Produktionsmonitering og -optimering i faste stoffer og materialer kan meget effektivt og hurtigt udføres med digitale, røntgenbaserede metoder, der er i stand til at detektere selv ’usynlige’ afvigelser med stor hastighed og konfidens. Indsatsen sigter mod udvikling af bedre højenergidetektorer samt udvikling af bedre målekoncepter til rør og kabler, herunder ’helical-CT’, hvor der skannes i en spiral, en metode, der er hurtigere end standard CT (Computer Tomografi). Disse koncepter forventes at generere forøgede datamængder, der med nuværende evalueringsværktøjer kun vanskeligt kan evalueres hurtigt nok. Derfor vil der i perioden blive udviklet tilhørende metoder til automatiseret evaluering af måledata ved øget brug af machine learning (ML) med henblik på smartere og hurtigere evaluering.