基于有限新息率理论的高分辨率工业超声成像重建方法研究

Ultrasonic imaging detecting technique occupies a very important position in nondestructive detection, However,due to limit to the imaging mechanism, existing equipment of ultrasound imaging generally larger size, power consumption is higher, it is difficult to deal with in the field, communication is not convenient or human inconvenient to reach the place,Which well needs portable ultrasonic flaw detection robot.In recent years, the emergence of new ultrasonic imaging technique based on FRI theory, Ultrasound data from the traditional way of data sampling can be converted into a sparse sampling way of frequency domain without being limited by the sampling theorem, Which makes low power, small size, ultrasonic imaging apparatus becomes possible.This project mainly carry out relevant research work on FRI sampling method and reconstruction method, mainly through the full use of the sparsity of ultrasound images in an adaptive dictionary, the structure of sparse representation coefficients and the demand of ultrasound images in different regions with different reconstruction accuracy,in order to realize the adaptive precision reconstruction.effectively improve the accuracy of ultrasound imaging reconstruction, ensure the low power, small size, and can obtain higher resolution reconstruction so that the ultrasound imaging device based on the FRI theory can be an ultrasonic imaging module of the portable robot,in order to response to the requirements for portable inspection robot in industrial applications.

超声成像检测技术在无损检测中占有十分重要的地位，然而受限于成像机理等限制，现有超声成像设备一般尺寸较大、功耗也较高，难以应对在野外、通信不够方便或人类不方便到达的地方对便携式超声探伤机器人的需求。近年来，新出现的基于FRI理论的超声成像技术，将超声从传统的数据采样方式转换为不受采样定理限制的频率域稀疏采样方式，从而使得低功耗、小尺寸的超声成像设备成为可能。本项目主要就FRI采样方法以及相关重建方法展开相关研究工作，主要通过充分利用超声图像在自适应字典下的稀疏性、稀疏表示系数的结构性以及考虑超声图像不同区域具有不一样的重建精度需求的自适应精度重建方法等措施，有效提高超声成像的重建精度，使得在保证低功耗、小尺寸的同时可以获得较高的重建分辨率，使得基于FRI理论的超声成像设备可以成为便携式机器人的一个超声成像模块，以应对业界对于便携式探伤机器人的应用需求。

超声成像检测技术在无损检测中占有十分重要的地位，然而受限于成像机理等限制，现有超声成像设备一般尺寸较大、功耗也较高，难以应对在野外、通信不够方便或人类不方便到达的地方对便携式超声探伤机器人的需求。而基于FRI理论的超声成像技术，将超声从传统的数据采样方式转换为不受采样定理限制的频率域稀疏采样方式，从而使得低功耗、小尺寸的超声成像设备成为可能。. 针对以上问题，课题组充分利用超声图像在自适应字典下的稀疏性、稀疏表示系数的结构性以及考虑超声图像不同区域具有不一样的重建精度需求等，提出了一种基于超声信号的的新型FRI采样模型，在此基础上，提出了基于分而治之的子空间分解策略，对不同频区的K空间数据分别重建再有效融合等算法，有效地提高了超声成像的重建精度和速度。此外，对于外部海量数据的利用不足，稀疏变换基底缺乏高层语义表示能力，迭代优化耗时过久均为制约超声成像方法性能进一步提升的关键瓶颈。近年来提出的深度学习方法可以有效解决这些问题，但其仍存在诸多局限，具体有高层语义信息抽取中的信息损失，参数量过大制约实际应用等情况。因此，课题组开展基于深度学习的快速、高质量超声重建方法研究并将其拓展至水下超声领域，提出了基于信息共享的深度卷积神经网络超声重建方法，基于分割感知的深度融合网络超声重建方法以及基于迁移学习的水下超声重建方法等。相关研究使得超声检测设备在保证低功耗、小尺寸的同时可以获得较高的重建分辨率，使得基于FRI理论的超声成像设备可以成为便携式机器人的一个超声成像模块，以应对业界对于便携式探伤机器人的应用需求，具有重要的实际应用价值，经济与社会意义显著。. 相关成果主要发表在CVPR、ICCV、ACM MM、ICASSP，IEEE TIP,IEEE TMI,IEEE TNNLS等国际人工智能、计算机视觉领域的顶级会议与期刊中。另外，课题组还获得吴文俊人工智能自然科学三等奖等。

内容获取失败，请点击重试