論文の概要: A Study on Deep CNN Structures for Defect Detection From Laser
Ultrasonic Visualization Testing Images
- arxiv url: http://arxiv.org/abs/2305.18327v1
- Date: Tue, 23 May 2023 11:16:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-04 11:19:53.728064
- Title: A Study on Deep CNN Structures for Defect Detection From Laser
Ultrasonic Visualization Testing Images
- Title(参考訳): レーザー超音波可視化画像からの欠陥検出のための深部cnn構造の検討
- Authors: Miya Nakajima, Takahiro Saitoh, Tsuyoshi Kato
- Abstract要約: 本稿では,LUVT画像における欠陥の自動検出と局所化のためのディープニューラルネットワークを提案する。
SUS304平板の実世界データを用いた数値実験により,提案手法は汎用物体検出モデルよりも有効であることが示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The importance of ultrasonic nondestructive testing has been increasing in
recent years, and there are high expectations for the potential of laser
ultrasonic visualization testing, which combines laser ultrasonic testing with
scattered wave visualization technology. Even if scattered waves are
visualized, inspectors still need to carefully inspect the images. To automate
this, this paper proposes a deep neural network for automatic defect detection
and localization in LUVT images. To explore the structure of a neural network
suitable to this task, we compared the LUVT image analysis problem with the
generic object detection problem. Numerical experiments using real-world data
from a SUS304 flat plate showed that the proposed method is more effective than
the general object detection model in terms of prediction performance. We also
show that the computational time required for prediction is faster than that of
the general object detection model.
- Abstract(参考訳): 近年, 超音波非破壊検査の重要性が高まっており, レーザー超音波検査と散乱波可視化技術を組み合わせたレーザー超音波可視化試験の可能性が高まっている。
散乱波が可視化されたとしても、検査官は慎重に画像を調べる必要がある。
そこで本稿では,luvt画像の自動欠陥検出と位置推定のためのディープニューラルネットワークを提案する。
この課題に適したニューラルネットワークの構造を検討するために,luvt画像解析問題と汎用オブジェクト検出問題を比較した。
SUS304平板の実世界データを用いた数値実験により,提案手法は予測性能において汎用物体検出モデルよりも有効であることが示された。
また,予測に要する計算時間は一般物体検出モデルよりも高速であることを示す。
関連論文リスト
- Cardiac ultrasound simulation for autonomous ultrasound navigation [4.036497185262817]
本稿では,他のモーダルや任意の位置から大量の超音波画像を生成する手法を提案する。
本稿では,他のモダリティからのセグメンテーション,最適化されたデータ表現,GPUによるモンテカルロ経路のトレースを用いた新しいシミュレーションパイプラインを提案する。
提案手法により,患者固有の超音波画像の高速かつ正確な生成が可能となり,ナビゲーション関連タスクのためのトレーニングネットワークのユーザビリティが実証された。
論文 参考訳(メタデータ) (2024-02-09T15:14:48Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳(メタデータ) (2023-09-25T19:34:12Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳(メタデータ) (2023-08-24T12:32:46Z) - Simulation-Aided Deep Learning for Laser Ultrasonic Visualization
Testing [0.0]
シミュレーションにより人工LUVT画像を生成し,シミュレーションしたLUVT画像にスタイル転送を適用するデータ拡張手法を提案する。
実験の結果, 形状変換によるシミュレーション画像に基づくデータ拡張の有効性は, 欠陥の予測性能を向上することがわかった。
論文 参考訳(メタデータ) (2023-05-30T00:19:12Z) - Spatial gradient consistency for unsupervised learning of hyperspectral
demosaicking: Application to surgical imaging [4.795951381086172]
ハイパースペクトルイメージングは、組織の特徴化をリアルタイムで、高解像度で改善する可能性がある。
スナップショット画像の空間的・スペクトル的情報を完全に復元するには,復号化アルゴリズムが必要である。
トレーニング目的のスナップショット画像のみを必要とする、完全に教師なしのハイパースペクトル画像復号アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-21T18:07:14Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳(メタデータ) (2022-04-09T13:04:36Z) - Deep Learning for Ultrasound Beamforming [120.12255978513912]
受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。
現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。
ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
論文 参考訳(メタデータ) (2021-09-23T15:15:21Z) - Generative adversarial network with object detector discriminator for
enhanced defect detection on ultrasonic B-scans [0.0]
本稿では,異なる場所に欠陥のある超音波Bスキャンを生成するための新しいディープラーニング生成適応ネットワークモデルを提案する。
生成したBスキャンを合成データ拡張に利用でき、深部畳み込みニューラルネットワークの性能を向上させることができることを示す。
論文 参考訳(メタデータ) (2021-06-08T12:21:21Z) - Detecting optical transients using artificial neural networks and
reference images from different surveys [0.0]
人工ニューラルネットワークを用いてこれらのトランジェントを検出する手法を提案する。
1つの画像は、潜在的な過渡期が存在する可能性があるエポックに対応しており、もう1つは初期のエポックの参照画像である。
実画像データから生成されたサンプルを用いて、シミュレーションされたサンプルに基づいて畳み込みニューラルネットワークと高密度層ネットワークを訓練し、トレーニングされたネットワークを試験した。
論文 参考訳(メタデータ) (2020-09-28T22:16:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。