیابی AIC، عملکرد شبکه های مختلف را مقایسه کردیم؛ شبکه عصبی RBF بهترین نتیجه را در اختیار ما قرار داد.

کلیدواژه ها:

شناسایی مواد ، روش چند انرژی اشعه ایکس ، گیت های بازرسی ، شبکه عصبی