Sparse Signal Recovery Based Imaging in the Presence of Mode Conversion With Application to Non-Destructive Testing
Notice bibliographique
Résumé
We propose a sparse signal representation based method for imaging solid materials in the presence of mode conversion phenomenon using an array of ultrasonic transducers. Traditional imaging techniques, such as MUSIC, Capon, and delay-and-sum (DAS) beamformer, do not take into account mode conversion. Recently, the well-known Capon and MUSIC techniques have been modified such that they can be used in multimodal propagation environments. Referred to as MC-Capon and MC-MUSIC techniques, these methods yield a higher resolution and lower sidelobe levels, as compared to the DAS beamformer. Moreover, unlike the DAS beamformer, they do not suffer from Rayleigh resolution limit, which is independent of the SNR. The MC-MUSIC and MC-Capon methods are capable of taking into account the effect of all different propagation modes, and therefore, find the locations of the reflectors with high precision. These two techniques, however, suffer from all the shortcomings that the MUSIC technique and the Capon method have. To overcome these issues, we propose a sparse signal representation based technique that not only is able to take into account the effect of all modes but also does not suffer from the aforementioned shortcomings. Our method can be implemented using only one snapshot from the array and does not require several snapshots. Its sensitivity to SNR is much less than that of the MC-MUSIC and MC-Capon approaches. Furthermore, unlike the MC-MUSIC method, there is no need to know the number of reflectors in advance. We show, through numerical and experimental examples, that compared to the aforementioned algorithms, our approach offers higher resolution and has lower sidelobe levels.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».