CN110779477B - 一种用于实时识别物体形状的声学方法 - Google Patents

一种用于实时识别物体形状的声学方法 Download PDF

Info

Publication number
CN110779477B
CN110779477B CN201910868831.3A CN201910868831A CN110779477B CN 110779477 B CN110779477 B CN 110779477B CN 201910868831 A CN201910868831 A CN 201910868831A CN 110779477 B CN110779477 B CN 110779477B
Authority
CN
China
Prior art keywords
super
acoustic
phase
values
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910868831.3A
Other languages
English (en)
Other versions
CN110779477A (zh
Inventor
梁彬
翁经锴
丁玉江
胡成博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN201910868831.3A priority Critical patent/CN110779477B/zh
Publication of CN110779477A publication Critical patent/CN110779477A/zh
Application granted granted Critical
Publication of CN110779477B publication Critical patent/CN110779477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
    • G01B17/06—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring contours or curvatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于实时识别物体形状的声学方法，包括以下步骤：1得出神经网络的训练集和测试集；2将训练集输入声学超神经网络，经过多层声学超表面后，在探测面形成一定的声压分布；3探测面被划分为N个区域，取得这N个区域的总声能量值；4计算取得的N个值与物体的标签之间的误差，并运用误差来计算每一个超神经元所施加的相位调制的梯度，以此来更新梯度，从而更新相位，直到得到稳定的输出，并可以正确地识别目标对象；5通过更新后的相位值，确定超表面上每一个单元的相位偏移值，根据相位偏移值制作声学超表面；6将声学超表面放置合适的位置，声波经过声学超表面后，位于声学超表面后的探头即可识别出目标对象。

