Background réaliste CsI(Tl) + hybridation mesuré/synthétique + dashboard continuum

- Remplace le continuum exponentiel par un modèle réaliste CsI(Tl) dans
  l'entraînement (bosse asymétrique ~110 keV + queue Compton)
- Ajoute l'injection de background mesuré (70% mesuré / 30% synthétique)
  via --measured_background et MEASURED_BACKGROUND_PATH
- Ajoute l'endpoint /api/background/continuum et le toggle "Continuum CsI"
  sur le dashboard background
- Exclut le canal 1023 (overflow bin) de l'affichage web (NUM_CHANNELS=1023)
- Corrige le lissage Gaussien du background (normalisation locale aux bords)
- Met à jour README.md, CLAUDE.md, TUTORIEL.md, TOTO.md, vega_ml/README.md

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

README.md

@@ -20,6 +20,14 @@ Radiacode 103 (USB)
 │         └── Rapport quotidien a 00h00                   │
 │                                                         │
 │  Modele: vega_best.pt (entraite sur RTX 5060 Ti)       │
+└─────────────────────────────────────────────────────────┘
+        │
+        ▼
+┌─────────────────────────────────────────────────────────┐
+│  Conteneur web (FastAPI + Chart.js)                     │
+│                                                         │
+│  Dashboard :8080 — Spectre en temps reel,               │
+│  background, CPS, historique, isotopes detectes          │
 └─────────────────────────────────────────────────────────┘
 ```
 
@@ -35,25 +43,48 @@ docker compose run --rm train
 # 3. Capturer le bruit de fond (24h, sans source radioactive)
 docker compose run --rm -d --name radiacode-bg detect python capture_background.py
 
-# 4. Lancer la detection continue
-docker compose up detect
+# 4. Lancer la detection continue + dashboard
+docker compose up detect web
 ```
 
 ## Configuration
 
 Variables d'environnement (dans `docker-compose.yml`) :
 
+### Entrainement (service `train`)
+
+| Variable | Defaut | Description |
+|----------|--------|-------------|
+| `NUM_SAMPLES` | `50000` | Nombre de spectres synthetiques |
+| `EPOCHS` | `100` | Epochs max d'entrainement |
+| `BATCH_SIZE` | `64` | Taille de batch |
+| `LEARNING_RATE` | `0.001` | Taux d'apprentissage initial |
+| `DETECTOR` | `radiacode_103` | Config du detecteur |
+| `MIN_DURATION` | `43200` | Duree min des spectres (12h en s) |
+| `MAX_DURATION` | `86400` | Duree max des spectres (24h en s) |
+| `SEED` | `42` | Graine aleatoire |
+| `MEASURED_BACKGROUND_PATH` | `/data/background_24h.npy` | Background mesure pour entrainement hybride |
+
+### Detection (service `detect`)
+
 | Variable | Defaut | Description |
 |----------|--------|-------------|
 | `MODEL_PATH` | `/models/vega_best.pt` | Chemin du modele PyTorch |
 | `ISOTOPE_INDEX_PATH` | `/models/vega_isotope_index.txt` | Index des 82 isotopes |
 | `BACKGROUND_PATH` | `/data/background_24h.npy` | Fichier background de reference |
 | `THRESHOLD` | `0.5` | Seuil de probabilite pour la detection |
-| `SAMPLE_INTERVAL` | `60` | Intervalle d'echantillonnage (secondes) |
+| `SAMPLE_INTERVAL` | `60` | Intervalle d'echantillonnage (s) |
 | `REPORT_HOUR` | `0` | Heure du rapport quotidien |
-| `MIN_LIVE_TIME` | `3600` | Live time minimum pour un rapport (secondes) |
+| `MIN_LIVE_TIME` | `3600` | Live time minimum pour un rapport (s) |
 | `VEGA_DEVICE` | `cpu` | Device PyTorch (`cpu` ou `cuda`) |
 
+### Dashboard (service `web`)
+
+| Variable | Defaut | Description |
+|----------|--------|-------------|
+| `ENERGY_CALIBRATION_OFFSET` | `0.33` | Calibration energetique (offset keV) |
+| `ENERGY_CALIBRATION_SLOPE` | `2.97` | Calibration energetique (pente keV/canal) |
+
 ## Bruit Poissonnien et modele
 
