Die vorliegende Erfindung betrifft ein Erzeugungsverfahren für künstliche Trainingsdaten für eine Durchführung eines maschinellen Lernverfahrens einer künstlichen Intelligenz für den Einsatz in einem Klassifizierungsverfahren von Objekten in Gepäckstücken auf Basis eines Scans mit einer Röntgendiffraktions-Vorrichtung, ein Lernverfahren für ein Trainieren einer künstlichen Intelligenz sowie ein Computerprogrammprodukt zur Durchführung des Erzeugungsverfahrens und/oder des Lernver- fahrens.

Es ist bekannt, dass in sicherheitsrelevanten Bereichen, insbesondere in Flughäfen, ein hoher Sicherheitsstandard dadurch aufrechterhalten wird, dass Gepäckstücke durchleuchtet und auf gefährliche Materialien und Objekte überprüft werden. Bei Flughäfen gilt dies insbesondere für das sogenannte Aufgabegepäck, welches vollständig, also jedes einzelne Gepäckstück, überprüft werden muss, bevor es in den Frachtraum eines Flugzeugs geladen wird. Flughäfen weisen dabei üblicherweise Transmissions-Vorrichtungen auf, welche zum Beispiel in Form von Computertomographen in der Lage sind, ein Durchleuchten der Gepäckstücke durchzuführen. Dies erlaubt es mit gewisser Wahrscheinlichkeit, insbesondere im Rahmen einer Bildauswertung der Transmissionsscans, einzelne Objekte zu erkennen und, zum Beispiel auf Basis ihrer Formgebung, hinsichtlich ihrer Gefährlichkeit zu bewerten.

Darüber hinaus kann aus solchen Transmissionsverfahren eine Information gewonnen werden, welche Materialeigenschaften Objekte aufweisen. Mit anderen Worten kann zum Beispiel durch Transmissionsverfahren ermittelt werden, in welchem Bereich die mittlere Dichte eines erkannten Objektes liegt, sodass zumindest ein Hinweis auf ein Material mit ähnlicher Dichte diesem Objekt zugewiesen werden kann. Diese Bewertung ist jedoch zu ungenau, um mit der gewünschten Sicherheit gefährliche von ungefährlichen Objekten unterscheiden zu können. Mit anderen Worten werden auch Objekte aus einem ungefährlichen Material als „gefährlich“ vorselektiert, wenn deren Dichte ähnlich zur Dichte eines gefährlichen Materials ist. Dies führt dazu, dass eine hohe Anzahl von Objekten zu einer Alarmierung führen, welche zumindest teilweise ein solches gefährliches Material nicht aufweisen. Ein solches Alarmieren wird als Fehlalarm bezeichnet und ist unerwünscht, da dies zu unnötigem Aufwand, insbesondere in Form einer manuellen Gepäckkontrolle, führt.

Um diese Fehlalarmrate zu reduzieren, ist es ebenfalls bereits bekannt, die Transmissions-Vorrichtungen dahingehend zu ergänzen, dass Gepäckstücke, für welche ein Alarm ausgegeben worden ist, einer weiteren zusätzlichen Prüfung unterzogen werden. Diese zusätzliche Prüfung kann zum Beispiel eine Röntgend iffraktions-Vor- richtung sein, welche entsprechend keinen Transmissionsscan durchführt, sondern beim Bestrahlen mit Röntgenstrahlung vom Gepäckstück gebeugte Röntgenstrahlen aufnehmen und auswerten kann. Dieser Schritt führt jedoch dazu, dass eine deutliche Geschwindigkeitsbeeinträchtigung besteht. Für die Auswertung der Scaninformationen aus einer Röntgendiffraktions-Vorrichtung wird eine sogenannte Impulsübertragungsfunktion erstellt, welche insbesondere für alle einzelnen Volumenbestandteile, auch als Voxel bezeichnet, erzeugt und anschließend ausgewertet werden muss. Die Genauigkeit dieser Impulsübertragungsfunktion hängt dabei von der Anzahl an Photonen in den Volumenbestandteilen und damit von der Geschwindigkeit der Durchführung des Scans mit der Röntgendiffraktions-Vorrichtung ab. Je schneller der Scan durchgeführt wird, umso geringer ist die Genauigkeit solcher Impulsübertragungsfunktionen, umso höher jedoch der gewünschte Durchsatz der Gepäckstücke durch eine solche Röntgendiffraktions-Vorrichtung. Die bisherigen Lösungen müssen also mit einer relativ hohen Geschwindigkeit und entsprechend geringer Qualität der Scaninformationen aus der Röntgendiffraktions-Vorrichtung vorliebnehmen, um die anschließende Auswertung durchzuführen.

Es ist daher Aufgabe der vorliegenden Erfindung, die voranstehend beschriebenen Nachteile zumindest teilweise zu beheben. Insbesondere ist es Aufgabe der vorliegenden Erfindung, in kostengünstiger und einfacher Weise eine hohe Sicherheit beim Auffinden und Verifizieren von gefährlichen Alarmobjekten mit einer gleichzeitig möglichst niedrigen Fehlalarmrate bei der Anwendung einer Röntgend iffraktions-Vor- richtung zu kombinieren. Dabei soll insbesondere aus den vorhandenen Ergebnissen der Röntgendiffraktion das Maximum an Informationen herausgeholt werden.

