基于半监督的CycleGANAN超声波图像超分辨率重建
1State Key Laboratory for Manufacturing Systems Engineering, Xi'an Jiaotong University, Xi'an, 710049, China; International Joint Laboratory for Micro/Nano Manufacturing and Measurement Technology, Xi'an Jiaotong University, Xi'an, 710049, China.
Ultrasonics
|October 13, 2023
概括
这项研究介绍了 LESS-CycleGAN,这是一种用于超声波测试的新型深度学习模型. 它通过消除衍射工件来准确地重建缺陷形态,从而使次波长尺度缺陷的特征化成为可能.
科学领域:
- 非破坏性测试是指非破坏性测试.
- 在工程领域的人工智能.
- 信号处理 信号处理
背景情况:
- 超声波测试中的衍射器件使准确的缺陷特征复杂化.
- 对缺陷的定量分析对于结构完整性的评估至关重要.
研究的目的:
- 开发一种深度学习模型,用于在超声波测试图像中准确地描述缺陷形态.
- 为了消除衍射工件并提高缺陷重建精度.
主要方法:
- 提出了一个标签增强的半监督CycleGAN网络 (LESS-CycleGAN),用于跨域图像转换.
- 引入了一种新的真实性损失功能,用于高精度的缺陷重建.
- 利用模拟和实际的超声波相位阵列图像进行验证.
主要成果:
- LESS-CycleGAN有效地消除了超声波测试图像中的衍射器件.
- 实现了高精度的亚波长尺度缺陷重建.
- 在实验验证中证明了方便性,有效性和稳定性.
结论:
- 在超声波测试中,LESS-CycleGAN模型提供了一种强大而有效的解决方案,用于人工物减少和缺陷表征.
- 该方法显示了在非破坏性评估中改进定量缺陷分析的巨大潜力.
