用于机器学习的增强超声数据
信号处理
2019-03-28 v1 机器学习
声音
音频与语音处理
摘要
无损检测中的缺陷检测，尤其是像超声数据这样的复杂信号，迄今严重依赖受过训练的人类检测员的专长与判断。虽然自动化系统已使用很长时间，但这些大多局限于简单的决策自动化，例如信号幅度阈值。各种机器学习算法的最新进展已解决许多此前被认为棘手的类似困难分类问题。对于无损检测，公开文献中已有令人鼓舞的结果报道，但机器学习在现场无损检测应用中的使用仍非常有限。阻碍其使用的关键问题是可用于训练的具代表性缺陷数据集的有限可用性。在本文中，我们开发了现代的极深卷积网络，从相控阵超声数据中检测缺陷。我们广泛使用数据增强来扩充初始有限的原始数据并辅助学习。该数据增强利用虚拟缺陷——一种已成功用于训练人类检测员且即将用于核检测资格认证的技术。机器学习分类器的结果与人类表现进行了比较。我们表明，使用复杂的数据增强，现代深度学习网络可被训练以显著优势实现超越人类的表现。
引用
@article{arxiv.1903.11399,
title = {Augmented Ultrasonic Data for Machine Learning},
author = {Iikka Virkkunen and Tuomas Koskinen and Oskari Jessen-Juhler and Jari Rinta-Aho},
journal= {arXiv preprint arXiv:1903.11399},
year = {2019}
}