Die voranstehende Aufgabe wird gelöst durch ein Erzeugungsverfahren mit den Merkmalen des Anspruchs 1 , ein Lernverfahren mit den Merkmalen des Anspruchs 11 sowie ein Computerprogrammprodukt mit den Merkmalen des Anspruchs 15. Weitere Merkmale und Details der Erfindung ergeben sich aus den Unteransprüchen, der Beschreibung und den Zeichnungen. Dabei gelten Merkmale und Details, die im Zusammenhang mit dem erfindungsgemäßen Erzeugungsverfahren beschrieben sind, selbstverständlich auch im Zusammenhang mit dem erfindungsgemäßen Lernverfahren und jeweils umgekehrt, sodass bezüglich der Offenbarung zu den einzelnen Erfindungsaspekten stets wechselseitig Bezug genommen wird beziehungsweise werden kann.

Der erfindungsgemäße Kerngedanke beruht darauf, eine künstliche Intelligenz für die Klassifikation von Impulsübertragungsfunktionen, welche im Zuge der Datenprozes- sierung bei Röntgendiffraktions-Vorrichtungen erhalten werden, zu verwenden. Eine solche künstliche Intelligenz erhält jedoch ihre Funktionalität und ihre Genauigkeit durch ein maschinelles Lernverfahren, welches auch als maschinelles Trainingsverfahren bezeichnet werden kann. Für ein solches maschinelles Trainingsverfahren ist eine Vielzahl von Trainingsdaten notwendig, welche mit hinreichender Genauigkeit eine Korrelation zwischen Eingangsinformationen und Ausgangsinformationen, also hier zwischen Impulsübertragungsfunktionen am Eingang und Materialklassen am Ausgang der künstlichen Intelligenz, aufweisen. Diese Trainingsdaten müssten üblicherweise aufwendig durch den Einsatz einer Röntgendiffraktions-Vorrichtung für unterschiedliche Materialen erstellt werden.

Um nun bei einem erfindungsgemäßen Erzeugungsverfahren den Mangel an genauen Trainingsdaten auszugleichen und gleichzeitig den Aufwand einer Erzeugung der Trainingsdaten durch tatsächliches Scannen zu vermeiden, wird ein Erzeugen von künstlichen Trainingsdaten vorgeschlagen. Diese künstlichen Trainingsdaten dienen dann in einem später noch erläuterten Lernverfahren dazu, ein maschinelles Lernverfahren für ein Training einer künstlichen Intelligenz einzusetzen, um anschließend bei einem Klassifizierungsverfahren von Objekten in Gepäckstücken auf Basis eines Scans mit einer Röntgendiffraktions-Vorrichtung eingesetzt zu werden. Ein solches Erzeugungsverfahren weist die folgenden Schritte auf:

Auswählen zumindest einer materialspezifischen Referenz-Impulsübertragungsfunktion, - Anwenden einer Variationssimulation auf die ausgewählte Referenz-Im- pulsübertragungsfunktion zum Erzeugen einer Vielzahl von Variations-Im- pulsübertragungsfunktionen,

- Speichern der erzeugten Vielzahl der Variations-Impulsübertragungsfunktionen als künstliche Trainingsdaten mit der ausgewählten Referenz-Impulsübertragungsfunktion als Referenzinformation.

Wie bereits angedeutet worden ist, ist für den Einsatz einer künstlichen Intelligenz in einem Klassifizierungsverfahren ein Trainingsverfahren für diese künstliche Intelligenz notwendig. Bei der vorliegenden Erfindung wird insbesondere Bezug genommen, auf eine künstliche Intelligenz in Form eines oder mehrerer neuronaler Netze mit gewichteten Knotenpunkten. Selbstverständlich können jedoch auch andere und/oder komplexere Ausgestaltungsformen im Rahmen der vorliegenden Erfindung unter dem Begriff „künstliche Intelligenz“ verstanden werden. Der entscheidende Kerngedanke der Verwendung der künstlichen Intelligenz liegt darin, keinen algorithmischen und damit physikalisch definierbaren Zusammenhang vorzugeben, sondern vielmehr diesen Zusammenhang zwischen Eingangsparametern und Ausgangsparametern durch eine Vielzahl von Daten in Form der Trainingsdaten der künstlichen Intelligenz anzutrainieren.

