Dr.-Ing. Römer, Florian

There is recently a notable rise in the exploration of pulse-echo ultrasound image reconstruction techniques that address the inverse problem employing sparse signal and rely on a single measurement cycle. Nevertheless, these techniques continue to pose significant challenges with regard to accuracy of estimations. Previous studies have endeavored to decrease the correlation between received samples in each transducer array in order to enhance accuracy of sparsely approximated solutions to inverse problems. In this paper, our objective is to learn the transmission parameters within a parametric measurement matrix by employing an autoencoder, which encodes sparse spatial data with a parametric measurement matrix and subsequently decodes it using Fast Iterative Shrinkage-Thresholding Algorithm (FISTA). Outcomes exhibit superior performance in comparison to both state-of-art random selection of the parameters and conventional plane wave imaging (PWI) scenarios in terms of reconstruction accuracy.

Traditional ultrasound synthetic aperture imaging relies on closely spaced measurement positions, where the pitch size is smaller than half the ultrasound wavelength. While this approach achieves high-quality images, it necessitates the storage of large data sets and an extended measurement time. To address these issues, there is a burgeoning interest in exploring effective subsampling techniques. Recently, Deep Probabilistic Subsampling (DPS) has emerged as a feasible approach for designing selection matrices for multi-channel systems. In this paper, we address spatial subsampling in single-channel ultrasound imaging for Nondestructive Testing (NDT) applications. To accomplish a model-based data-driven spatial subsampling approach within the DPS framework that allows for the optimal selection of sensing positions on a discretized grid, it is crucial to build an adequate signal model and design an adapted network architecture with a reasonable cost function. The reconstructed image quality is then evaluated through simulations, showing that the presented subsampling pattern approaches the performance of fully sampling and substantially outperforms uniformly spatial subsampling in terms of signal recovery quality.

This study aimed to explore the feasibility of using airborne acoustic emission in laser beam butt welding for the development of an automated classification system based on neural networks. The focus was on monitoring the formation of joint gaps during the welding process. To simulate various sizes of butt joint gaps, controlled welding experiments were conducted, and the emitted acoustic signals were captured using audible-to-ultrasonic microphones. To implement an automated monitoring system, a method based on short-time Fourier transformation was developed to extract audio features, and a convolutional neural network architecture with data augmentation was utilized. The results demonstrated that this non-destructive and non-invasive approach was highly effective in detecting joint gap formations, achieving an accuracy of 98%. Furthermore, the system exhibited promising potential for the low-latency monitoring of the welding process. The classification accuracy for various gap sizes reached up to 90%, providing valuable insights for characterizing and categorizing joint gaps accurately. Additionally, increasing the quantity of training data with quality annotations could potentially improve the classifier model’s performance further. This suggests that there is room for future enhancements in the study.

Despite the growing interest in many fields, spatio-temporal (ST) interpolation remains challenging. Given ST nonstationary data distributed sparsely and irregularly over space, our objective is to obtain an equidistant representation of the region of interest (ROI). For this reason, an equidistant grid is defined within the ROI, where the available time series data are arranged, and the time series of the unobserved points are interpolated. Aiming to maintain the interpretability of the whole process while offering flexibility and fast execution, this work presents a ST interpolation frame-work which combines a statistical technique with deep learning. Our framework is generic and not confined to a specific application, which also provides the prediction confidence. To evaluate its validity, this framework is applied to ultrasound nondestructive testing (UT) data as an example. After the training with synthetic UT data sets, our framework is shown to yield accurate predictions when applied to measured UT data.

Ultrasound Computed Tomography (UCT) is challenging due to phenomena such as strong refraction, multiple scattering, and mode conversion. In NDT, large speed of sound contrasts lead to strong artifacts if such phenomena are not modeled correctly; however, enhanced models are computationally expensive. In this work, a two-step framework for Compressed UCT based on the integral approach to the solution of the Helmholtz equation is presented. It comprises a physically motivated forward step and an imaging step that solves a suitable inverse problem. Multiple scattering is accounted for through the use of Neumann series. Convergence problems of Neumann series in high contrast settings are addressed via Padé approximants. Compressed sensing is employed to reduce the computational complexity of the reconstruction procedure by reducing data volumes directly at the measurement step, avoiding redundancy in the data and allowing the ability to steer the admissible computational effort at the expense of reconstruction quality. The proposed method is shown to yield high quality reconstructions under heavy subsampling in the frequency and spatial domains.

