Das Suchergebnis hat sich seit Ihrer Suchanfrage verändert. Eventuell werden Dokumente in anderer Reihenfolge angezeigt.
  • Treffer 519 von 531
Zurück zur Trefferliste

Denoising, Deblurring and Automatic Segmentation of XCT Data with Deep Learning and Synthetic XCT Training Data. A Case Study on Al-Si MMCs.

  • We employ in-house generated synthetic Al-Si matrix composite XCT data for training deep convolutional neural networks for XCT data conditioning and automatic segmentation. We propose an in-house multilevel deep conditioning framework capable of rectifying noise and blur in corrupted XCT data sequentially. Furthermore, for automatic segmentation, we utilize a special in-house network coupled with a novel iterative segmentation algorithm capable of generalized learning from synthetic data. We report a consistent SSIM efficiency of 92%, 99%, and 95% for the combined denoising/deblurring, standalone denoising, and standalone deblurring, respectively. The overall segmentation precision was over 85% according to the Dice coefficient. We used experimental XCT data from various scans of Al-Si matrix composites reinforced with ceramic particles and fibers.

Volltext Dateien herunterladen

  • iCT 2023 - Athanasios Tsamos.pdf
    eng

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Athanasios Tsamos
Dokumenttyp:Vortrag
Veröffentlichungsform:Präsentation
Sprache:Englisch
Jahr der Erstveröffentlichung:2023
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.5 Röntgenbildgebung
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Freie Schlagwörter:Artificial Intelligence; Automatic Segmentation; DCNNs; Denoising Deblurring Sharpening; Synthetic Training Data; XCT
Themenfelder/Aktivitätsfelder der BAM:Chemie und Prozesstechnik
Veranstaltung:12th International Conference on Industrial Computed Tomography (iCT2023)
Veranstaltungsort:Fürth, Germany
Beginndatum der Veranstaltung:27.02.2023
Enddatum der Veranstaltung:02.03.2023
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:12.12.2023
Referierte Publikation:Nein
Eingeladener Vortrag:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.