U-NET autoencoder for amplitude recovery on binarized Full Matrix Captures
Notice bibliographique
Résumé
Full Matrix Capture (FMC) and the Total Focusing Method (TFM) are instrumental techniques in ultrasonic nondestructive testing (NDT) in industries such as aerospace, oil and gas, and manufacturing, and allow efficient defect detection by capturing all possible transmitter–receiver pairs and generating highly resolved images on a predefined pixel grid. The use of dense linear or matrix probes presents significant challenges in data storage and transfer but also in the complexity of the acquisition system’s electronics. In this context, binary acquisition steps in as an attractive alternative for simplifying acquisition equipment and reducing data size. However, binary formats carry the drawback of amplitude information loss. To address this, the present study explores the application of a U-NET autoencoder neural network to reconstruct amplitude data from binarized FMC signals. The autoencoder’s U-NET architecture is particularly suited for this task due to its effectiveness with limited datasets, a common issue in NDT. Finite element simulations were used to generate training and validation datasets. Experimental tests were then conducted on steel samples containing various defects, such as Electrical Discharge Machining (EDM) cracks, side-drilled holes (SDH), and a realistic fatigue crack in a steel bar. The reconstructed FMC data were evaluated using TFM images and Structural Similarity Index Measure (SSIM), showing that the neural network accurately reconstructed FMCs. Notwithstanding the presence of minor amplitude errors, the spatial positioning of defects remained precise, demonstrating the method’s viability for practical NDT applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».