METHOD FOR AUTOMATED DEFECT CLASSIFICATION IN ACOUSTIC ULTRASOUND MICROSCOPY, SOFTWARE PROGRAM PRODUCT AND ULTRASOUND MICROSCOPE

Die Erfindung betrifft ein Verfahren zur automatisierten Defekt-Klassifikation bei akustischer Ultraschallmikroskopie, ein Softwareprogrammprodukt sowie ein Ultraschallmikroskop. Bei dem erfindungsgemäßen Verfahren wird mit einem Ultraschallmikroskop eine Probe abgetastet, wobei die zeitlichen Verläufe der aufgezeichneten reflektierten und/oder transmittierten Ultraschallsignale digitalisiert und mittels wenigstens eines neuronalen Netzes bezüglich Defekten analysiert, insbesondere klassifiziert, werden, welches zuvor in einem initialen Training mittels eines Deep Learning Algorithmus anhand von Ultraschallmikroskop-Scans eines oder mehrerer zur Probe typengleichen Kontrollproben unsupervised oder mit bekannten und gelabelten Defekten trainiert worden war. The invention relates to a method for automated defect classification in acoustic ultrasound microscopy, a software program product and an ultrasound microscope. According to the method of the invention, a sample is scanned using an ultrasound microscope, the time curves of the recorded reflected and/or transmitted ultrasound signals being digitized and analyzed, in particular classified, with respect to defects by means of at least one neural network, the neural network having been trained beforehand in an initial, unsupervised training by means of a deep learning algorithm using ultrasound microscope scans of one or more control samples of the same type as the sample or using known and labeled defects. L'invention concerne un procédé de classification automatisée de défauts dans une microscopie acoustique à ultrasons, un produit programme logiciel et un microscope à ultrasons. Selon le procédé de l'invention, un échantillon est balayé à l'aide d'un microscope à ultrasons, les courbes temporelles des signaux ultrasonores réfléchis et/ou transmis enregistrés étant numérisées et analysées, en particulier classées, par rapport à des défauts au moyen d'au moins un réseau neuronal, le réseau neuronal ayant été préalablement entraîné dans un apprentissage initial non supervisé au moyen d'un algorithme d'apprentissage profond à l'aide de balayages de microscope à ultrasons d'un ou de plusieurs échantillons témoins du même type que l'échantillon ou à l'aide de défauts connus et marqués.