Predictive machine learning on SEM and hyperspectral images of uranium ore concentrates (UOCs) for nuclear forensics

Abstract

Nuclear and radioactive materials are harmful to individuals, especially when it’s not professionally managed. Nuclear and radioactive materials going astray pose a great threat to the general public. The field of nuclear forensics focuses on detecting potentially dangerous materials and determining their origin. This work is a part of the anti-terrorism effort. The investigations can take months before it produces any results, and it's desirable obtain critical information early on. This thesis aims at providing a new method that accurately classifies unknown nuclear samples with high accuracy. A machine learning (ML) model was developed to provide nuclear forensics with a new tool. The model takes images of uranium samples and learns their discriminative characteristics to determine the true sample class. Two different types of images were used, namely scanning electron microscopy (SEM) and hyperspectral images. These provide different type of information for discrimination, where the former gives morphological information, and the latter gives information about the chemical composition. Model evaluation and testing revealed that the best performing classifier in terms of accuracy was LDA, and the most informative features were LBP. Both SEM images and hyperspectral images provided satisfactory results when used in their model and could be applied in the field immediately. Further work should focus on making the model more user-friendly. The model performance could be further improved but it is at a satisfactory level in its current state. This thesis demonstrates the usefulness of ML models in the field of nuclear forensics. It is a low-cost, efficient and accurate tool.

Kjernefysiske og radioaktive materialer er skadelige for mennesker, spesielt når de ikke håndteres av kvalifiserte personer. Kjernefysiske og radioaktive materialer som kommer på villspor, utgjør en stor trussel for allmennheten. Fagfeltet kjernefysisk etterretning fokuserer på å oppdage potensielt farlige materialer og determinere prøvens geografiske opprinnelse. Dette arbeidet er en del av innsatsen mot terrorisme. Undersøkelsene kan ta flere måneder før de gir resultater, og det er ønskelig å redusere varigheten av undersøkelsen. Denne oppgaven tar sikte på å konstruere en ny metode som nøyaktig klassifiserer ukjente kjerneprøver med høy nøyaktighet. En maskinlæringsmodell ble utviklet for å gi kjernefysisk etterretning et nytt verktøy. Modellen tar bilder av uran-prøver og tilegner seg kunnskap om prøvens karakteristikk. Karakteristikken blir brukt til å skille prøvene fra hverandre og determinere prøvens sanne klasse-tilhørighet. To forskjellige typer bilder ble brukt, nemlig skanning elektronmikroskopi og hyperspektrale bilder. Disse gir forskjellig type informasjon for diskriminering. Førstnevnte gir morfologisk informasjon, og sistnevnte gir informasjon om den kjemiske sammensetningen. Modellevaluering og testing avdekket at klassifikator-algoritme som hadde best resultat når det gjelder nøyaktighet, var LDA, og de mest informative funksjonene var LBP. Både SEM-bilder og hyperspektrale bilder ga tilfredsstillende resultater når de ble brukt i modellen og kunne brukes i felt. Videre arbeid bør fokusere på å gjøre modellen mer brukervennlig. Modellytelsen kan forbedres ytterligere, men er på et tilfredsstillende nivå per dags dato til å benyttes i felt. Denne oppgaven viser nytten av ML-modeller innen kjernefysisk etterretning. Det er et billig, effektivt og nøyaktig verktøy.