identification des isotopes en temps réel

Bonjour à tous
Pour mon stage de fin d'études, la boite où je fais mon stage développe un spectromètre connecté ,
 du coup ma tache est de développer un algorithme permet de detecter les isotopes en temps réel.
j'ai cherché sur les algorithmes de minimisation pour comparer le signal inconnu à celui de ma base de données 
la majorité marche pas suite à des contraintes (il faut connaitre la fonctions...) et moi j'utilise que des données(matrice)
 y'a t-il une méthode efficace permet de faire ça ??
juste une technique ou méthode , même une  petite idée ça m'aiderai.
merci d'avance

Bonjour
Je n'ai pas de compétences sur les algorithmes. Il faudra trouver un klown capable de vous aider.
Iron Kloug

J'espère bien .

Bonsoir,

Vous avez beaucoup de radionucléides candidats?

Gluonmou a écrit:

Bonsoir,

Vous avez beaucoup de radionucléides candidats?

on peut dire une dizaine , pour le moment je commence par un nombre réduit

Vous mettez une ROI sur les pics de références de vos 10 candidats, en évitant les interférants, et sur chaque ROI vous calculez en temps réel le seuil de décision et la surface nette.

Si le RN est là, alors la surface nette va finir invariablement par dépasser significativement le SD

Au début ça sera un peu dessous un peu dessus, tout est fluctuant

par contre on peut optimiser les marquages pour avoir un seuil de décision le plus bas possible.
Après bien sûr tout dépendra de l'activité du RN présent, du rendement, et du bruit de fond dans la région du pic.

Au fait, vous êtes avec du Ge ou du NaI (là ce serait plus délicat)?

Malheureusement ça marche pas , On a le Nal c un peut délicat.

Bonjour,

avec un NaI vous avez simplement une moins bonne sensibilité. "Votre spectre ressemblera à la chaine des Vosges comparé à la chaine des Alpes" comme disait l'autre.
L'activité minimale de la source permettant d'identifier un RN avec plus ou moins de certitude augmente mais Le principe d'identification reste inchangé (ROI sur l'énergie des pics de référence et SD) quelque soit votre système de détection. Il y a un doc sur le site à ce sujet.

Ce sera un peu plus complexe si vous avez des RN dont l'énergie des particules émises est proche mais rien d'insurmontable.

Bon courage,

Toz

Toz a écrit:

Bonjour,

avec un NaI vous avez simplement une moins bonne sensibilité. "Votre spectre ressemblera à la chaine des Vosges comparé à la chaine des Alpes" comme disait l'autre.
L'activité minimale de la source permettant d'identifier un RN avec plus ou moins de certitude augmente mais Le principe d'identification reste inchangé (ROI sur l'énergie des pics de référence et SD) quelque soit votre système de détection. Il y a un doc sur le site à ce sujet.

Ce sera un peu plus complexe si vous avez des RN dont l'énergie des particules émises est proche mais rien d'insurmontable.

Bon courage,

Toz

Merci pour votre réponse, 
voici un spectre réel de notre spectromètre , on a réalisé un modèle d'identification avec excel et ça marcha bien ,
le principe est de comparer la somme pondéré de tous les signaux, j'associe un isotope à chaque facteur de pondération
et je fais varier ces facteur jusqu'a  que les signaux se collent, le but est d'automatiser ça, ce qui abouti à un système de 
n équation à n inconnu.(somme (axi+byi+czi+...-gi)=minimale)
comme le montre la figure ci dessous.
spectre inconnu (orange) , il est identifié comme 241Am et 88Y , que je connais d'avance ,et ça marche.

C'est effectivement une autre approche (bayesienne diraient certains) qui permet d'utiliser l'ensemble du spectre et non plus uniquement les pics.
Perso je serais parti sur la somme des écarts au carré et faire tourner un algorithme permettant de le minimiser
la difficulté ici étant de le faire en temps réel et que même avec 10 RN vous avez une infinité de combinaisons possibles

Moi je discrétiserai l'espace des configurations ( n valeurs d'activités possible,en gros ce que vous appelez facteurs de pondération)ce qui vous donnerait un nombre possible  de n^10 configuration) dans un premier temps, puis je commencerai par randomiser les combinaisons testées puis ensuite limiter les combinaisons possibles autour d'un premier minimum etc

Mais bon, dans mon esprit ça marche bien, maintenant en vrai ça pourrait être autre chose

Pour ce que j'en sais de personnes qui se sont frottés au problème, c'est que ça reste un problème de traitement de signal assez costaud

C'est un stage ou une thèse que vous faites?

On vous a donné 3 mois pour le faire?

