在单立体石皇冠中使用声波发射和深度学习技术进行自动裂纹检测
Kuson Tuntiwong1, Supan Tungjitkusolmun1, Pattarapong Phasukkit1,2
1Department of Biomedical Engineering, School of Engineering, King Mongkut's Institute of Technology Ladkrabang, Bangkok 10520, Thailand.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
这项研究引入了一种使用声辐射信号和深度学习的自动化方法,用于检测单体石牙冠中的裂. 先进的模型实现了超过99%的准确性,使得早期故障预防.
科学领域:
- 材料科学 材料科学 材料科学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 单立体合金 (MZ) 皇冠在牙科修复中很常见,特别是在有重大牙损失的情况下.
- 目前的缺陷检测方法 (视觉,触觉,放射) 是缓慢和不可靠的,延迟了诊断.
- 需要一个客观的,自动化的系统来准确识别牙冠缺陷.
研究的目的:
- 调查使用通过连续波波变换 (CWT) 转换的声辐射 (AE) 信号.
- 开发和评估一个深度学习模型,特别是一个卷积神经网络 (CNN),用于MZ冠中的自动裂检测.
- 增强早期检测和预防牙科修复中裂纹故障.
主要方法:
- 使用CWT分析AE信号,并由CNN处理.
- 开发了一个基于Inception-ResNet-v2架构的新型CNN图像细分模型.
- 笔破 (PLB) 模拟裂传播用于模型培训和验证.
主要成果:
- 使用转移学习的Inception-ResNet-v2模型准确地将裂分为五个位置 (唇部,部,切口,左侧,右侧).
- 深度学习模型在2000个时代后实现了99.4667%的高精度.
- 实时AE信号分析提供了关于负载下裂形成的见解.
结论:
- 深度学习显著改善了单体石冠上的裂的定位和检测.
- 这种自动化方法为牙医提供了可靠的工具,有助于临床决策.
- 可以促进早期检测和预防裂故障,改善恢复寿命.
