模糊自适应算法的神经网络图像重建

在１２电极ＥＣＴ系统中，采用ＢＰ神经网络进行图像重建时以一定原则选取学习样本，并引入模糊自适应算法以加快训练的收敛速度，获得较满意的重建图像效果。     

电容层析成像

介绍了作在电容ＣＴ重建算法，测量装置方面所进行的工作，并较为详细地介绍一种基于网络理论的新算法，这种算法是将介质分布央射为一个电容网络，网络中的电容值直接与介质分布有关，为了解决从测量电极所测得的电容计算网络内容电容这一逆问题，分析和利用了附加的网络结构约束。将测量过程等效为相应的四端网络，利用迭代方法进行求解，得到了较好的实验结果。     

电容层析成像的BP网络重建

电容层析成像系统在工业上用于管道内流体的实时监测，本文提出用神经网络的方法来代替传统的反投影算法进行图像重建，以解决传统算法存在的扭曲形变和空间精度受限的问题。文中用改进的ＢＰ算法训练，采用一个两层感知机网络，网络的输入是预处理过的测量电磁量，输出直接对应到空间图像。     

基于BP网络的同面多电极技术图像重构算法

为实现同面多电极技术对飞机用复合材料损伤区域和大小的识别,采用BP神经网络算法建立采样电容值与检测区域介电常数分布的非线性映射,利用输出灰度值实现损伤区域的图像重构.利用主元分析法对输入电容值进行降维处理.采用自适应调整学习率与动量因子方法加快了BP网络训练的收敛速度.仿真结果表明,该算法重构的损伤区域图像成像速度较快,准确度满足实现同面多电极技术对复合材料损伤区域大小和位置识别的要求.     

PV—WAVE在电容层析仿真中的应用研究

介绍了一套基于１２电极电容器传感器进行图像重建的电容层析成像的仿真软件包，该软件包是利用可视化编程语言ＰＶ－ＷＡＶＥ在ＳＧＩ图形工作站上开发的，利用该软件包可以深入分析电容敏感场和流体模型数据的变化，从而为改进图像重建算法和设计最佳电容传感器几何参数提供了有力依据，最后利用仿真结果对电容层析成像的特性进行了研究。     

厚管壁电容层析成像图像重建算法

探讨了适合厚管壁条件下的电容层析成像图像重建算法.针对厚管壁管道内几种不同流型,分别采用LBP算法、Landweber迭代算法和BP神经网络对8电极电容传感器进行成像重建计算.结果表明:在厚管壁情况下,LBP算法重建的图像质量很差;Landweber迭代算法在层流下的重建效果好于核心流和环状流;而BP神经网络算法可以有效重建管道内的介质分布,但对于没有训练到的任意流型,其重建效果不够理想.     

代数重建和同步迭代重建在电容层析成像中的比较研究

针对电容层析成像技术(ECT)中的逆问题——图像重建算法的非线性和病态性问题,以12电极电容层析成像系统为对象,研究了代数重建算法(ART)与同步迭代重建算法(SIRT).分别对仿真电容值和实测电容值进行图像重建的实验验证,从成像效果、相对误差及重建时间3个方面对这两种算法进行了评估与分析.结果表明,ART算法和SIRT算法均能有效地实现ECT图像重建,其中SIRT算法能够在100次迭代内达到高精度,在收敛速度和成像效果上更具有优势.     

同步迭代图像重建技术在电容层析成像系统中的应用

在电容层析成像 (ECT)系统中 ,为克服电容测量值数目有限以及管道内敏感场分布的“软场效应”,引入了一种同步迭代图像重建技术 (SIRT)。针对收敛速度和重建后图像的模糊效应 ,对 SIRT算法进行了改进。改进后的 SIRT算法使重建图像的速度和质量都有了明显的提高。对八电极ECT系统进行的仿真和静态实验结果表明 ,这种算法可望满足用于在线工业过程电容层析成像系统成像的要求。     

电容层析成像多电极激励方法分析

电容层析成像中的图像重建是一个不适定求解问题，电容的微测量误差将会引起较大的图像重建误差，因此提高互电容测量精度是保证图像重建质量的关键．分析了电容层析成像中电容测量原理，在此基础上，将多电极激励方式运用于电容层析成像中．经仿真实验表明：在电容层析成像的电容检测中，与目前普遍采用的单电极激励方式相比，采用多电极激励方式同样可以提高检测电极的电荷量32％～180％，从而有利于提高对互电容的检测精度。     

基于卷积神经网络的能谱CT射束硬化伪影抑制方法

X射线能谱CT探测器可以通过一次扫描,对两个不同的能量区间进行图像重建,由于重建算法基于单色X 射线源的假设,低能量重建图像会存在明显的射束硬化伪影. 为此提出了一种用于校正射束硬化伪影的卷积神经网络结构,使用大规模的体模样本进行训练:利用低能和高能重建图像共同作为网络输入以提取伪影特征,通过最小化输出和无伪影图像之间的均方误差来对低能图像进行校正.在两种不同能谱组合中的测试结果证明了该方法可以在保留物质结构特征的基础上抑制射束硬化伪影,校正后低能图像的峰值信噪比大约提高了20 dB.     

