面向超声缺陷检测的三维残差神经架构搜索
图像与视频处理
2024-11-13 v1
摘要
本研究提出一种利用三维（3D）卷积神经网络通过体超声检测数据检测碳纤维增强聚合物复合材料缺陷的深度学习方法。实验获取大量超声训练数据昂贵且耗时。为解决此问题，我们将一种合成数据生成方法扩展以纳入体数据。通过保留完整的体数据，简化了复杂预处理，且模型可利用成像过程中丢失的时空信息。这使模型能够利用原本可能被忽视的重要特征。我们比较了三种架构的性能。前两种架构为手工设计，以应对时空维度间的高纵横比。第一种架构在时间域降维并使用立方核进行特征提取。第二种架构使用长方体核以考虑大纵横比。评估包括比较使用最大池化和卷积层进行降维，全卷积层始终优于使用最大池化的模型。第三种架构通过神经架构搜索从改进的三维残差神经网络（ResNet）搜索空间中生成。此外，训练期间引入了领域特定的增强方法，使所有架构的模型性能显著提升。平均准确率提升范围为8.2%至22.4%。降维、常量和发现架构的最佳性能模型分别达到91.8%、92.2%和100%的平均准确率，且模型尺寸小于大多数二维（2D）ResNet。
引用
@article{arxiv.2311.01867,
title = {3-Dimensional residual neural architecture search for ultrasonic defect detection},
author = {Shaun McKnight and Christopher MacKinnon and S. Gareth Pierce and Ehsan Mohseni and Vedran Tunukovic and Charles N. MacLeod and Randika K. W. Vithanage and Tom OHare},
journal= {arXiv preprint arXiv:2311.01867},
year = {2024}
}