 ### Physique du bruit
@@ -76,12 +107,19 @@ Le VegaModel est un CNN-FCNN multi-tache inspire de l'architecture Vega d'Open-R
   - **Classification** : 82 neurones avec sigmoid (presence/absence de chaque isotope)
   - **Regression** : 82 neurones (activite estimee en Bq, normalisee a max_activity_bq=1000)
 - **Architecture** :
-  - 3 blocs CNN (64, 128, 256 canaux) avec BatchNorm + ReLU + MaxPool
+  - 3 blocs CNN (64, 128, 256 canaux) avec BatchNorm + LeakyReLU + MaxPool
   - 2 couches FC (512, 256) avec Dropout(0.3)
   - **34 493 156 parametres** au total
-- **Fonction de perte** : VegaLoss = classification_weight * BCE + regression_weight * MSE (ponderee pour ne penaliser l'activite que sur les isotopes presents)
+- **Fonction de perte** : VegaLoss = classification_weight * BCE + regression_weight * Huber (ponderee pour ne penaliser l'activite que sur les isotopes presents)
 - **Entrainement** : 50 000 spectres synthetiques, 100 epochs, AMP (mixed precision), early stopping (patience=10)
-- **Background dans les donnees synthetiques** : K-40, radon (Pb-214, Bi-214), thorium (Ac-228, Pb-212, Tl-208) simules avec des activites aleatoires realistes
+
+### Background d'entrainement
+
+Le background synthetique utilise un modele realiste calibre sur les mesures du Radiacode 103 :
+
+- **Continuum CsI(Tl)** : Bosse asymetrique a ~110 keV (sigma_gauche=55 keV, sigma_droite=50 keV) + queue Compton exponentielle (0.45*exp(-E/240) + 0.04*exp(-E/700)) + plancher de bruit. Ce modele remplace l'ancien continuum exponentiel qui ne reproduisait pas la forme reelle du spectre CsI(Tl).
+- **Pics environnementaux** : K-40 (1460 keV), Pb-214 (295, 352 keV), Bi-214 (609, 1120, 1764 keV), Ac-228 (911 keV), Pb-212 (239 keV), Tl-208 (583, 2614 keV), avec activites aleatoires realistes
+- **Entrainement hybride** : Si le fichier `background_24h.npy` est disponible, 70% du background est issu de la mesure reelle (mélange 70% mesuré / 30% synthétique) et 30% du modele synthetique, avec variation stochastique des pics par-dessus. Ceci ameliore la robustesse du modele face aux variations locales du background.
 
 ### Spectres synthetiques
 
@@ -89,8 +127,8 @@ Les donnees d'entrainement simulent la physique complete :
 1. **Pics photoelectriques** : Gaussiennes avec FWHM dependant de l'energie (8.4% a 662 keV pour le CsI(Tl))
 2. **Continuum Compton** : distribution de Klein-Nishina simplifiee sous chaque pic
 3. **Bruit Poissonnien** : echantillonnage Poisson(N) pour chaque canal, simulant les fluctuations de comptage reelles
-4. **Background environnemental** : continuum exponentiel + pics de K-40, radon, thorium avec activites aleatoires
-5. **Efficacite du detecteur** : modele phenomenologique qui decroit avec l'energie (absorption basse energie + penetration haute energie)
+4. **Background environnemental** : Continuum CsI(Tl) realiste + pics de K-40, radon, thorium avec activites aleatoires
+5. **Efficacite du detecteur** : modele phenomenologique qui decroit avec l'energie
 6. **Durees de 12-24h** : suffisamment longues pour que le rapport signal/bruit soit comparable aux mesures reelles
 