Description

一种用于实时识别物体形状的声学方法
技术领域
本发明涉及用于实时识别物体形状的声学方法，属于声学领域。
背景技术
识别物体形状是声学中常用的技术，比如超声无损检测和医学超声技术。传统的超声成像技术需要依赖由大量换能器组成的阵列，且单个换能器的尺寸往往大于波长，换能器工艺限制了成像分辨率的进一步提升，对于准确的诊断是不利的。此外，传统的方法往往需要对接收到的信号进行复杂的后处理，依赖于强大的处理器，能耗较高且无法自动识别物体。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种用于实时识别物体形状的声学方法，只需要数量很少的换能器，该神经网络可以利用散射声波能量实时分析，无需数据后处理器件，而且整体结构尺寸是波长量级，结构简单且易实现。
技术方案：为解决上述技术问题，本发明的一种用于实时识别物体形状的声学方法，包括以下步骤：
步骤1，声波经过N类目标对象后，形成的散射声场传播一段距离后与传播方向垂直的截面上的声压分布作为数据集，数据集的标签与目标对象一致，随机抽取数据集中的部分数据分别作为训练集和测试集；
步骤2，将训练集输入声学超神经网络，经过多层声学超表面后，在探测面形成一定的声压分布；
步骤3，探测面被划分为N个区域，N为所需区分的物体的个数，取得这N个区域的总声能量值；
步骤4，计算取得的N个值与物体的标签之间的误差，并运用误差来计算每一个超神经元所施加的相位调制的梯度，以此来更新梯度；
步骤5，将测试集中的物体输入训练好的声学超神经网络，预测物体形状。
作为优选，所述步骤1包含以下步骤：
步骤1.1，将平面波入射到物体上生成物体的散射场图记作
Figure RE-GDA0002343910110000011
步骤1.2，构造该物体相对应的标签，标签由N-1个0和1个1组成，数字1在标签中的位置代表物体形状，比如，识别球、正方体和正四面体，第一个位置代表球，第二个位置代表正方体，第三个位置代表正四面体，若物体是正方体，则标签为(0,1,0)。将标签记作
Figure RE-GDA0002343910110000021
步骤1.3，按照步骤1.1和1.2构造测试集
Figure RE-GDA0002343910110000022
作为优选，所述步骤2中，声学超神经网络中的声学装置由M层声学超表面构成，每层超表面由n×m个超神经元构成，将训练集作为输入，散射场入射到声学超表面上，每层上的每一个超神经元都会给输入的声压附加一个相位调制，输出的声波又传播一段距离，到了第二层声学超表面上，该层的超神经元也会附加一个相位调制，之后的传递过程类似，最后在探测面上形成一定的声场分布；该声学超神经网络的前向传播函数模型为
Figure DEST_PATH_FDA0002228905650000014
Pl是第l层的超神经单元上的输入波，Gl是波传播方程矩阵，
Figure RE-GDA0002343910110000023
是由第l层的超神经元所施加的相位调制，
Figure RE-GDA0002343910110000026
代表点乘。
作为优选，所述步骤3中，探测面被分为了N个区域，每个区域对应一个物体的形状，通过比较N个区域的大小，声能量值最大的区域所对应的物体形状即为该声学超神经网络所预测的物体形状。
作为优选，所述步骤4中，用随机函数生成M*n*m个相位初始值，将训练集中目标对象的散射场输入到超表面上，利用层与层之间的关系来计算散射场的声压在超表面上的分布，通过计算探测平面上的N个预先划分好的区域声能量总和值，将得到N个值，计算这N个值和该对象本身的标签之间的误差函数，通过这个误差函数，并运用梯度下降法，计算出M层超表面上相位值的变化梯度，进而更新整个超表面相位，通过不断地输入训练集，超表面上的相位值不断更新，直到得到稳定的输出，并可以正确地识别目标对象。
作为优选，所述步骤4中，将这N个值用softmax函数进行处理，计算出神经网络预测它所对应不同形状的概率，计算这一概率与标签之间的误差，通过交叉熵误差函数来计算出这一误差，之后用梯度下降法来求得每个超神经元所施加的相位调制的梯度，将相位值减去相位梯度即可更新相位值，Softmax函数为：
Figure RE-GDA0002343910110000024
probq输入的散射场第q种形状所产生的散射场的概率，Iq是第q个区域的声能量总值；交叉熵误差函数为：
Figure RE-GDA0002343910110000025
gq是第q个标签。
作为优选，相邻声学超表面的间距为0.5～5个入射声波波长。
为了让传统声超表面具有识别物体形状的能力，我们将传统声学超表面和深度学习结合到一起，我们称之为声学超神经网络。下面说明如何赋予超表面识别物体的能力。
第一、声波经过数字之后的散射声场作为训练集，也就是输入层；
第二、超表面相位调节因子是可变的，类比于神经元的连接权重，所以超表面相位单元可以类比神经元；
第三、多层的声学超表面对于声波的作用，类比于多层的隐藏层；
第四、声波经过多层隐藏层后汇聚在平面内的不同区域，探头检测到的不同区域的值就是输出层。
识别0-9这十个数字的具体训练过程是这样的。首先是生成声学超神经网络的训练集和测试集，因为声波一般是探测物体的散射场，所以我们是利用平面波照射到物体上所形成的的散射场，而不是传统神经网络使用的MNIST训练集本身。
