基于深度学习的超声波重建粗表面形态
Zhengjun Wang1, Fan Shi1, Fangxin Zou2
1Department of Mechanical and Aerospace Engineering, Hong Kong University of Science and Technology, Kowloon, Hong Kong Special Administrative Region of China.
Ultrasonics
|February 14, 2024
概括
本研究介绍了一种使用1DCNN的深度学习方法,从超声波脉冲回声数据中重建复杂的粗表面形态. 这种方法可以用比传统方法更少的传感器实现精确的表面造型.
科学领域:
- 材料科学 材料科学 材料科学
- 非破坏性测试是指非破坏性测试.
- 人工智能的人工智能
背景情况:
- 准确地描述表面形态对于材料性能和完整性至关重要.
- 传统的超声波阵列成像方法用于表面重建,通常需要高密度的传感器,增加成本和复杂性.
研究的目的:
- 开发和验证一种新的深度学习方法,用于重建复杂的粗表面形态.
- 为了证明一维卷积神经网络 (1DCNN) 对超声波表面造型的有效性.
主要方法:
- 利用高准确度的有限元模拟来生成1DCNN的训练数据集.
- 在模拟的超声波脉冲回声数据上训练了1DCNN,这些数据来自具有不同粗度参数的表面.
- 在模拟和实验超声波脉冲回声测量上测试训练网络.
主要成果:
- 基于1DCNN的方法准确地重建了粗的表面形态.
- 达到与传统超声波阵列成像方法相提并论或更高的精度.
- 与传统技术相比,使用显著更少的传感器证明了有效的性能.
结论:
- 拟议的深度学习方法为复杂的表面形状重建提供了低成本,准确和潜在的实时解决方案.
- 这种方法对推进非破坏性评估和材料表征有前途.