Gluonmou a écrit:

C'est effectivement une autre approche (bayesienne diraient certains) qui permet d'utiliser l'ensemble du spectre et non plus uniquement les pics.
Perso je serais parti sur la somme des écarts au carré et faire tourner un algorithme permettant de le minimiser
la difficulté ici étant de le faire en temps réel et que même avec 10 RN vous avez une infinité de combinaisons possibles

Moi je discrétiserai l'espace des configurations ( n valeurs d'activités possible,en gros ce que vous appelez facteurs de pondération)ce qui vous donnerait un nombre possible  de n^10 configuration) dans un premier temps, puis je commencerai par randomiser les combinaisons testées puis ensuite limiter les combinaisons possibles autour d'un premier minimum etc

Mais bon, dans mon esprit ça marche bien, maintenant en vrai ça pourrait être autre chose

Pour ce que j'en sais de personnes qui se sont frottés au problème, c'est que ça reste un problème de traitement de signal assez costaud

C'est un stage ou une thèse que vous faites?

On vous a donné 3 mois pour le faire?

Normalement c'est un sujet de thèse, mais je le fais en stage de 6 mois , je dois développer un algorithme qui fais tous ça, et que je dois le valider , en faisant des mesures réelles, pour le moment pas besoin du temps réel , l'essentiel ça marche , meme après un délai d'attente de quelque secondes.

C'est bien ce que je craignais (pour vous)
Vous êtes plutôt physicien pur pomme on mathématicien appliqué avec un bon niveau en informatique

Gluonmou a écrit:

C'est bien ce que je craignais (pour vous)
Vous êtes plutôt physicien pur pomme on mathématicien appliqué avec un bon niveau en informatique

merci bien , en fait je suis en m2 ingénierie nucléaire, je fais de l'électronique et je développe avec python , très peut en C , je suis pas matheux   , si c'est le cas je réalise le projet avec le machine learning ou le réseau de neurones (tous à base d'apprentissage), peut de programmation et trop de math.

Si vous mettez un réseaux de neurones pour analyser votre spectre, ça devrait vous simplifier la tache

Reste la phase d'apprentissage, à vous de lui faire avaler un grand nombre de combinaisons. Si ça peut vous éviter d'inverser une matrice gigantesque

Gluonmou a écrit:

Si vous mettez un réseaux de neurones pour analyser votre spectre, ça devrait vous simplifier la tache

Reste la phase d'apprentissage, à vous de lui faire avaler un grand nombre de combinaisons. Si ça peut vous éviter d'inverser une matrice gigantesque

j'ai jamais fais ça , mais je vais m'entrainer .
Est ce que je peux utiliser la méthode de descente de gradient ?? normalement elle marche très bien si j'ai pas de fonction, que des matrices?

Sincèrement, la réponse n'est pas dans mes compétences
Mais pourquoi pas, on est bien dans un problème analogue à une reconnaissance d'image : le spectre
Chaque canal étant un pixel

par contre je me dis naïvement qu'un réseaux de neurones pourra reconnaître les RN, après pour la quantification ç'est peut -être moins évident. je ne sais pas

par contre je connais des gens qu sauront, mais là ça ne pourra pas ce faire sur le forum

Gluonmou a écrit:

Sincèrement, la réponse n'est pas dans mes compétences
Mais pourquoi pas, on est bien dans un problème analogue à une reconnaissance d'image : le spectre
Chaque canal étant un pixel

par contre je me dis naïvement qu'un réseaux de neurones pourra reconnaître les RN, après pour la quantification ç'est peut -être moins évident. je ne sais pas

par contre je connais des gens qu sauront, mais là ça ne pourra pas ce faire sur le forum

je comprends , alors je commence à me former sur le réseau de neurones , et bah merci pour vous tous ,merci M.Glunmou 

Non mais vous pensez vraiment qu'un logiciel peut identifier 10 RN différents sur du NaI ?
Il va y avoir des pics de partout, et comme c'est du NaI ça sera plutôt une énorme patate avec peut etre 2 ou 3 pics qui sortent.

Samael22 a écrit:

Non mais vous pensez vraiment qu'un logiciel peut identifier 10 RN différents sur du NaI ?
Il va y avoir des pics de partout, et comme c'est du NaI ça sera plutôt une énorme patate avec peut etre 2 ou 3 pics qui sortent.

Vous avez raison . En fait je vais utiliser l'apprentissage approfondie basé sur la comparaison des allures ou  pour résoudre ce problème.

En fait j'ai réussi à réaliser un modèle qui peut identifier 8 RN , si je fais la recombinaison de deux RN , l'algo peux identifier l'un des deux , donc je suis obligé de faire toutes les combinaisons possible 
 PS: un petit logiciel que j'ai développé  permet d'identifier les RN à partir d'un fichier excel en se basant sur le réseau de neurones