Während bei vielen Problemen, welche bereits mit künstlichen Intelligenzsystemen bearbeitet werden, eine Vielzahl von Daten vorliegt, beispielsweise bei Bilderkennung, Spracherkennung oder Ähnlichem, gilt dies, insbesondere aufgrund des hochsensiblen Charakters im Sicherheitsbereich, für Röntgendiffraktions-Vorrichtungen nicht. Hier ist es vielmehr so, dass für den Einsatz einer künstlichen Intelligenz, die notwendigen Trainingsdaten vollständig in manueller Weise erzeugt und zusätzlich gelabelt werden müssten. Dies führt dazu, dass auch bisher keine künstliche Intelligenz bei der Auswertung von Röntgendiffraktionsscans im Einsatz ist. Vielmehr müsste für einen solchen Einsatz nach bisherigem Stand der Technik eine sehr hohe Anzahl von Testscans durchgeführt werden, beispielsweise im Bereich von mehreren tausend Scans. Dieser außerordentlich hohe Aufwand wird bisher gescheut, da der Kosten- und auch der Zeitaufwand in sehr hoch im Vergleich zum Nutzen in einer künstlichen Intelligenz steht. Ein erfindungsgemäßes Erzeugungsverfahren erlaubt es nun, diesen großen Aufwand so weit zu reduzieren, dass in kosteneffizienter Weise Trainingsdaten zur Verfügung gestellt werden können, welche anschließend zum Training einer künstlichen Intelligenz bei der Auswertung einer Röntgendiffraktions-Vorrichtung eingesetzt werden können. Dieses Erzeugungsverfahren beruht auf wenigen gemessenen Referenz-Impulsübertragungsfunktionen und kann dementsprechend mit wenigen realen Testscans als Basis durchgeführt werden. Nachfolgend wird beispielhaft eine Durchführung eines Erzeugungsverfahrens näher erläutert.

Beispielsweise kann als relevantes Material eine Sprengstoffzusammensetzung im späteren Betrieb bei der Klassifizierung von Objekten gesucht werden. Bei einem erfindungsgemäßen Erzeugungsverfahren wird dann als Referenz-Impulsübertra- gungsfunktion eine Impulsübertragungsfunktion ausgewählt, welche spezifisch für das Material dieser Sprengstoffzusammensetzung ist. Diese Referenz-Impulsübertragungsfunktion kann aus einer Datenbank entnommen werden. Bevorzugt ist es jedoch, wenn die Referenz-Impulsübertragungsfunktion spezifisch für das jeweilige Material vor der Auswahl, insbesondere an dem gleichen Vorrichtungstyp oder sogar der identischen Vorrichtung der Röntgendiffraktions-Vorrichtung, aufgenommen wird. Um für die Referenz-Impulsübertragungsfunktion eine sehr hohe Genauigkeit zu erzielen, kann der Scanvorgang für das Erzeugen der Referenz-Impulsübertragungs- funktion insbesondere mit deutlich reduzierter Geschwindigkeit und damit erhöhter Genauigkeit durchgeführt werden.

Für die Durchführung eines erfindungsgemäßen Erzeugungsverfahren ist es jedoch grundsätzlich unerheblich, ob die Referenz-Impulsübertragungsfunktion noch erzeugt werden muss, oder bereits aus einer bestehenden Datenbank ausgewählt werden kann. Entscheidend ist, dass zumindest eine materialspezifische Referenz-Impulsübertragungsfunktion ausgewählt wird. Es können auch zwei oder mehr Referenz- Impulsübertragungsfunktionen ausgewählt werden, welche alle spezifisch für dasselbe Material sind.

Diese eine Referenz-Impulsübertragungsfunktion stellt bereits eine erste Parameterkorrelation der künstlichen Trainingsdaten dar, da sie eine Korrelation zwischen einer Impulsübertragungsfunktion und dem für diese Impulsübertragungsfunktion spezifischen Material darstellt. Der erfindungsgemäße Kerngedanke beruht nun darauf, in einem weiteren Schritt, diese eine Referenz-Impulsübertragungsfunktion mit einem Samplingfaktor zu versehen und durch eine Variation eine hohe Anzahl von unterschiedlichen Impulsübertragungsfunktionen zu erzielen, die durch die Variation ausgehend von der Referenz-Impulsübertragungsfunktion automatisch die gleiche Matenalspezifität aufweisen. Mit anderen Worten wird durch die Variation eine Vielzahl von zum gleichen Material passenden Impulsübertragungsfunktion erzeugt. Um dies durchzuführen, wird im zweiten Schritt des Erzeugungsverfahrens eine Variationssimulation durchgeführt. Der Ausgangspunkt für diese Variationssimulation ist immer die ausgewählte Referenz-Impulsübertragungsfunktion, sodass vorzugsweise immer der gleiche Ausgangspunkt für eine sehr hohe Anzahl von Durchläufen der Variationssimulation gewählt wird. Die Variationssimulation im Sinne der vorliegenden Erfindung dient der Variation der gut aufgelösten Referenz-Impulsübertragungsfunktion und erzeugt durch Mischen und Sampling eine Vielzahl von Variations-Impulsübertragungsfunktionen erzeugt wird. Für alle erzeugten Variations-Impulsübertragungsfunktionen bleibt die dominante Referenz (ground truth) und damit der Bezug zum Material der Referenz-Impulsübertragungsfunktion erhalten.

Um sicherzustellen, dass die Korrelation zum jeweiligen spezifischen Material beibehalten wird, obwohl eine tatsächliche Variation der Impulsübertragungsfunktion durchgeführt wird, kann in die Variationssimulation eine entsprechender Zusammenhang verwendet werden. Dabei kann es sich zum Beispiel um die später noch erläuterte künstliche Variationsintelligenz handeln. Auch einfache algorithmische Zusammenhänge, Simulationsmodelle, statistische Verteilungsfunktionen, Linearkombinationen von Spektren oder Ähnliches sind denkbar, um die Variationssimulation auszubilden und eine Samplingfunktionalität auszubilden.