 ### Soustraction du background a l'inference
@@ -105,8 +143,8 @@ normalized = net_rate / net_rate.max()               # normalisation pour le mod
 ```
 
 Cette approche hybride est optimale :
-- Le modele apprend a ignorer les pics du background (K-40, radon, thorium) pendant l'entrainement
-- La soustraction reelle elimine les variations locales du background (emplacement, altitude, materiaux)
+- Le modele apprend a ignorer les pics du background pendant l'entrainement
+- La soustraction reelle elimine les variations locales du background
 - Resultat : meilleure sensibilite et moins de faux positifs
 
 Le conteneur `train` execute deux phases :
@@ -134,6 +172,20 @@ Le rapport contient :
 - CPS moyen
 - Isotopes detectes avec probabilite et activite estimee (Bq)
 
+## Dashboard web
+
+Le conteneur `web` expose un dashboard sur le port 8080 avec :
+
+- **Onglet Spectre** : Spectre cumule en temps reel (lineaire ou log), soustraction du background, lignes d'energie des isotopes detectes, overlay du background de reference
+- **Onglet Background** : Spectre du bruit de fond (live et 24h), modele theorique CsI(Tl), pics detectes, statistiques (duree, CPS, comptages)
+- **Onglet CPS** : Evolution du comptage par seconde dans le temps, de 1h a 30 jours
+- **Onglet Historique** : Liste des rapports quotidiens avec isotopes detectes
+
+### Points techniques du dashboard
+
+- Le canal 1024 (bin de debordement) est exclu de l'affichage — seuls les 1023 premiers canaux sont utilises (20-3036 keV)
+- Le lissage du spectre (Gaussienne sigma=8 canaux) utilise une normalisation locale aux bords pour eviter les artefacts
+
 ## Capture du bruit de fond
 
 Avant la detection, capturer le background pendant 24h sans source radioactive a proximite :
@@ -155,30 +207,54 @@ cat data/background_snapshot.json
 ```
 radiacode_103/
 ├── docker-compose.yml          # Orchestration des conteneurs
+├── CLAUDE.md                   # Guide pour Claude Code
+├── TUTORIEL.md                 # Tutoriel detaille
 ├── TOTO.md                     # Suivi des taches
 ├── README.md
 ├── train/
 │   ├── Dockerfile              # PyTorch 2.7.0 + CUDA 12.8 (Blackwell)
-│   ├── requirements.txt
 │   ├── entrypoint.sh           # Generation + entrainement
-│   └── vega_ml/                # Code VegaModel (copie d'Open-RadiaCode-Android)
+│   ├── requirements.txt
+│   └── vega_ml/                # Code VegaModel
 │       ├── synthetic_spectra/  # Generateur de spectres synthetiques
+│       │   ├── config.py       # Configurations detecteur (Radiacode 101-110)
+│       │   ├── generator.py    # Generateur principal (SpectrumConfig)
+│       │   ├── physics/
+│       │   │   └── spectrum_physics.py  # Physique + background realiste CsI(Tl)
+│       │   └── ground_truth/   # Base de donnees 82 isotopes
 │       ├── training/vega/      # Modele, dataset, trainer
-│       └── inference/
+│       └── inference/         # Inference
 ├── detect/
 │   ├── Dockerfile              # Python 3.11-slim + radiacode + torch CPU
 │   ├── requirements.txt
-│   ├── radiacode_monitor.py   # Moniteur principal
-│   └── capture_background.py  # Capture du bruit de fond 24h
+│   ├── radiacode_monitor.py    # Moniteur principal
+│   └── capture_background.py   # Capture du bruit de fond 24h
+├── web/
+│   ├── Dockerfile              # Python 3.11-slim + FastAPI
+│   ├── requirements.txt
+│   ├── app/
+│   │   ├── main.py             # FastAPI app + routes
+│   │   ├── config.py           # Config (canaux, calibration energetique)
+│   │   ├── routers/
+│   │   │   ├── status.py       # /api/status
+│   │   │   ├── spectrum.py     # /api/spectrum/current, /api/spectrum/difference
+│   │   │   ├── background.py   # /api/background/*, background theorique
+│   │   │   ├── cps.py          # /api/cps/timeline
+│   │   │   └── history.py      # /api/history, /api/history/{date}
+│   │   └── theoretical_bg.py   # Modele theorique CsI(Tl) pour le dashboard
+│   └── static/
+│       ├── index.html          # Dashboard SPA
+│       ├── css/style.css
+│       └── js/                 # app.js, spectrum.js, background.js, cps.js, history.js
 ├── data/
-│   ├── synthetic/spectra/     # 50 000 spectres synthetiques (~4.2 Go)
+│   ├── synthetic/spectra/      # 50 000 spectres synthetiques (~4.2 Go)
 │   └── background_snapshot.json
 ├── models/
-│   ├── vega_best.pt           # Meilleur modele (395 Mo)
-│   ├── vega_final.pt          # Modele final
-│   ├── vega_history.json      # Metriques d'entrainement
-│   └── vega_isotope_index.txt # 82 isotopes
-└── logs/                       # Rapports quotidiens JSON
+│   ├── vega_best.pt            # Meilleur modele (395 Mo)
+│   ├── vega_final.pt           # Modele final
+│   ├── vega_history.json       # Metriques d'entrainement
+│   └── vega_isotope_index.txt  # 82 isotopes
+└── logs/                        # Rapports quotidiens JSON
 ```
 
 ## Materiel