Options
2019
Master Thesis
Titel
Parametric Reconstruction of Multi-Channel Data in Ultrasound NDT
Abstract
The field of Ultrasound Nondestructive Testing (UNDT) deals with the task of localizing flaws inside solid objects. For this task, high resolution imaging is of utmost importance. Research in UNDT addresses reconstruction techniques, models, and data acquisition modalities to improve image quality and flaw detection capabilities. This tends to come at the expense of complex, prolonged measurement procedures. Additionally, data volumes quickly become cumbersome and diffcult to process. In this thesis, a UNDT compressed sensing model for high quality reconstructions is presented, allowing the reduction of measurement time and storage costs of Full Matrix Capture (FMC) data. A parametric model for 2D FMC data is introduced first, highlighting the underlying tensor structure. The model is then augmented to include compressed sensing via Fourier and spatial sub-sampling. The problem of estimating the location of pointlike reflectors from complete and compressed FMC data is then studied by deriving Cramér-Rao bounds (CRB) for the location parameters and studying their behavior in limiting scenarios, showing that two channels suffce to achieve a finite variance for a single re ector's location and that spatial sub-sampling yields a far field gain. These results are applied to the development of a technique for designing channel selection matrices based on the worst-case CRB of a hypothetical reflector. Based on state-of-the-art approaches which consider the UNDT imaging procedure as a sparse signal recovery problem, the Fast Iterative Shrinkage/ Thresholding Algorithm (FISTA) is employed to estimate the spatial parameters of flaws. Details for a matrix-free implementation are addressed. The results of the proposed reconstruction technique are compared with the widely lauded Total Focusing Method (TFM). Synthetic and real measurement data reveal that the proposed approach results in higher resolution than TFM when the data is complete, and that it vastly outperforms TFM when applied to compressed measurements due to artifact mitigation. Finally, it is shown that TFM, in spite of yielding a lower resolution, can be adapted into a progressive algorithm. The proposed approach with FISTA is applicable to compressed data which can be collected in fewer measurement cycles, while TFM allows visualization during the measurement procedure.
;
Der Bereich der zerstörungsfreien Ultraschallprüfung (UNDT) beschäftigt sich mit der Aufgabe, Defekte in Festkörpern zu lokalisieren. Dafür ist eine hochauflösende Bildgebung von größter Bedeutung. Die Forschung zur UNDT befasst sich mit Rekonstruktionsverfahren, Modellen und Datenerfassungsmodalitäten zur Verbesserung der Bildqualität und der Fehlererkennung. Dafür werden größe Mengen an Messdaten benötigt. In dieser Arbeit wird ein Compressed-Sensing-Modell für hochwertige Rekonstruktionen vorgestellt, das die Reduzierung der Messzeit und der Speicherkosten von Full-Matrix-Capture-Daten (FMC) ermöglicht. Zunächst wird ein parametrisches Modell für 2D-FMC-Daten eingeführt, das die Tensorstruktur dieser Art von Messung hervorhebt. Dieses wird dann um eine komprimierte Abtastung über Fourier- und räumliches Sub-Sampling erweitert. Das Problem der Schätzung der Position von punktförmigen Reflektoren aus vollständigen und komprimierten FMC-Daten wird mittels Herleitung der Cramér-Rao-Schranke (CRB) für die Standortparameter untersucht und ihr Grenzwertverhalten betrachtet. Dabei wird gezeigt, dass zwei Kanäle ausreichen, um eine endliche Varianz für die Position eines einzelnen Reflektors zu erreichen, und, dass räumliches Sub-Sampling einen Fernfeldgewinn ergibt. Mittels dieser Analyse wird eine Methode für das Design des räumlichen Sub-Samplings, basierend auf der worst-case CRB eines hypothetischen Reflektors, formuliert. Die Rekonstruktion der Defektpositionen wird als ein "Sparse-Signal-Recovery"-Problem betrachtet und mit dem Fast-Iterative-Shrinkage/ Thresholding Algorithmus (FISTA) gelöst. Details für eine matrixfreie Implementierung werden angesprochen. Die Ergebnisse der vorgestellten Rekonstruktionsmethode werden mit der renommierten Total-Focusing-Method (TFM) verglichen. Synthetische und reale Messdaten zeigen, dass der vorgestellte Ansatz auf unkomprimierten Daten zu einer höheren Auflösung als TFM führt. Bei Anwendung auf komprimierte Messdaten übertrifft er TFM weit, da Sub-Sampling-Artefakte reduziert werden. Schließlich wird gezeigt, dass TFM, obwohl es eine niedrigere Auflösung liefert, in einen progressiven Algorithmus überführt werden kann, der die Visualisierung während des Messvorgangs ermöglicht. Der dargestellte Ansatz mit FISTA ist hingegen auf komprimierte Daten anwendbar, die in weniger Messzyklen gesammelt werden können.
ThesisNote
Ilmenau, TU, Master Thesis, 2019
Verlagsort
Ilmenau