Discrete signal transforms as a tool for processing and analyzing pulsed thermographic data
Notice bibliographique
Résumé
In this paper, we review some of the discrete signal transforms that are in use in the field of thermography for defect detection and/or characterization. Signal transformation is used with the purpose of finding an alternative domain where data analysis is more straightforward. For instance, it is possible to pass from the time domain to the frequency spectra through the one-dimensional discrete Fourier transform (DFT). The DFT constitutes the basis of pulsed phase thermography (PPT), but other transformations are possible such as the discrete wavelet transform (DWT) with the advantage that, in this case, time information is preserved after the transformation. It is also possible to rearrange data into domains others than frequency. For instance, the Hough transform (HT) allows the detection of regular forms (e.g. lines, curves, etc.) in a parameter space. The HT has been used in two different ways in thermography: for the detection of lines in thermal profiles, with the goal of discriminating between defective and non-defective regions; or it can be used to locate the inflection points in phase profiles obtained by PPT to extract the blind frequencies. The Laplace transform can also be used in the time domain to improve flaws detection and their characterization in the transformed space. Eigenvector-based transforms, such as singular value decomposition (SVD), have also been implemented. Principal component thermography (PCT) uses SVD to decompose thermographic data into a set of orthogonal modes. We discuss all these transforms and provide some comparative results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».