初始化相位面，用随机函数生成M*784个相位初始值，M是声学超神经网络的层数。将训练集中的一部分数字的散射场输入到相位面中，散射场的声压在超表面上的分布可以通过波传播方程来计算出来。声波经过每一个超神经元后都增加了一个相位调制，这个相位调制就是我们要优化的参数。经过这一相位调制之后，超神经网络中相位面的背面声压相位分布和入射完全不一样了，再次传播到下一层超表面，再次获得相位调制，在经过多层超表面的调制之后，通过计算探测平面上的十个区域的声能量总和值，得到了10个值。计算这十个值和该数字本身的标签之间的误差函数，通过这个误差函数，并运用梯度下降法，就可以计算出超表面上相位值的梯度，进而更新整个超表面相位。通过不断地输入训练集，超表面上的相位值不断更新，最终达到稳定并可以识别数字。
通过训练可以得到超表面所需要的相位，实现这样的相位使用什么样的声学超表面单元是次要的，我们案例中用的是四个亥姆霍兹共振腔在声波导侧边放置的结构来实现的。具体来讲，先用仿真软件计算出这样的超表面单元对于入射和出射声波的相位随着结构几何参数的变化，随着声波导高度h的变化，从0变化到2pi。之后我们只需要在训练得到的所需相位用这样的超表面单元进行积木式的填充就可实现这样的声超神经网络。
在本发明中，确定需要识别的对象后，识别的对象作为目标对象，声波经过目标对象后，形成的声压分布作为训练集，利用现有的神经网络理论，仿真得到最终的相位面，在声学超表面中，当确定相位后，就可以设计出符合条件的声学超表面，将声学超表面按照设计要求放置好，当入射声波经过训练好的声学超表面后，通过声学超表面后的探头即可识别出目标对象，不需要经过处理器计算，仅仅通过训练好的声学超表面即可完成识别任务。
有益效果：本发明的用于实时识别物体形状的声学方法，只需要数量很少的换能器，该神经网络可以利用散射声波能量实时分析，无需数据后处理器件，而且整体结构尺寸是波长量级，结构简单且易实现。
附图说明
图1(a)声学超神经网络工作示意图，(b)和(c)为超神经网络和传统的神经网络图。
图2(a)展示了分类的准确率随着层数而增加的曲线图，(b)展示了两层的超神经网络的分类准确率随训练代数的增加而增加，而测试集的总误差随训练代数的增加而减小的曲线图。
图3(a)和(b)两层超神经网络的confusion matrix和energy distribution，(d)是数字0 及其在输出面的声能量分布，(c)和(e)实验的中所选的20个数字在仿真和实验中的能量分布。
具体实施方式
下面结合附图对本发明作更进一步的说明。
以数字‘8’举例，说明如何制作符合识别数字的声学超表面，该超表面为两层，每层超表面包含28*28个单元，包括以下步骤：
步骤1，声波经过数字‘8’后，形成的散射声场传播一段距离后与传播方向垂直的截面上的声压分布作为数据集，数据集的标签与目标对象一致，随机抽取数据集中的部分数据分别作为训练集和测试集；
步骤2，将训练集输入声学超神经网络，该声学超神经网络为软件模拟的，运用MATLAB进行现有公式计算得到的，经过两层声学超表面后，在探测面形成一定的声压分布；
步骤3，探测面被划分为10个区域，取得这10个区域的总声能量值；
步骤4，计算取得的10个值与物体的标签之间的误差，并运用误差来计算每一个超神经元所施加的相位调制的梯度，以此来更新梯度，从而更新相位，直到得到稳定的输出，并可以正确地识别目标对象；
步骤5，通过更新后的相位值，确定超表面上每一个单元的相位偏移值，根据相位偏移值制作声学超表面，进而积木式的填充相应的超表面单元。
如图1所示，将MNIST数据集中的手写体数字作为实物声散射体，我们构造了两层(M＝2)的超神经，每层有28*28个单元(n＝28，m＝28)。以数字‘8’举例，说明训练过程，当平面波入射到数字‘8’的物体上时，声波会被散射，在第一个超表面上形成一定的声压分布，每一个超神经元上的声波在经过超神经元后都将被附加一个相位调制。这将导致声场的重新分布，新的声场再辐射到第二个超表面上，而第二个超表面继续对声场产生相位调制作用，最终形成声场在探测面上的分布。探测面上又被划分为了10个(N＝10)区域，这10个区域对应着待分类的10个数字，探测面上声能量最大的区域就是该声超神经网络所预测的物体形状。比如如果在区域‘6’的声能量最大，那么该系统就预测平面波是照射到数字‘6’上，这就与实际情况(数字‘8’)不符，表示识别错误；相应的，如果探测面上区域‘8’的声能量最大，那么该系统就预测平面波是照射到数字‘8’上，这就与实际情况(数字‘8’)相符合，表示识别正确。在训练过程中，取出这10个值，和输入数字本身的标签运用交叉熵损失函数来评价它们之间误差的大小，并以此计算出超表面上每一个超神经元的相位调制所对应的相位变化梯度，即朝哪个方向改变超表面上的相位值能够使输出的标签和数字本身的标签之间的误差减小。通过不断地输入数字，测试集中的数字所对应的实际标签和神经网络预测的标签之间的误差不断减小，最终能够准确地识别出数字。
图1(a)声学超神经网络工作示意图，(b)和(c)为超神经网络和传统的神经网络图。
图2(a)展示了分类的准确率随着层数而增加，(b)展示了两层的超神经网络的分类准确率随训练代数的增加而增加，而测试集的总误差随训练代数的增加而减小。为了验证该声学装置的实用性，我们构造了一个两层的声学超神经网络来进行实验。我们随机选取了20个样本(每个数字两个样本)进行实验。图3中a是仿真中识别准确率的混淆矩阵，b是总能量分布图。c和e是做实验的20个数字在仿真和实验中的能量分布图，我们可以看到，能量被聚焦到了正确的区域。d是数字0的能量分布图。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种用于实时识别物体形状的声学方法，其特征在于，包括以下步骤：
