基于深度学习的加速工业X射线计算机断层扫描工作流
图像与视频处理
2023-09-27 v1
摘要
X射线计算机断层扫描(XCT)是高分辨率无损表征增材制造金属构件的重要工具。金属构件的XCT重建可能存在束硬化伪影(如杯状与条状伪影),使得缺陷与瑕疵的可靠检测具有挑战性。此外,基于解析重建算法的传统工作流需要大量投影以实现准确表征,导致测量时间更长,并阻碍XCT用于在线检测。本文引入一种基于两个神经网络的新工作流,从单材料金属件的稀疏视角XCT扫描中获取高质量加速重建结果。第一个网络使用全连接层实现,可在无需任何校准或构件材料知识的情况下降低投影数据中束硬化(BH)的影响。第二个网络为卷积神经网络,将低质量解析3D重建映射为高质量重建。利用实验数据,我们证明了该方法在多种合金及一系列稀疏度水平上均能稳健泛化,且无需重新训练网络,从而实现准确快速的工业XCT检测。
引用
@article{arxiv.2309.14371,
title = {Deep learning based workflow for accelerated industrial X-ray Computed Tomography},
author = {Obaidullah Rahman and Singanallur V. Venkatakrishnan and Luke Scime and Paul Brackman and Curtis Frederick and Ryan Dehoff and Vincent Paquit and Amirkoushyar Ziabari},
journal= {arXiv preprint arXiv:2309.14371},
year = {2023}
}