Als Ergebnis dieses zweiten Schrittes erhält man nun eine Vielzahl von Variations- Impulsübertragungsfunktionen, beispielsweise mit mehr als 100.000 oder bis zu 500.000 unterschiedlichen Variations-Impulsübertragungsfunktionen. Mit anderen Worten weisen alle diese Variations-Impulsübertragungsfunktionen in ihrer Detailausgestaltung zumindest kleine Unterschiede zur Referenz-Impulsübertragungsfunktion auf. Die genannten Unterschiede zwischen allen Variations-Impulsübertragungsfunktionen zu der Referenz-Impulsübertragungsfunktion sind jedoch so gering, dass sie nichts an der Beziehung zu dem spezifischen Material der Referenz-Impulsübertragungsfunktion ändern. Ein beispielsweise in Form eines Änderungswertes definierter Änderungsgrad zwischen den Impulsübertragungsfunktionen liegt also unter einem Grenzwert, ab welchem die Variations-Impulsübertragungsfunktion nicht mehr spezifisch für das jeweilige Material der Referenz-Impulsübertragungsfunktion wäre.

Mit andren Worten führt die Variationssimulation dazu, dass nun eine Vielzahl von Variations-Impulsübertragungsfunktionen vorliegt, welche mit einer Vielzahl auch real ermittelbarer Impulsübertragungsfunktionen korreliert oder zumindest teilweise sogar übereinstimmt, ohne, dass diese Impulsübertragungsfunktionen durch reale Scans mit hohem Aufwand erzeugt werden müssten.

Im abschließenden Schritt wird bei einem erfindungsgemäßen Erzeugungsverfahren noch die Vielzahl der erzeugten Variations-Impulsübertragungsfunktionen als künstliche Trainingsdaten gespeichert, wobei diese Speicherung im Sinne der künstlichen Intelligenz markiert beziehungsweise „gelabelt“ erfolgt. Darunter ist zu verstehen, dass die künstlichen Trainingsdaten nicht nur die Variations-Impulsübertragungsfunk- tion, sondern mit dieser korreliert auch jeweils das zugehörige spezifische Material als Referenzinformation aufweisen. Mit anderen Worten liegt nun zum Abschluss des erfindungsgemäßen Erzeugungsverfahrens ein Datensatz eine Datenbank vor, welche eine hohe Anzahl von künstlichen, gelabelten Trainingsdaten in Form von einer Vielzahl von für ein Material spezifischen Variations-Impulsübertragungsfunktionen und der Materialspezifität als Referenzinformation aufweist. Dies konnte erzielt werden, ohne dass eine hohe Anzahl von realen Messungen durchgeführt werden musste.

Selbstverständlich kann bei einem erfindungsgemäßen Erzeugungsverfahren für ein und dasselbe Material auch eine Anzahl von zwei oder mehr unterschiedlichen, real gescannten oder aus einer Datenbank entnommenen Referenz-Impulsübertragungs- funktion verwendet werden. Auch der Schritt des Anwendens einer Variationssimulation ist nicht auf das Anwenden einer einzigen Variationssimulation beschränkt. Auch hier ist es grundsätzlich denkbar, dass zwei oder mehr unterschiedliche Variationssimulationen eingesetzt werden. Nicht zuletzt, im Vorgriff auf die spätere Erläuterung, kann das erfindungsgemäße Erzeugungsverfahren selbstverständlich auch für zwei oder mehr unterschiedliche Materialien durchgeführt werden.

Es kann Vorteile mit sich bringen, wenn bei einem erfindungsgemäßen Erzeugungsverfahren die Variationssimulation eine statistische Verteilungsfunktion aufweist, für eine Vermeidung von redundanten Variations-Impulsübertragungsfunktionen. Diese statistische Verteilungsfunktion kann insbesondere getrennt von einem Simulationsmodell sein. Eine solche Verteilungsfunktion kann sicherstellen, dass durch die Variationssimulation erzeugte Impulsübertragungsfunktionen, welche bereits in einem vorhergehenden Schritt aus der Variationssimulation erzeugt worden sind, nicht in redundanter Weise mehrfach in die Trainingsdaten übertragen werden. Die statistische Verteilungsfunktion kann also als nachgelagert sein, aber auch in die Variationssimulation selbst als integrierter Variationsparameter, integriert sein. Damit wird sichergestellt, dass eine Redundanz in den Trainingsdaten für die Variations-Impulsübertragungsfunktionen vermieden oder zumindest reduziert wird.

Weitere Vorteile können erzielt werden, wenn bei einem erfindungsgemäßen Erzeugungsverfahren die Variationssimulation ein Simulationsmodell aufweist, welches wenigstens einen Teil der Durchführung des Scans mit der Röntgendiffraktions-Vor- richtung simuliert. Ein solches Simulationsmodell kann zum Beispiel ein mathematisches und/oder physikalisches Simulationsmodell sein, welches rechnerimplementiert ausgebildet, einen Teil der Variationssimulation darstellt. Insbesondere kann ein solches Simulationsmodell spezifisch für einen Typ oder eine spezifische Bauweise einer Röntgendiffraktions-Vorrichtung sein. Auch können solche Simulationsmodelle spezifisch für unterschiedliche Materialien sein, sofern diese zu unterschiedlichen Besonderheiten beim Scannen in der Röntgendiffraktions-Vorrichtung führen würden. Mit anderen Worten dient das Simulationsmodell sozusagen einer Rückwärtssimulation, da sie aus einem bekannten Ergebnis, nämlich dem zu identifizierenden und zu klassifizierenden Material als Referenz, in umgekehrter Richtung einen möglichen Ausgangspunkt für die Klassifizierungsanalytik, in Form der Vielzahl der Variations- Impulsübertragungsfunktionen, erzeugt.

