Acquisition and Imaging of Ultrasound Data for NDE: Subsampling Strategies, Freehand Measurements, and Reconstruction of Shadowed Defects

Digitization and increasing interconnection of processing steps are leading to a change in the manufacturing industry. Instead of treating each step in the production process separated, products and their manufacturing are to be treated holistically along their full lifetime. As part of this vision, termed Industry 4.0, Nondestructive Evaluation (NDE) methods are traversing a similar change. In NDE 4.0, testing is not utilized at isolated instances anymore, but in a continuous fashion to constantly monitor a part. More testing simply using classical NDE methods results in a massively increased amount of highly redundant measurement data that needs to be processed. Based on this observation, the question arises, if said redundancy can be reduced and data acquisition and processing can be tailored to that purpose without losing the necessary flexibility. This requires to jointly take into account the full measurement process, namely the data acquisition scheme, the forward modeling and the image reconstruction algorithm. In this thesis, we contribute to this vision for the application of ultrasound testing in the context of NDE 4.0. More specifically, we demonstrate that there is significant benefit to include knowledge about the forward model and the testing scenario into the design stage of the acquisition system as well as into the design of the reconstruction algorithm. To this end, we propose two novel acquisition approaches based on the theory of Compressed Sensing (CS), and a novel reconstruction algorithm that allows to include the effect of acoustic shadowing during reconstruction. For single-sensor data, we propose a Fourier subsampling scheme that takes into account prior knowledge about the ultrasound pulse shape of the sensor. We analyze the influence of this subsampling scheme on the ability to localize a defect inside
a specimen based on the Cramér-Rao-Bound (CRB). Furthermore, we illustrate how this method can be implemented using already existing hardware. For multichannel Full Matrix Capture (FMC) setups, we propose two algorithms to design channel subsampling patterns that reduce the number of active channels of a densely populated ultrasound array to sparse subsampled versions, where only a pre-defined number of transmit and receive channels can be active. We provide extensive results based on both simulated as well as measured data that show that these acquisition schemes allow to significantly reduce the amount of measurement data compared to current Nyquist-sampling based systems without deteriorating imaging quality. Additionally, we analyze the required processing chain in terms of hardware effort as well as computational complexity of the imaging step and compare it to alternative solutions. In terms of reconstruction, we extend Orthogonal Matching Pursuit with a novel iterative forward model update step to account for the effect of acoustic shadowing
during image reconstruction. It exploits that we can extract information from intermediate reconstruction results after each iteration to enable the inclusion of
non-linear effects such as acoustic shadowing. In simulations, we show that the reconstructed amplitude of a shadowed side-drilled hole increases when using the novel algorithm compared to a reconstruction that does not account for the acoustic shadowing and thereby increasing the probability of it being detected. Lastly, we investigate 3-D imaging based on freehand synthetic aperture measurement data using the progressive formulation of the Synthetic Aperture Focusing Technique (SAFT) and an assistance system that tracks the transducers positions during the measurement. Naturally, freehand measurements yield non-equidistant spatial sampling position which would lead to artifacts in the SAFT images. Thus, we propose an additional pre-processing step based on a Deep Neural Network (DNN) to account for that and illustrate the improvement obtained thereby.

