Identificación de interacciones de partículas en sensores de imágenes de silicio. / Particle detection in silicon image sensors.

Balmaceda, Darío F. (2019) Identificación de interacciones de partículas en sensores de imágenes de silicio. / Particle detection in silicon image sensors. Maestría en Ciencias Físicas, Universidad Nacional de Cuyo, Instituto Balseiro.

[img]
Vista previa
PDF (Tesis)
Disponible bajo licencia Creative Commons: Reconocimiento - No comercial - Compartir igual.

Español
4Mb

Resumen en español

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.

Resumen en inglés

A C program has been developed to acquire and analyze raw images from a CMOS sensor, to detect particles interactions with the sensor itself. In addition to the commandline interface, two webs interfaces were developed that allow viewing the processed information. Thanks to this software, a prototype of a radon detector were manufactured. Using an ion concentrator made of conductive tape, a 3D printed stand, and a CMOS image sensor. The data obtained were processed by a raspberry pi 3B+. Unstable particles were deposited on the sensor, thanks to the ion concentrator. Those particles decay, emitting an alpha which has been detected by the program developed. The shape of the alpha particles’ detected events and their distribution on the sensor were analyzed. The measurements were contrasted with a commercially available radon meter, observing some inertia in the measurement given by said sensor. To build a lead in water meter, CCD sensors were used to measure Lα and Lβ peaks of lead. To do this, a lead sheet was placed on one half of the sensor and a copper sheet on the other half. The copper was used to calibrate the energy of the detected events. The expected event flux by the Lα and Lβ peaks of lead was calculated and then extrapolated to the CMOS sensor previously used. This experiment was adapted to the CMOS sensor. Using Machine Learning techniques, simulated images from events and noises were classified. Those images were simulated by taking a Gaussian noise for each pixel and, in the case of events, by taking n unit charges over the centre of the sensor, following a Gaussian distribution. All those images were validated by a pre-selection process. An artificial neural network with a single convolutional layer and a dense layer was implemented, the dependence of the accuracy as a function of the n charges from the training set was observed.