步骤1，声波经过N类目标对象后，N为正整数，形成的散射声场传播一段距离后与传播方向垂直的截面上的声压分布作为数据集，数据集的标签与目标对象一致，随机抽取数据集中的部分数据分别作为训练集和测试集；
步骤2，将训练集输入声学超神经网络，经过多层声学超表面后，在探测面形成声压分布，声学超神经网络中的声学装置由M层声学超表面构成，每层超表面由n×m个超神经元构成，将训练集作为输入；该声学超神经网络的前向传播函数模型为
Figure DEST_PATH_IMAGE001
，
Figure 545951DEST_PATH_IMAGE002
是第l层的超神经单元上的输入波，
Figure DEST_PATH_IMAGE003
是波传播方程矩阵，
Figure 591268DEST_PATH_IMAGE004
是由第l层的超神经元所施加的相位调制，j为复数虚数单位，“
Figure DEST_PATH_IMAGE005
”代表点乘，
Figure 314373DEST_PATH_IMAGE006
为超表面对声波的相位调控值；
步骤3，探测面被划分为N个区域，N为所需区分的物体的个数，取得这N个区域的总声能量值；
步骤4，计算取得的N个值与物体的标签之间的误差，并运用误差来计算每一个超神经元所施加的相位调制的梯度，以此来更新梯度，从而更新相位，直到得到稳定的输出，并可以正确地识别目标对象，用随机函数生成M*n*m个相位初始值，M、n、m均为正整数，将训练集中目标对象的散射场输入到超表面上，利用层与层之间的关系来计算散射场的声压在超表面上的分布，通过计算探测平面上的N个预先划分好的区域声能量总和值，将得到N个值，计算这N个值和该对象本身的标签之间的误差函数，通过这个误差函数，并运用梯度下降法，计算出M层超表面上相位值的变化梯度，进而更新整个超表面相位，通过不断地输入训练集，超表面上的相位值不断更新，直到得到稳定的输出，并可以正确地识别目标对象；
步骤5，通过更新后的相位值，将测试集中的物体输入训练好的声学超神经网络，预测物体形状，测试集计算该超神经网络的针对目标对象识别准确率，训练完成的相位值作为超表面上每一个单元的相位偏移值，根据相位偏移值制作声学超表面；
步骤6、将声学超表面放置合适的位置，声波经过声学超表面后，位于声学超表面后的探头即可识别出目标对象。
2.根据权利要求1所述的用于实时识别物体形状的声学方法，其特征在于，所述步骤1包含以下步骤：
步骤1.1，将平面波入射到物体上生成物体的散射场图记作
Figure DEST_PATH_IMAGE007
；
步骤1.2，构造该物体相对应的标签，标签由N-1个0和1个1组成，数字1在标签中的位置代表物体形状，将标签记作
Figure 394325DEST_PATH_IMAGE008
；
步骤1.3，按照步骤1.1和1.2构造数据集{
Figure DEST_PATH_IMAGE009
}
步骤1.4，从数据集中{
Figure 547613DEST_PATH_IMAGE009
}，随机选择数据构造测试集{
Figure 345805DEST_PATH_IMAGE010
}和训练集{
Figure DEST_PATH_IMAGE011
}。
3.根据权利要求1所述的用于实时识别物体形状的声学方法，其特征在于，所述步骤3中，探测面被分为了N个区域，每个区域对应一个物体的形状，通过比较N个区域的声能量值大小，声能量值最大的区域所对应的物体形状即为该声学超神经网络所预测的物体形状。
4.根据权利要求1所述的用于实时识别物体形状的声学方法，其特征在于，所述步骤4中，将这N个值用softmax函数进行处理，计算出神经网络预测它所对应不同形状的概率，计算这一概率与标签之间的误差，通过交叉熵误差函数来计算出这一误差，之后用梯度下降法来求得每个超神经元所施加的相位调制的梯度，将相位值减去相位梯度即可更新相位值，Softmax函数为：
Figure 810284DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
输入的散射场第q种形状所产生的散射场的概率，
Figure 807059DEST_PATH_IMAGE014
是第q个区域的声能量总值；交叉熵误差函数为：
Figure DEST_PATH_IMAGE015
，
Figure 66002DEST_PATH_IMAGE016
是第q个标签。
5.根据权利要求1所述的用于实时识别物体形状的声学方法，其特征在于：相邻声学超表面的间距为0.5~5个入射声波波长。
CN201910868831.3A 2019-09-16 2019-09-16 一种用于实时识别物体形状的声学方法 Active CN110779477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910868831.3A CN110779477B (zh) 2019-09-16 2019-09-16 一种用于实时识别物体形状的声学方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910868831.3A CN110779477B (zh) 2019-09-16 2019-09-16 一种用于实时识别物体形状的声学方法

