AI-Tomo: Accelererad materialkarakterisering med AI & röntgentomografi

 Att extrahera kvantitativa information från de stora mängderna av röntgentomografidata som produceras är avgörande för mekanistisk förståelse. Detta kräver effektiv datahantering. AI-metoder utgör mycket kraftfulla verktyg för att extrahera relevant materialinformation. Materialinformationen kommer att bidra till att öka materialförståelsen och skapa möjligheter att tillverka mer hållbara material. Detta projekt kommer att anpassa och utveckla AI-algoritmer baserade på Convolutional Neural Networks (CNN) och poängbaserade generativa modeller (SGMs) för snabb och högkvalitativ segmentering av röntgentomografidata. Fokus är på accelererad 3D/4D-bildkvantifiering och live-segmentering. För framgångsrik segmentering kommer vi också att utveckla AI-metoder som minskar brus och artefakter. Inom detta projekt kommer algoritmer att utvecklas för att stödja materialutvecklingen i de deltagande företagen och för att skapa en grund för att generellt stärka industrin i sin röntgentomografianvändning och materialutveckling. 

Projektet finansieras av VINNOVA och är en del av deras program kring Avancerad digitalisering. Projekt är ett nära samarbete

 mellan Billerud, Lunds Universitet, Tetra Pak och RISE.