Innowacyjne podejście do redukcji zużycia energii w tomografii ultradźwiękowej dzięki uczeniu maszynowemu 

Zespół badawczy złożony z ekspertów Centrum Badawczo-Rozwojowego  Netrix S.A. oraz lubelskich uczelni wyższych opracował nowatorską metodę obrazowania ultradźwiękowego, której celem jest znacząca redukcja zużycia energii przy jednoczesnym zachowaniu wysokiej precyzji detekcji obiektów. Wykorzystując potencjał uczenia maszynowego, naukowcy udowodnili, że możliwe jest ograniczenie liczby czujników pomiarowych nawet kilkukrotnie – z typowych 8–16 do zaledwie 2–3 – bez istotnej utraty jakości pomiaru. 

Nowe podejście wychodzi naprzeciw rosnącemu zapotrzebowaniu na energooszczędne systemy diagnostyczne, szczególnie w zastosowaniach przemysłowych i medycznych, gdzie długotrwałe monitorowanie wymaga rozwiązań o niskim poborze mocy. Kluczowym elementem projektu było wykorzystanie algorytmów takich jak Extra Trees oraz k-NN, które umożliwiły wykrywanie i lokalizację obiektów z dokładnością przekraczającą 96%, nawet przy zastosowaniu minimalnej liczby kanałów pomiarowych. 

Zredukowanie liczby czujników z 16 do 3 pozwoliło na czterokrotne obniżenie zużycia energii, natomiast konfiguracja oparta na dwóch czujnikach skutkowała nawet siedmiokrotną oszczędnością. Pomimo tak znacznej redukcji infrastruktury pomiarowej, system wykazuje wysoką skuteczność w lokalizacji obiektów. Algorytmy klasyfikacyjne osiągają trafność predykcji liczby obiektów na poziomie 99% przy trzech czujnikach, natomiast modele regresyjne, takie jak Gaussian Process Regression, umożliwiają wyznaczenie współrzędnych z bardzo niskim błędem średniokwadratowym – na poziomie 0,68 dla minimalnej konfiguracji. 

Opracowana technologia znajduje potencjalne zastosowania w wielu obszarach. Może być wykorzystywana w przemyśle do inspekcji rurociągów i wykrywania nieciągłości w materiałach, w medycynie jako element wspomagający obrazowanie diagnostyczne przy minimalnym poborze mocy, a także w systemach zdalnego monitorowania, gdzie ograniczenia energetyczne stanowią istotne wyzwanie. 

Wyniki badań pokazują, że integracja tomografii ultradźwiękowej z algorytmami uczenia maszynowego nie tylko umożliwia miniaturyzację i optymalizację systemów obrazowania, lecz także otwiera drogę do ich szerszego zastosowania w środowiskach wymagających niskiego zużycia energii. Kolejne etapy rozwoju tej technologii mogą obejmować wykorzystanie głębokich sieci neuronowych oraz optymalizację pod kątem pracy w czasie rzeczywistym, co jeszcze bardziej zwiększy jej użyteczność w praktyce przemysłowej i klinicznej. 

Pełna publikacja opisująca wyniki badań dostępna jest pod adresem:  link do publikacji