In ultrasonic non-destructive testing, array and matrix transducers are being employed for applications that require in-field steerability or which benefit from a higher number of insonification angles. Having many transmit channels, on the other hand, increases the measurement time and renders the use of array transducers unfeasible for many applications. In the literature, methods for reducing the number of required channels compared to the full matrix capture scheme have been proposed. Conventionally, these are based on choosing the aperture that is as wide as possible. In this publication, we investigate a scenario from the field of pipe inspection, where cracks have to be detected in specific areas near the weld. Consequently, the width of the aperture has to be chosen according to the region of interest at hand. On the basis of ray-tracing simulations which incorporate a model of the transducer directivity and beam spread at the interface, we derive application specific measures of the energy distribution over the array configuration for given regions of interest. These are used to determine feasible subsampling schemes. For the given scenario, the validity/quality of the derived subsampling schemes are compared on the basis of reconstructions using the conventional total focusing method as well as sparsity driven-reconstructions using the Fast Iterative Shrinkage-Thresholding Algorithm. The results can be used to effectively improve the measurement time for the given application without notable loss in defect detectability.

We propose a compact hardware architecture for measuring sparse channel impulse responses (IR) by extending the M-Sequence ultra-wideband (UWB) measurement principle with the concept of compressed sensing. A channel is excited with a periodic M-sequence and its response signal is observed using a Random Demodulator (RD), which observes pseudo-random linear combinations of the response signal at a rate significantly lower than the measurement bandwidth. The excitation signal and the RD mixing signal are generated from compactly implementable Linear Feedback Shift registers (LFSR) and operated from a common clock. A linear model is derived that allows retrieving an IR from a set of observations using Sparse-Signal-Recovery (SSR). A Matrix-free model implementation is possible due to the choice of synchronous LFSRs as signal generators, resulting in low computational complexity. For validation, real measurement data of a time-variant channel containing multipath components is processed by simulation models of our proposed architecture and the classic M-Sequence method. We show successful IR recovery using our architecture and SSR, outperforming the classic method significantly in terms of IR measurement rate. Compared to the classic method, the proposed architecture allows faster measurements of sparse time-varying channels, resulting in higher Doppler tolerance without increasing hardware or data stream complexity.

