A 2D Sinogram-Based Approach to Defect Localization in Computed Tomography

要約

ディープラーニングの台頭により、画像処理の分野、特にコンピューター断層撮影の分野に変革の時代が到来しました。
ディープラーニングは産業用コンピューター断層撮影の分野に大きく貢献しています。
ただし、多くの欠陥検出アルゴリズムは、生のセンサー データを無視して、再構築されたドメインに直接適用されます。
この文書では、サイノグラムの使用に焦点を移します。
このフレームワーク内で、画像再構成に頼らずにオブジェクト内の欠陥を特定して分析するように設計された、包括的な 3 ステップの深層学習アルゴリズムを紹介します。
これら 3 つのステップは、欠陥のセグメント化、マスクの分離、および欠陥の分析です。
欠陥のセグメント化には U-Net ベースのアーキテクチャを使用します。
私たちの方法は、シミュレートされたデータで 92.02% の交差と和集合を達成し、512 ピクセル幅の検出器での欠陥検出の平均位置誤差は 1.3 ピクセルです。

要約(オリジナル)

The rise of deep learning has introduced a transformative era in the field of image processing, particularly in the context of computed tomography. Deep learning has made a significant contribution to the field of industrial Computed Tomography. However, many defect detection algorithms are applied directly to the reconstructed domain, often disregarding the raw sensor data. This paper shifts the focus to the use of sinograms. Within this framework, we present a comprehensive three-step deep learning algorithm, designed to identify and analyze defects within objects without resorting to image reconstruction. These three steps are defect segmentation, mask isolation, and defect analysis. We use a U-Net-based architecture for defect segmentation. Our method achieves the Intersection over Union of 92.02% on our simulated data, with an average position error of 1.3 pixels for defect detection on a 512-pixel-wide detector.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google