Tipo de objeto:Tesis (Maestría en Ciencias Físicas)
Palabras Clave:Silicon; Silicio; Neural networks; Redes neuronales; Sensors; Sensores; [Lead detection; Detección de plomo; Radon measurement; Medición de radón; Particle detection; Detención de particulas]
Referencias:[1] Galimberti, C. L., et al. A low cost environmental ionizing radiation detector based on COTS CMOS image sensors. En: 2018 IEEE Biennial Congress of Argentina (ARGENCON). IEEE, 2018. URL https://doi.org/10.1109/argencon.2018. 8645967. vii, 9 [2] Whiteson, D., Mulhearn, M., Shimmin, C., Cranmer, K., Brodie, K., Burns, D. Searching for ultra-high energy cosmic rays with smartphones. Astroparticle Phy- sics, 79, 1{9, jun 2016. URL https://doi.org/10.1016/j.astropartphys. 2016.02.002. 2 [3] Perez, M., et al. Implementation of an ionizing radiation detector based on a FPGA-controlled COTS CMOS image sensor. En: 2017 XVII Workshop on Information Processing and Control (RPIC). IEEE, 2017. URL https://doi.org/ 10.23919/rpic.2017.8214376. 2 [4] The DAMIC Collaboration. Damic: a novel dark matter experiment, 2013. 2 [5] The CONNIE Collaboration. The connie experiment. Journal of Physics: Confe- rence Series, 761 (1), 2016. URL http://stacks.iop.org/1742-6596/761/i= 1/a=012057. 2, 33 [6] Groom, D. E. A. Temperature dependence of mean number of eh pairs per ev of x-ray energy deposit, 2009. 3 [7] MIPI, Mobile Industry Processor Interface. MIPI Alliance Specication for Camera Serial Interface 2 (CSI-2), 2009. Draft Version 1.01.00. 3 [8] Ghosh, S., Marshall, I., Freitas, A. Autonomously detecting the defective pixels in an imaging sensor array using a robust statistical technique. En: S. P. Farnand, F. Gaykema (eds.) Image Quality and System Performance V. SPIE, 2008. URL https://doi.org/10.1117/12.765147. 4 [9] Omnivision. OV5647, color CMOS QSXGA (5 megapixel) image sensor with OMNIBSI technology R , 2009. Rev. 1. 7 [10] Sony. IMX219PQ, 2016. Ver. 1.0. 7 [11] Grin, R. H., Tarr, N. G. Optical image sensors and their application in radon detection. En: P. Cheben, J. Schmid, C. Boudoux, L. R. Chen, A. Del^age, S. Janz, R. Kashyap, D. J. Lockwood, H.-P. Loock, Z. Mi (eds.) Photonics North 2013. SPIE, 2013. URL https://doi.org/10.1117/12.2033635. 16 [12] Ibanez, L. Raspberry Pi Camera to Microscope Adapter . https://www. thingiverse.com/thing:214466, 2013. 17 [13] Santry, D., Werner, R. Stopping power measurements of c, al, si, ti, ni, ag, au and mylar using radioactive alpha sources. Nuclear Instruments and Methods in Physics Research Section B: Beam Interactions with Materials and Atoms, 1 (1), 13{15, jan 1984. URL https://doi.org/10.1016/0168-583x(84)90471-3. 21 [14] Institute for Health Metrics and Evaluation (IHME). GBD Compare. Seattle, WA: IHME, University of Washington, 2015. Disponible en http://vizhub. healthdata.org/gbd-compare. Accedido en noviembre del 2018. 25 [15] Demayo, A., et al. Toxic effects of lead and lead compounds on human health, aquatic life, wildlife plants, and livestock. C R C Critical Reviews in Environ- mental Control, 12 (4), 257{305, oct 1982. URL https://doi.org/10.1080/ 10643388209381698. 25 [16] Thompson, A., et al. X-ray data booklet, 2009. URL https://xdb.lbl.gov/ xdb-new.pdf, table 1-2 Photon energies, in electron volts, of principal K-, L-, and M-shell emission lines. 30 [17] Phan, H., et al. Audio scene classication with deep recurrent neural networks, 2017. 33 [18] Kiang, M. Y. Extending the kohonen self-organizing map networks for clustering analysis. Computational Statistics & Data Analysis, 38 (2), 161{180, dic. 2001. URL https://doi.org/10.1016/s0167-9473(01)00040-8. 33 [19] Hopeld, J. Hopeld network. Scholarpedia, 2 (5), 1977, 2007. URL https: //doi.org/10.4249/scholarpedia.1977. 34 [20] Deng, L. The MNIST database of handwritten digit images for machine learning research [best of the web]. IEEE Signal Processing Magazine, 29 (6), 141{142, nov. 2012. URL https://doi.org/10.1109/msp.2012.2211477. 34 [21] Kloster, M. A. Robustez de las redes neuronales profundas para clasicar imagenes medicas, 2019. 38 [22] Chollet, F., et al. Keras. https://keras.io, 2015. 40 [23] Team, G. Google colab. https://colab.research.google.com/. 40 [24] Nadra, A. D., et al. Design and evaluation of an incoherent feed-forward loop for an arsenic biosensor based on standard iGEM parts. Synthetic Biology, 2 (1), ene. 2017. URL https://doi.org/10.1093/synbio/ysx006. 46 [25] Broadcom. Videocode R IV 3D, Arquitecture Reference Guide, 2013. Rev. VideoCoreIV-AG100-R. 50 [26] Bertou, X. The ANDES underground laboratory. The European Physical Journal Plus, 127 (9), sep. 2012. URL https://doi.org/10.1140/epjp/i2012-12104-1. 51 [27] Colaboration, T. D. Long-baseline neutrino facility (LBNF) and deep underground neutrino experiment (DUNE) conceptual design report, 2016. 51 [28] Tylka, A., et al. CREME96: a revision of the cosmic ray effects on micro-electronics code. IEEE Transactions on Nuclear Science, 44 (6), 2150{2160, 1997. URL https://doi.org/10.1109/23.659030. 51 [29] Lampe, N., et al. Background study of absorbed dose in biological experiments at the modane underground laboratory. EPJ Web of Conferences, 124, 00006, 2016. URL https://doi.org/10.1051/epjconf/201612400006. 51
Materias:Física > Partículas y campos
Divisiones:Gcia. de área de Investigación y aplicaciones no nucleares > Gcia. de Física > Sistemas complejos y altas energías > Partículas y campos
Código ID:995
Depositado Por:Tamara Cárcamo
Depositado En:24 Ene 2022 15:00
Última Modificación:24 Ene 2022 15:00

Personal del repositorio solamente: página de control del documento