Digitalisierung sowie die zunehmende Vernetzung von Fertigungsprozessen führt zu einer Veränderung im verarbeitenden Gewerbe. Anstatt jeden Schritt des Verarbeitungsprozesses isoliert zu betrachten, sollen Produkte und deren Herstellung als Ganzes über ihre vollständige Lebensdauer betrachtet werden. Als Teil dieser Vision, Industrie 4.0 genannt, durchlaufen Zerstörungsfreie Prüfverfahren (ZfP) einen ähnlichen Wandel. Mittels ZfP 4.0 wird nicht mehr nur punktuell geprüft, sondern kontinuierlich, um ein Bauteil dauerhaft zu überwachen. Mehr Prüfdurchgänge schlicht mittels klassischer zerstörungsfreier Prüfmethoden durchzuführen, führt zu einer sich stark vergrößernden Menge an hochredundanten Messdaten, die verarbeitet werden müssen. Basierend auf dieser Beobachtung stellt sich die Frage, ob besagte Redundanz verringert werden kann und ob man Datenerfassung und -verarbeitung auf diesen Zweck zuschneiden kann, ohne die notwendige Flexibilität zu verlieren. Dies erfordert den vollständigen Messprozess als Ganzes zu betrachten, und zwar das Datenaufnahmeverfahren, das Vorwärtsmodell sowie den Bildrekonstruktionsalgorithmus. Diese Arbeit leistet einen Beitrag zu dieser Vision für die Anwendung der Ultraschallprüfung im Kontext von ZfP 4.0. Genauer gesagt zeigen wir, dass das Einbeziehen von Wissen über das Vorwärtsmodell und das Testszenario in den Designprozess des Datenerfassungssystems sowie des Rekonstruktionsalgorithmus erheblichen Nutzen hat. Hierzu schlagen wir zwei neue Datenerfassungsansätze basierend auf der Theorie des Compressed Sensing (CS) sowie einen neuen Rekonstruktionsalgorithmus, der es erlaubt den Effekt des akustischen Schattens während der Bildrekonstruktion zu berücksichtigen, vor. Als erstes schlagen wir für Einkanaldaten ein Fourier Subsampling-System vor, das Vorwissen über die Ultraschallpulsform des Sensors einbezieht. Wir analysieren die Auswirkung dieser Subsampling-Methode mittels der Cramér-Rao-Bound (CRB) auf die Fähigkeit hin einen Fehler in einem Testkörper zu lokalisieren. Des Weiteren zeigen wir, wie diese Methode mit bereits existierender Hardware umgesetzt werden kann. Für mehrkanalige „Full Matrix Capture (FMC)“-Setups schlagen wir zwei Algorithmen vor, um Kanal-Subsampling-Patterns zu konstruieren. Diese reduzieren die Anzahl der aktiven Kanäle eines dicht besetzten Ultraschallarrays zu unterabgetasteten Varianten, bei denen nur eine vorgegebene Anzahl von Sende- und Empfangskanälen aktiv sind. Wir liefern umfangreiche Ergebnisse basierend auf sowohl simulierten als auch gemessenen Daten, die zeigen, dass diese Systeme es erlauben die Menge der Messdaten im Vergleich zu gegenwärtigen auf Nyquist-Sampling basierenden Systemen erheblich zu reduzieren, ohne dabei die Bildqualität zu verschlechtern. Zusätzlich analysieren wir die benötigte Prozesskette im Bezug auf den benötigten
Hardware-Effort sowie die Rechenkomplexität der Bildgebung und vergleichen sie mit alternativen Lösungen. Hinsichtlich der Rekonstruktion erweitern wir Orthogonal Matching Pursuit mit einem neuartigen iterativen Vorwärtsmodell-Update-Schritt, um den Effekt des akustischen Schattens während der Bildrekonstruktion zu berücksichtigen. Dieser Schritt nutzt aus, dass wir nach jeder Iteration Informationen aus Zwischenergebnissen extrahieren
können, die die Einbeziehung solch eines Effekts, wie z. B. den des akustische Schatten, ermöglichen. Wir zeigen mittels Simulationen, dass wenn man den neuen Algorithmus verwendet, die rekonstruierte Amplitude einer schattierten Querbohrung größer wird im Vergleich zu einer Rekonstruktion, die den akustischen Schatten nicht einbezieht. Damit erhöht sich die Wahrscheinlichkeit, ihn zu detektieren. Schließlich untersuchen wir 3-D Bildgebung aus freihändigen synthetischen Apertur-Messungen mittels der schrittweisen Formulierung von Synthetic Aperture Focusing Technique (SAFT) sowie eines Assistenzsystems, welches die Transducer- Positionen während der Messung verfolgt. Logischerweise ergeben sich aus solchen Freihandmessungen nicht-abstandsgleiche räumliche Samplingpositionen, was zu Artefakten in SAFT-Bildern führen würde. Wir schlagen deshalb einen zusätzlichen Vorverarbeitungsschritt mittels eines Deep Neural Network (DNN) vor, um dies zu berücksichtigen und zeigen die damit gewonnene Verbesserung.