Ebenfalls vorteilhaft ist es, wenn bei einem erfindungsgemäßen Erzeugungsverfahren die Variationssimulation wenigstens einen Variationsparameter aufweist, welcher bei der Anwendung variiert wird und insbesondere wenigstens einen der folgenden realen Faktoren bei der Durchführung eines Scans mit einer Röntgend iffraktions-Vor- richtung repräsentiert:

- Vermischung mit anderen Materialien, schlechte Abgrenzung zu anderen Objekten und/oder Segmenten, - Verzerrung der Impulstransferachse,

- Photonen-Sampling.

Bei der voranstehenden Aufzählung handelt es sich um eine nicht abschließende Liste. Auch ist es möglich, dass zwei oder mehr unterschiedliche Variationsparameter eingesetzt werden. Insbesondere sind die Variationsparameter bezogen auf physikalische und/oder reale Faktoren, welche bei der Durchführung des Scans mit einer realen Röntgendiffraktions-Vorrichtung zu einer Variation der gemessenen Ergebnisse und damit zu einer Variation der erzeugbaren Impulsübertragungsfunktionen führt. Die Variationsparameter dienen also dazu, in der Realität erfolgende Variationen in der Variationssimulation abzubilden. Die schlechte Abgrenzung zu anderen Materialien kann zum Beispiel aus der Vermischung mit anderen Materialien resultieren.

Darüber hinaus kann es von Vorteil sein, wenn bei einem erfindungsgemäßen Erzeugungsverfahren die Schritte des Anwendens und des Speicherns für wenigstens eine weitere materialspezifische Referenz-Impulsübertragungsfunktion wiederholt werden. Dies führt dazu, dass entweder für ein identisches spezifisches Material mit einem anderen Ausgangswert die gleichen Erzeugungsschritte durchgeführt werden, sodass eine höhere Genauigkeit und/oder eine höhere Anzahl unterschiedlicher, aber trotzdem signifikanter Trainingsdaten, erzielbar ist. Zusätzlich oder alternativ kann jedoch auch ein weiteres Material eingesetzt werden, für welches spezifisch ein oder mehrere Referenz-Impulsübertragungsfunktionen für das Erzeugungsverfahren ausgewählt werden. Damit kann eine Datenbank aufgebaut werden, welche Trainingsdaten nicht nur für ein einziges Material, sondern entsprechend für eine Vielzahl unterschiedlicher Materialien enthält. Dabei ist es bevorzugt, wenn die Materialien für die Referenz-Impulsübertragungsfunktionen gefährliche Materialien und/oder ungefährliche Materialien enthalten.

Ein weiterer Vorteil ist erzielbar, wenn bei einem erfindungsgemäßen Erzeugungsverfahren auf Basis der Durchführung für unterschiedliche Referenz-Impulsübertragungsfunktionen die künstlichen Trainingsdaten in einer Referenzdatenbank gespeichert werden, für eine spätere Anwendung in einem Lernverfahren. Wie bereits im voranstehenden Absatz erläutert, kann also eine Referenz-Datenbank aufgebaut werden, welche in der Lage ist, nicht nur eine einzelne Wiedergabe eines Materials zur Verfügung zu stellen, sondern vielmehr eine Korrelation zu einer Vielzahl unterschiedlicher Materialien auszubilden. Diese Materialdatenbank oder Referenzdatenbank beinhaltet insbesondere zumindest gefährliche Alarm-Materialien wie Sprengstoffe oder Betäubungsmittel. Bevorzugt sind jedoch auch harmlose Materialien enthalten, um beim späteren Klassifizieren auch eine offene Suche und/oder eine negative Klassifizierung als „ungefährlich“ durchführen zu können. Dabei ist es möglich, zum Beispiel eine spezifische Klassifizierung anzulernen, welche exakt auf ein Material ausgelegt ist. Auch eine offene Klassifizierung ist grundsätzlich einer künstlichen Intelligenz antrainierbar, um unterschiedliche Materialen aktiv erkennen oder ausschließen zu können.