Publications (2)

Publication Number Publication Date
CN110779477A CN110779477A (zh) 2020-02-11
CN110779477B true CN110779477B (zh) 2020-10-27

Family

ID=69383485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910868831.3A Active CN110779477B (zh) 2019-09-16 2019-09-16 一种用于实时识别物体形状的声学方法

Country Status (1)

Country Link
CN (1) CN110779477B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926159B (zh) * 2021-03-16 2022-02-22 中国科学院声学研究所 一种基于深度学习的二阶亥姆霍兹共鸣器设计方法
CN113297789B (zh) * 2021-05-17 2024-03-19 南京大学 一种基于机器学习的声涡旋分束器设计方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02304493A (ja) * 1989-05-19 1990-12-18 Hitachi Ltd 音声合成システム
JPH04330578A (ja) * 1990-07-10 1992-11-18 Ricoh Co Ltd ３次元物体認識方式
CN105974766A (zh) * 2016-05-17 2016-09-28 南京大学 一种基于相位振幅调制的可实现声学全息的超材料
CN106847255A (zh) * 2017-03-10 2017-06-13 南京大学 一种三维宽带施罗德散射体
CN107293283A (zh) * 2017-06-15 2017-10-24 南开大学 一种声学超表面和声波聚焦装置
CN109597292A (zh) * 2018-12-10 2019-04-09 浙江大学 一种基于超表面的反射型声学全息成像方法及器件
CN110119805A (zh) * 2019-05-10 2019-08-13 东南大学 基于回声状态网络分类的卷积神经网络算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02304493A (ja) * 1989-05-19 1990-12-18 Hitachi Ltd 音声合成システム
JPH04330578A (ja) * 1990-07-10 1992-11-18 Ricoh Co Ltd ３次元物体認識方式
CN105974766A (zh) * 2016-05-17 2016-09-28 南京大学 一种基于相位振幅调制的可实现声学全息的超材料
CN106847255A (zh) * 2017-03-10 2017-06-13 南京大学 一种三维宽带施罗德散射体
CN107293283A (zh) * 2017-06-15 2017-10-24 南开大学 一种声学超表面和声波聚焦装置
CN109597292A (zh) * 2018-12-10 2019-04-09 浙江大学 一种基于超表面的反射型声学全息成像方法及器件
CN110119805A (zh) * 2019-05-10 2019-08-13 东南大学 基于回声状态网络分类的卷积神经网络算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"All-optical machine learning using";Xing Lin et.al;《Science》;20181230;第361卷(第6406期);第1004-1008页 *

Also Published As

Publication number Publication date
CN110779477A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
Misra et al. Noninvasive fracture characterization based on the classification of sonic wave travel times
Dorafshan et al. Deep learning models for bridge deck evaluation using impact echo
Rautela et al. Ultrasonic guided wave based structural damage detection and localization using model assisted convolutional and recurrent neural networks
Melville et al. Structural damage detection using deep learning of ultrasonic guided waves
Sony et al. Vibration-based multiclass damage detection and localization using long short-term memory networks
Sbarufatti et al. A numerically-enhanced machine learning approach to damage diagnosis using a Lamb wave sensing network
Wang et al. Densely connected convolutional networks for vibration based structural damage identification
Virupakshappa et al. A multi-resolution convolutional neural network architecture for ultrasonic flaw detection
CN110779477B (zh) 一种用于实时识别物体形状的声学方法
Pyle et al. Uncertainty quantification for deep learning in ultrasonic crack characterization
Sattarifar et al. Damage localization and characterization using one-dimensional convolutional neural network and a sparse network of transducers
CN115185937A (zh) 一种基于sa-gan架构的时间序列异常检测方法
Rautela et al. Deep learning frameworks for wave propagation-based damage detection in 1d-waveguides
Yuan et al. Quantitative damage evaluation of curved plates based on phased array guided wave and deep learning algorithm
Farias et al. A damage detection method using neural network optimized by multiple particle collision algorithm
Li et al. 3D ground penetrating radar road underground target identification algorithm using time-frequency statistical features of data
CN115308705A (zh) 一种基于生成对抗网络的多姿态极窄脉冲回波生成方法
Gantala et al. Optimizing hyperparameters of Data-driven simulation-assisted-Physics learned AI (DPAI) model to reduce compounding error
CN115359197A (zh) 一种基于空间自相关神经网络的地质曲面重构方法
CN110988872B (zh) 无人机载穿墙雷达探测墙体健康状态的快速识别方法
Kim et al. Automated debonding characterization in reinforced structures based on finite element analysis and convolutional neural networks
Gantala et al. DPAI: In-Situ Process Intelligence using Data-Driven Simulation-Assisted-Physics Aware AI (DPAI) for Simulating Wave Dynamics
Virupakshappa Automation of Ultrasonic Flaw Detection Applications Using Deep Learning Algorithms
Yu et al. A convolutional neural network method for damage location based on raw guided Lamb wave technique
Ramalho et al. Damage Classification Methodology Utilizing Lamb Waves and Artificial Neural Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant