Pengembangan Metode Interpolasi Temporal Berbasis Deep Learning untuk Akuisisi Data Neutron Computed Tomography
Tahun 2026 · Penulis: Nur Bayyinah
Faculty of Mathematics and Natural Sciences, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Pengembangan Metode Interpolasi Temporal Berbasis Deep Learning untuk Akuisisi Data Neutron Computed Tomography
Neutron Computed Tomografi adalah teknik pencitraan non-destruktif dengan sensitivitas tinggi terhadap elemen cahaya tertanam dalam bahan padat. Namun, penerapannya dibatasi oleh waktu akuisisi yang lama disebabkan oleh fluks neutron rendah, yang memerlukan sejumlah besar sudut proyeksi untuk mencapai rekonstruksi tomografis yang akurat. Batas ini mengurangi efisiensi eksperimen dan meningkatkan konsumsi waktu sinar. Oleh karena itu, dibutuhkan pendekatan komputasi yang efisien untuk mengurangi jumlah proyeksi yang diperoleh sewaktu mempertahankan kualitas gambar. Penelitian ini mengusulkan metode interpolasi temporal dalam domain proyeksi neutron menggunakan sebuah model Generatif Generatif Adversaria Network-Long Short-Term Short-Term Memory (Gan-LSTM). Metode ini bertujuan untuk memprediksi gambar proyeksi menengah antara sudut yang diperoleh dengan mempelajari ketergantungan spasial dan temporal di antara urutan proyeksi. Dataset terdiri dari 361 proyeksi radiography neutron gambar dari 100 cc blok mesin motor, diperoleh di RSG-G Neutron Radiografi Fasilitas di atas kisaran 0°-360° ingular dengan 1° increments. Arsitektur yang diusulkan menggunakan generator Stunet-Time Condisi untuk mengekstrak fitur spasial, sementara LSTM dan mekanisme waktu-kondisi digunakan untuk menangkap hubungan temporal antara sudut proyeksi yang berdekatan. Selain itu, sebuah diskriminator PatchGAN digunakan untuk melestarikan konsistensi tekstur dan meningkatkan realisme gambar. Model dilatih menggunakan skema interpolasi target-masukan dengan interval sudut = 2°. Hasil percobaan menunjukkan bahwa model yang diusulkan berhasil menghasilkan proyeksi yang saling terkait dengan kesamaan yang tinggi dengan gambar kebenaran-tanah. Model performa terbaik mencapai Structural Likualitas Index Measure (SSIM) 0.9546 dan puncak dari Signal-to-Noise Racio (PSNR) dari 37.36 dB, yang menunjukkan kuat pelestarian struktur spasial dan rekonstruksi artefak minimal. Penemuan ini menunjukkan bahwa GAN-LSTM berbasis interpolasi temporal efektif untuk mengurangi jumlah sudut proyeksi yang diperlukan dalam percobaan pencitraan neutron, sehingga meningkatkan efisiensi proses akuisisi yang dihitung tomografi neutron.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,831
Tahun 2026 · Penulis: Izam Fahrurrozi
Analisis Local (a,d)-Edge Antimagic Coloring dan Skemanya dalam Forecasting NPK Tanah pada Pertanian Presisi Tumpang Sari dengan Model STGNN
Keterbatasan lahan pertanian di tengah meningkatnya kebutuhan pangan menuntut pengembangan pola budidaya yang lebih efisien dan berbasis teknologi. Sistem pertanian presisi tumpang sari (companion farming) hadir sebagai solusi untuk mengoptimalkan pemanfaatan
- Cosine 0,828
Tahun 2026 · Penulis: Martri Lina Anggraini
Peningkatan Deteksi Deepfake Menggunakan Arsitektur Hibrida Multiskala Vision Transformer dan Xceptionnet (M-Vixnet)
Kemajuan pesat kecerdasan buatan, khususnya Jaringan Adversarial Generatif (Gans), telah meningkatkan secara signifikan Realisme gambar-gambar palsu yang dalam, membuat identifikasi manual semakin sulit. Perkembangan ini merupakan ancaman serius bagi keamanan
- Cosine 0,810
Tahun 2025 · Penulis: Gustian Aryasatya
Analisis Performa Face Sketch To Photo Transformation Menggunakan Multi Scale Self Attention Generatif Adversal Network
Dalam penelitian ini, dijelaskan penerapan Generative Adversarial Network (GAN) yang ditingkatkan dengan multi scale self attention yang diaplikasikan pada arsitektur generator untuk menyelesaikan tugas face sketch to photo transformation. Masalah terpenting y