ISSN 1996-0948 · EISSN 2949-561X
Языки: ru · en

Статья: Обработка оптоакустического сигнала для восстановления изображения на основе нейронных сетей (2023)

Читать онлайн

Рассмотрены методы обработки акустического сигнала полученного при оптоакустическом эффекте в жидкости. Предложена 12-ти слойная сверточная нейронная сеть, обученная путем минимизации потерь среднего квадратного отклонения. Обработан экспериментально полученный акустический сигнал полученный при оптоакустическом эффекте. Рассмотрена схема решения обратной задачи оптоакустической реконструкцией изображений. Результаты исследования показывают, что нейронная сеть с глубоким обучением, с помощью обучения на основе самоконтроля, может достичь более высокой точности реконструкции с меньшими временными.

The paper considers methods for processing an acoustic signal obtained with an optoacoustic effect in a liquid. A 12-layer convolutional neural network is proposed, trained by minimizing the loss of the mean square deviation. The experimentally obtained acoustic signal obtained with the optoacoustic effect has been processed. A scheme for solving the inverse problem by optoacoustic image reconstruction is considered. The results of the study show that a deep learning neural network, with the help of self-supervision based learning, can achieve higher reconstruction accuracy with shorter time frames.

Ключевые фразы: оптоакустический эффект, обработка сигнала, акустический сигнал, лазер, optoacoustic effect, signal processing, acoustic signal, laser
Автор (ы): КРАВЧУК ДЕНИС АЛЕКСАНДРОВИЧ
Журнал: Прикладная физика

Идентификаторы и классификаторы

УДК
004.418. Внедрение программного обеспечения
535.015. Оптические явления, зависящие от свойств элементов оптической системы (кроме воздуха и других окружающих сред)
57.087.1. Биометрия. Статистическое изучение и обработка биологических данных
Префикс DOI
10.51368/1996-0948-2023-1-10-14
eLIBRARY ID
50335515
Для цитирования:
КРАВЧУК Д. А. ОБРАБОТКА ОПТОАКУСТИЧЕСКОГО СИГНАЛА ДЛЯ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЯ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ // ПРИКЛАДНАЯ ФИЗИКА. 2023. №1
Текстовый фрагмент статьи