一个多尺度的残余U-net架构用于超分辨率超声波相位阵列成像从完整的矩阵捕获数据的数据
Lishuai Liu1, Wen Liu1, Da Teng1
1Shanghai Key Laboratory of Intelligent Sensing and Detection Technology, School of Mechanical and Power Engineering, East China University of Science and Technology, Shanghai 200237, China.
The Journal of the Acoustical Society of America
|October 2, 2023
概括
一种新的深度学习 (DL) 方法,FMC-Net,可以从全矩阵捕获 (FMC) 数据中重建高质量的超声波图像. 这种方法超越了传统技术,为非破坏性测试应用提供了增强的分辨率和可视化.
科学领域:
- 超声波相位阵列成像超声波成像
- 在材料科学中的深度学习应用.
- 非破坏性测试 (NDT) 是指非破坏性测试.
背景情况:
- 超声波成像中的全矩阵捕获 (FMC) 使用广泛的回声数据来改善可视化.
- 像延迟和总和这样的传统光束成型方法在FMC数据的分辨率和对比度与噪声比率方面存在局限性.
- 解决这些局限性对于推进超声波成像能力至关重要.
研究的目的:
- 引入基于深度学习 (DL) 的图像形成方法,FMC-Net,用于从FMC数据直接重建高质量的超声波图像.
- 利用DL的非线性映射能力来建模复杂的波-物质相互作用.
- 为了提高超越传统超声波成像技术的分辨率和可视化性能.
主要方法:
- 开发了FMC-Net,一种使用多尺度残余模块的编码解码器DL架构.
- 训练了网络端到端,将FMC数据映射到声学散射系数分布.
- 使用数值模拟和实验验证进行性能评估.
主要成果:
- 与总聚焦方法和波数算法相比,FMC-Net表现出卓越的性能.
- DL方法实现了增强的分辨率,超过了传统的限制.
- 微波长缺陷得到了有效的可视化,展示了更好的成像保真度.
结论:
- 拟议的FMC-Net提供了一个基于DL的强大替代方案,用于从FMC数据中形成超声波图像.
- 这种方法在解决方案和缺陷可视化方面明显优于传统方法.
- FMC-Net对超声波阵列成像和NDT的各种应用具有前景.
