Machine Learning and Deterministic Approach to the Reflective Ultrasound Tomography
Artykuł w czasopiśmie
MNiSW
140
Lista 2021
| Status: | |
| Autorzy: | Majerek Dariusz, Rymarczyk Tomasz, Wójcik Dariusz, Kozłowski Edward, Rzemieniak Magdalena, Gudowski Janusz, Gauda Konrad |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2021 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 22 |
| Wolumen/Tom: | 14 |
| Strony: | 1 - 19 |
| Impact Factor: | 3,252 |
| Web of Science® Times Cited: | 12 |
| Scopus® Cytowania: | 14 |
| Bazy: | Web of Science | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 12 listopada 2021 |
| Abstrakty: | angielski |
| This paper describes the method developed using the Extreme Gradient Boosting (Xgboost) algorithm that allows high-resolution imaging using the ultrasound tomography (UST) signal. More precisely, we can locate, isolate, and use the reflective peaks from the UST signal to achieve high-resolution images with low noise, which are far more useful for the location of points where the reflection occurred inside the experimental tank. Each reconstruction is divided into two parts, estimation of starting points of wave packets of raw signal (SAT—starting arrival time) and image reconstruction via XGBoost algorithm based on SAT matrix. This technology is the basis of a project to design non-invasive monitoring and diagnostics of technological processes. In this paper, we present a method of the complete solution for monitoring industrial processes. The measurements used in the study were obtained with the author’s solution of ultrasound tomography. |