Darüber hinaus von Vorteil kann es sein, wenn bei einem erfindungsgemäßen Erzeugungsverfahren die Variationssimulation ein Abbruchkriterium hinsichtlich der Anzahl der zu erzeugenden Variations-Impulsübertragungsfunktionen aufweist. Grundsätzlich ist es so, dass eine höhere Anzahl der Variations-Impulsübertragungsfunktionen zu einer größeren Genauigkeit für das spätere Lernverfahren führt. Da es jedoch hinsichtlich des Rechenaufwandes während des Erzeugungsverfahrens Grenzen einzuhalten gilt und gleichzeitig festgestellt wurde, dass ab einer gewissen Breite der Variation keine neuen Informationen in Form von nicht redundanten Variations-Impulsübertragungsfunktionen durch die Variation mehr erzeugt werden, kann ein solches Abbruchkriterium das Erzeugungsverfahren auf einen sinnvollen Umfang begrenzen. Eine besonders einfache Ausgestaltung eines solchen Abbruchkriteriums ist eine maximale Anzahl von zum Beispiel 100.000, 200.000 oder 500.000 erzeugten Variations-Impulsübertragungsfunktionen. Jedoch ist es grundsätzlich auch möglich, eine komplexere Ausgestaltung des Abbruchkriteriums zur Verfügung zu stellen, zum Beispiel hinsichtlich der Dichte der Verteilung der Variations-Impulsübertragungsfunktionen, deren unterschiedlichen Änderungswerte zwischen der Variations-Impulsübertragungsfunktion und der Referenz-Impulsübertragungsfunktion und Ähnlichem.

Von Vorteil ist es ebenfalls, wenn bei einem erfindungsgemäßen Erzeugungsverfahren die Variationssimulation eine künstliche Variationsintelligenz aufweist, welche bei der Erzeugung der Vielzahl von Variations-Impulsübertragungsfunktionen verwendet wird. Während für die Variationssimulation grundsätzlich auch ein klassischer algorithmischer Zusammenhang gewählt werden kann, ist eine künstliche Variationsintelligenz ebenfalls einsetzbar. Sie kann insbesondere auf Konstruktionsdaten oder auch auf realen Messungen an der Röntgendiffraktions-Vorrichtung beruhen, und dementsprechend Teil des Samplingvorgangs, also der Variationssimulation selbst, sein. Dabei kann ein klassisches Training mit realen Trainingsdaten der identischen Rönt- gendiffraktions-Vorrichtung als Basis für diese künstliche Variationsintelligenz dienen.

Von Vorteil ist es darüber hinaus, wenn bei einem erfindungsgemäßen Erzeugungsverfahren die Referenz-Impulsübertragungsfunktion mit der gleichen Röntgend iffrak- tions-Vorrichtung erzeugt worden ist, für welche die künstliche Intelligenz für das Klassifizierungsverfahren trainiert werden soll. Mit anderen Worten wird durchgängig für einen besonderen und spezifischen Typ der Röntgendiffraktions-Vorrichtung das Erzeugungsverfahren und das Lernverfahren durchgeführt. Der Ausgangswert in Form der Referenz-Impulsübertragungsfunktion ist dabei korreliert mit dem Typ der Röntgendiffraktions-Vorrichtung, an welcher später das Klassifizierungsverfahren eingesetzt werden soll.

Von Vorteil ist es weiter, wenn bei einem erfindungsgemäßen Erzeugungsverfahren ein Teil der Variationssimulation manuell angepasst wird. Dies erlaubt ein manuelles Nachjustieren oder Anpassen der Variation, sodass beispielsweise in schwachen Bereichen der Variation und der Vielzahl der Variations-Impulsübertragungsfunktionen manuell eine Nachvariation zum Ergänzen und Auffüllen dieser Bereiche stattfinden kann. Das manuelle Variieren kann dabei zum Beispiel durch ein entsprechendes manuelles Anpassen von Variationsparametern erfolgen.

Ein weiterer Gegenstand der vorliegenden Erfindung ist ein Lernverfahren für ein Trainieren einer künstlichen Intelligenz für den Einsatz in einem Klassifizierungsverfahren, für ein Klassifizieren von Objekten in Gepäckstücken auf Basis eines Scans mit einer Röntgendiffraktions-Vorrichtung, aufweisend den folgenden Schritt:

- Durchführen eines maschinellen Lernens für die künstliche Intelligenz unter Verwendung der durch ein Erzeugungsverfahren mit den Merkmalen der vorliegenden Erfindung erzeugten künstlichen Trainingsdaten.

Damit bringt ein erfindungsgemäßes Lernverfahren die gleichen Vorteile mit sich, wie sie ausführlich mit Bezug auf ein erfindungsgemäßes Erzeugungsverfahren erläutert worden sind. Vorteilhaft ist es, wenn hier als künstliche Intelligenz ein neuronales Netz eingesetzt wird, sodass ein maschinelles Lernverfahren für neurale Netze zum Einsatz kommen kann.

Ein erfindungsgemäßes Lernverfahren lässt sich dahingehend weiterbilden, dass als künstliche Trainingsdaten die Variations-Impulsübertragungsfunktionen für zumindest ein zu findendes Material verwendet werden. Diese künstlichen Trainingsdaten sind damit in der Lage ein Material zu erkennen und/oder ein solches Material auszuschließen. Es handelt sich also um ein matenalspezifisches neuronales Netz, mit einem matenalspezifischen Training.