Unsere moderne Gesellschaft ist Zeuge eines fundamentalen Wandels in der Art und Weise wie wir mit Technologie interagieren. Geräte werden zunehmend intelligenter - sie verfügen über mehr und mehr Rechenleistung und häufiger über eigene Kommunikationsschnittstellen. Das beginnt bei einfachen Haushaltsgeräten und reicht über Transportmittel bis zu großen überregionalen Systemen wie etwa dem Stromnetz. Die Erfassung, die Verarbeitung und der Austausch digitaler Informationen gewinnt daher immer mehr an Bedeutung. Die Tatsache, dass ein wachsender Anteil der Geräte heutzutage mobil und deshalb batteriebetrieben ist, begründet den Anspruch, digitale Signalverarbeitungsalgorithmen besonders effizient zu gestalten. Dies kommt auch dem Wunsch nach einer Echtzeitverarbeitung der großen anfallenden Datenmengen zugute. Die vorliegende Arbeit demonstriert Methoden zum Finden effizienter algebraischer Lösungen für eine Vielzahl von Anwendungen mehrkanaliger digitaler Signalverarbeitung. Solche Ansätze liefern nicht immer unbedingt die bestmögliche Lösung, kommen dieser jedoch häufig recht nahe und sind gleichzeitig bedeutend einfacher zu beschreiben und umzusetzen. Die einfache Beschreibungsform ermöglicht eine tiefgehende Analyse ihrer Leistungsfähigkeit, was für den Entwurf eines robusten und zuverlässigen Systems unabdingbar ist. Die Tatsache, dass sie nur gebräuchliche algebraische Hilfsmittel benötigen, erlaubt ihre direkte und zügige Umsetzung und den Test unter realen Bedingungen. Diese Grundidee wird anhand von drei verschiedenen Anwendungsgebieten demonstriert. Zunächst wird ein semi-algebraisches Framework zur Berechnung der kanonisch polyadischen (CP) Zerlegung mehrdimensionaler Signale vorgestellt. Dabei handelt es sich um ein sehr grundlegendes Werkzeug der multilinearen Algebra mit einem breiten Anwendungsspektrum von Mobilkommunikation über Chemie bis zur Bildverarbeitung. Verglichen mit existierenden iterativen Lösungsverfahren bietet das neue Framework die Möglichkeit, den Rechenaufwand und damit die Güte der erzielten Lösung zu steuern. Es ist außerdem weniger anfällig gegen eine schlechte Konditionierung der Ausgangsdaten. Das zweite Gebiet, das in der Arbeit besprochen wird, ist die unterraumbasierte hochauflösende Parameterschätzung für mehrdimensionale Signale, mit Anwendungsgebieten im RADAR, der Modellierung von Wellenausbreitung, oder bildgebenden Verfahren in der Medizin. Es wird gezeigt, dass sich derartige mehrdimensionale Signale mit Tensoren darstellen lassen. Dies erlaubt eine natürlichere Beschreibung und eine bessere Ausnutzung ihrer Struktur als das mit Matrizen möglich ist. Basierend auf dieser Idee entwickeln wir eine tensor-basierte Schätzung des Signalraums, welche genutzt werden kann um beliebige existierende Matrix-basierte Verfahren zu verbessern. Dies wird im Anschluss exemplarisch am Beispiel der ESPRIT-artigen Verfahren gezeigt, für die verbesserte Versionen vorgeschlagen werden, die die mehrdimensionale Struktur der Daten (Tensor-ESPRIT), nichzirkuläre Quellsymbole (NC ESPRIT), sowie beides gleichzeitig (NC Tensor-ESPRIT) ausnutzen. Um die endgültige Schätzgenauigkeit objektiv einschätzen zu können wird dann ein Framework für die analytische Beschreibung der Leistungsfähigkeit beliebiger ESPRIT-artiger Algorithmen diskutiert. Verglichen mit existierenden analytischen Ausdrücken ist unser Ansatz allgemeiner, da keine Annahmen über die statistische Verteilung von Nutzsignal und Rauschen benötigt werden und die Anzahl der zur Verfügung stehenden Schnappschüsse beliebig klein sein kann. Dies führt auf vereinfachte Ausdrücke für den mittleren quadratischen Schätzfehler, die Schlussfolgerungen über die Effizienz der Verfahren unter verschiedenen Bedingungen zulassen. Das dritte Anwendungsgebiet ist der bidirektionale Datenaustausch mit Hilfe von Relay-Stationen. Insbesondere liegt hier der Fokus auf Zwei-Wege-Relaying mit Hilfe von Amplify-and-Forward-Relays mit mehreren Antennen, da dieser Ansatz ein besonders gutes Kosten-Nutzen-Verhältnis verspricht. Es wird gezeigt, dass sich die nötige Kanalkenntnis mit einem einfachen algebraischen Tensor-basierten Schätzverfahren gewinnen lässt. Außerdem werden Verfahren zum Finden einer günstigen Relay-Verstärkungs-Strategie diskutiert. Bestehende Ansätze basieren entweder auf komplexen numerischen Optimierungsverfahren oder auf Ad-Hoc-Ansätzen die keine zufriedenstellende Bitfehlerrate oder Summenrate liefern. Deshalb schlagen wir algebraische Ansätze zum Finden der Relayverstärkungsmatrix vor, die von relevanten Systemmetriken inspiriert sind und doch einfach zu berechnen sind. Wir zeigen das algebraische ANOMAX-Verfahren zum Erreichen einer niedrigen Bitfehlerrate und seine Modifikation RR-ANOMAX zum Erreichen einer hohen Summenrate. Für den Spezialfall, in dem die Endgeräte nur eine Antenne verwenden, leiten wir eine semi-algebraische Lösung zum Finden der Summenraten-optimalen Strategie (RAGES) her. Anhand von numerischen Simulationen wird die Leistungsfähigkeit dieser Verfahren bezüglich Bitfehlerrate und erreichbarer Datenrate bewertet und ihre Effektivität gezeigt.