Zusätzlich oder alternativ ist es bei einem vorliegenden Lernverfahren vorteilhaft, wenn als künstliche Trainingsdaten die Variations-Impulsübertragungsfunktionen verwendet werden, welche sich von einem zu findenden Material unterscheiden. Dies führt dazu, dass eine Negativauswahl stattfinden kann, also ein Ausschluss eines Materials, durch das Erkennen anderer Materialien möglich wird. Sobald also eine solche künstliche Intelligenz ein anderes Material erkannt hat, kann ein solches, insbesondere als „ungefährlich“ klassifiziertes Material, eine Alarmsituation ausschließen. Dies ist insbesondere dann sinnvoll, wenn diese zweite Stufe der Röntgendiffraktions-Vorrichtung zum weiteren Bewerten und Auflösen von Erstalarmierungen aus Transmissions-Vorrichtungen verwendet werden soll. Auch eine Kombination mit aktiven Trainingsverfahren gemäß dem voranstehenden Absatz ist selbstverständlich denkbar.

Vorteile bringt es mit sich, wenn bei einem erfindungsgemäßen Lernverfahren die künstlichen Trainingsdaten ohne die Referenzinformation verwendet werden. Dies kann als freies oder offenes Lernverfahren bezeichnet werden, sodass die Trainingsdaten ohne Referenzinformation verwendet werden, aber mit der jeweiligen Referenz als Eingabe und/oder als Testwert.

Darüber hinaus ist ein Gegenstand der vorliegenden Erfindung ein Computerprogrammprodukt, umfassend Befehle, welche bei der Ausführung des Programms durch einen Computer, diesen veranlassen, das Erzeugungsverfahren gemäß der vorliegenden Erfindung und/oder das Lernverfahren gemäß der vorliegenden Erfindung durchzuführen. Damit bringt ein erfindungsgemäßes Computerprogrammprodukt die gleichen Vorteile mit sich, wie sie ausführlich mit Bezug auf ein erfindungsgemäßes Lernverfahren sowie mit Bezug auf ein erfindungsgemäßes Erzeugungsverfahren erläutert worden sind.

Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung, in der unter Bezugnahme auf die Zeichnungen Ausführungsbeispiele der Erfindung im Einzelnen beschrieben sind. Dabei können die in den Ansprüchen und in der Beschreibung erwähnten Merkmale jeweils einzeln für sich oder in beliebiger Kombination erfindungswesentlich sein. Es zeigen schematisch:

Fig. 1 eine Ausführungsform einer Röntgendiffraktions-Vorrichtung,

Fig. 2 eine Ausführungsform eines erfindungsgemäßen Verfahrens,

Fig. 3 eine weitere Ausführungsform eines erfindungsmäßen Erzeugungsverfahrens,

Fig. 4 eine weitere Ausführungsform eines erfindungsmäßen Erzeugungsverfahrens,

Fig. 5 eine weitere Ausführungsform eines erfindungsmäßen Erzeugungsverfahrens,

Fig. 6 eine Ausführungsform eines erfindungsmäßen Lernverfahrens,

Fig. 7 eine Anwendungssituation bei der Klassifizierung von Objekten.

Die Figur 1 zeigt schematisch eine Röntgendiffraktions-Vorrichtung 100, bei welcher eine Detailanalyse eines Objektes 0 in einem Gepäckstück G vorgenommen werden soll. Diese Röntgendiffraktions-Vorrichtung 100 kann Teil eines Gepäckfördersystems zum Beispiel an einem Flughafen sein und ist insbesondere, wie dies die Figur 7 als Beispiel zeigt, einer Transmissions-Vorrichtung 200 nachgeordnet. Wird im laufenden Betrieb in einem Gepäckstück G, welches wie 100% aller anderen Gepäckstücke G eine Transmissions-Vorrichtung 200 durchläuft, ein Objekt O festgestellt, welches als Alarmobjekt definiert wird, da es gefährliches Material enthalten kann, so wird dieses Gepäckstück G einer weiteren Analyse zugeführt. Nur solche Gepäckstücke G, also Gepäckstücke G mit Objekten O, welche als Alarmobjekte vordefiniert worden sind, werden ausgewählt für die weiteren Prüfung, hier in einer Röntgendiffraktions-Vorrichtung 100. Diese weitergehende Analyse führt dazu, dass ein Scan mit der Röntgendiffraktions-Vorrichtung 100 durchgeführt wird, also die Röntgendiffraktions-Vorrichtung 100 in der Lage ist, insbesondere für jedes einzelne Volumenelement des Gepäckstücks G und/oder des Objektes O eine Impulsübertragungsfunktion zu ermitteln. Um nun auszuwerten, ob diese Impulsübertragungsfunktionen des Objekts O relevant sind, da sie mit einem gefährlichen Material übereinstimmen oder nicht, wird hier eine künstliche Intelligenz Kl eingesetzt, welche mit einem entsprechenden Lernverfahren solche spezifischen Materialien trainiert worden ist. Dieses Training und vor allem das Erzeugen der notwendigen Trainingsdaten TD wird nachfolgend näher erläutert.

Die Figur 2 zeigt, wie eine Referenz-Impulsübertragungsfunktion RI, beispielsweise spezifisch an einer Röntgendiffraktions-Vorrichtung 100 aufgenommen, als Ausgangswert für das Erzeugungsverfahren eingesetzt werden kann. Eine Variationssimulation VS verändert und variiert nun diese Referenz-Impulsübertragungsfunktion RI viele Male, sodass aus einer einzigen Referenz-Impulsübertragungsfunktion RI eine hier durch Punkte dargestellte Vielzahl von unterschiedlichen Variations-Impulsübertragungsfunktionen VI erzeugt wird. All diese Variations-Impulsübertragungsfunktionen VI unterscheiden sich zwar voneinander und auch von der Referenz-Impulsübertragungsfunktion RI, jedoch ist der Grad der Unterscheidung so gering, dass sie immer noch die gleiche Relevanz und Spezifität für das zugehörige Material, welche den materialspezifischen Ausgangswert für die Referenz-Impulsübertragungs- funkton RI darstellt, beibehalten. Mit anderen Worten sind alle erzeugten Variations- Impulsübertragungsfunktionen VI in gleicher Weise spezifisch für das gleiche Material, wie auch der Ausgangswert der Referenz-Impulsübertragungsfunktion RI. Daher können auch alle erzeugten Variations-Impulsübertragungsfunktionen VI mit der gleichen Referenzinformation REF, hier als Beispiel das Material M1 , als Trainingsdaten TD abgespeichert werden. Die Figur 2 zeigt, wie aus einem einzigen Eingangsparameter in Form einer einzigen Referenz-Impulsübertragungsfunktion RI eine sehr große Anzahl von zum Beispiel mehreren 100.000 unterschiedlichen Variations-Impulsübertragungsfunktionen VI erzeugt werden kann, die jedoch alle gleichbleibend spezifisch für das Ausgangsmaterial der Basis der Referenz-Impulsübertragungs- funktion RI sind. Die Figur 3 ist eine Weiterbildung der Ausführungsform der Figur 2. Hier ist die Variationssimulation VS mit einer statistischen Verteilungsfunktion STV, zum Beispiel in Form einer Gauß-Kurve kombiniert. Damit soll sichergestellt werden, dass der Grad der Redundanz der erzeugten Variations-Impulsübertragungsfunktion VI reduziert wird. Diese statistische Verteilungsfunktion STV kann in die Variationssimulation VS integriert sein, um nur nicht-redundante Variations-Impulsübertragungsfunktion VI zu erzeugen, auszugeben und/oder in den Trainingsdaten TD abzuspeichern.

Auch die Figur 4 zeigt eine Weiterbildung der Ausführungsformen der Figuren 2 und 3. Hier wird die Variation in der Variationssimulation VS durch ein Simulationsmodell SM zur Verfügung gestellt und/oder ergänzt, welches sich auf einer Simulation eines Scandurchgangs bei einer Röntgendiffraktions-Vorrichtung 100 beruht. Zusätzlich o- der alternativ können Variationsparameter VP entweder automatisch und/oder manuell angepasst werden, um einen noch größeren Variationsgrad bei gleichbleibender Spezifität für das Material der Referenz-Impulsübertragungsfunktion RI zu gewährleisten.

Die Ausführungsform der Figur 5 verwendet als Teil der Variationssimulation VS eine künstliche Variationsintelligenz VKI. Auch diese kann auf Trainingsdaten, welche von der Röntgendiffraktions-Vorrichtung 100 erhalten werden, basieren. Zusätzlich ist hier dargestellt, dass nun für ein anderes, zweites Material eine unterschiedliche Referenz-Impulsübertragungsfunktion RI vorgegeben wird, für die das gleiche Erzeugungsverfahren iterativ durchgeführt wird, sodass nun nicht nur Trainingsdaten mit Referenzinformationen REF für ein erstes Material, hier M1 , sondern auch für ein zweites Material, hier M2, erzeugt werden. Die Trainingsdaten TD korrelieren hier mit jeweils spezifischen Materialien, sodass alle Trainingsdaten TD zusammen eine Referenzdatenbank RD aufbauen.

In der Figur 6 ist noch schematisch dargestellt, wie nun mit den Trainingsdaten TD und insbesondere einer Referenzdatenbank RD das Training der künstlichen Intelligenz Kl durchgeführt werden kann. Dabei kann auf bestehende maschinelle Lernver- fahren, sogenannte Deep Learning Algorithmen oder Ähnliches, zurückgegriffen werden, wobei der entscheidende erfindungsgemäße Vorteil auf das Zurverfügungstellen der künstlich erzeugten und spezifischen Trainingsdaten TD gerichtet ist. In der Figur 7 ist nochmals der Einsatz der künstlichen Intelligenz Kl dargestellt, wie er bereits eingangs erläutert worden ist.

Die voranstehende Erläuterung der Ausführungsformen beschreibt die vorliegende Erfindung ausschließlich im Rahmen von Beispielen. Selbstverständlich können einzelne Merkmale der Ausführungsformen, sofern technisch sinnvoll, frei miteinander kombiniert werden, ohne den Rahmen der vorliegenden Erfindung zu verlassen.

Bezugszeichenliste

100 Röntgendiffraktions-Vorrichtung

200 Transmissions-Vorrichtung

0 Objekt

G Gepäckstück

RI Referenz-Impulsübertragungsfunktion

VI Variations-Impulsübertragungsfunktion

VS Variationssimulation

VP Variationsparameter

VKI künstliche Variationsintelligenz

STV statistische Verteilungsfunktion

SM Simulationsmodell

TD Trainingsdaten

RD Referenzdatenbank

REF Referenzinformation

Kl künstliche Intelligenz