利用ECT信息改进EST图像重建

提出了基于电容层析成像(ECT)与静电层析成像(EST)的双模态传感器技术.该技术应用电容层析成像重建得到的介质分布结果作为先验信息,提高了静电层析成像的图像重建精度.针对静电荷对ECT测量值的干扰进行了探讨.理论分析表明,ECT采用交流法检测电容,在高频交流激励、带通滤波方式下,微小电容检测系统可以消除颗粒感生电荷噪声的低频干扰.针对电荷灵敏场受介质分布的影响进行了研究,数值仿真计算表明,采用ECT提供的介质分布信息可修正实际流型下的电荷灵敏度,降低EST电荷分布反演的不确定度.由于EST的相对图像误差、相对电荷余量等图像重建指标均有所减小,所以图像相关性更好.     

采用改进的PCA算法测量两相流相浓度

针对现有图像重建算法以定性为主,所引起的相浓度参数测量精度有限的问题,该文提出了在对电容层析层像系统传感器测量数据进行分析时,采用主成份分析(PCA)结合人工神经网络反向传播(BP)算法,通过训练神经网络,得到从电容测量值到相浓度之间的对应关系。样本测试可以得到很好的结果,网络输出浓度与设定浓度之差可以控制在±5%范围之内。证明该方法测量两相流相浓度参数是可行的。     

12电极ECT测量电路设计

介绍了１２电极ＥＣＴ成像系统测量的原理及设计。研制了一种高频抗杂散电容的充电转换差分放大探测电路，并设计出与１２电极相配合、数据稳定、高分辨的一套控制时序，较好的实现了低漂移、高灵敏度及低噪声的测量。该测量电路可应用于最大成像率为１００帧／ｓ的系统。     

卷积神经网络在ECT图像重建上的应用

针对电容层析成像的图像重建精度较低的问题,提出一种基于卷积神经网络的ECT图像重建方法.首先阐述了ECT图像重建的基本原理,并利用COMSOL软件提取了大量的学习样本.然后以Landweber算法的图像重建结果作为初始状态,建立了卷积神经网络模型,并进行网络训练,保存训练完成的网络模型.最后选取样本以外的五种不同流型进行了仿真实验,实验结果表明,利用此算法所获取的重建图像相应指标要比LBP以及Landweber要好很多.所以该图像重建算法是一种有效且精度较高的图像重建算法.     

基于RBF网络的ECT图像重建算法

介绍了一种基于RBF网络的电容层析成像图像重建算法,包括径向基函数的选取、RBF网络权值的训练方法.仿真实验显示该算法可用于两相流流型辨识.     

基于Dirac残差模块的单幅图像超分辨率重建

针对单幅图像超分辨率重建问题(SISR),提出了一种新的基于Dirac残差的超分辨率重建算法.算法使用全局跳跃重建层来直接利用输入LR图像的低频特征,通过多个dirac残差块来自适应学习输入LR图像的高频特征,通过亚像素卷积进行图像重建.算法通过权重参数化来改进残差层,同时使用输入图像的卷积特征与残差网络学习特征结合进行重建.实验采用Adam优化器进行网络训练.使用L1范数作为损失函数.在PSNR、SSIM和视觉效果与其他先进算法进行对比,实验结果表明,在常用测试集上与其他深度学习算法相比有较大提高.     

基于多电极电磁流量计的流速场重建

多电极电磁流量计是传统电磁流量计与电磁层析成象技术的结合.利用多电极在多角度下的多个测量值,并应用层析成象技术可得到管道内流速场的重建图像.提出采用基于S-L滤波函数的滤波反投影算法及其简化算法,它可以获得管道内非轴对称流速场的重建图像.图像重建结果表明该算法明显优于简单反投影算法.同时也证明了该算法对轴对称流型的不可区分性.     

电容层析成像中电容敏感场的计算与图像重建

建立了１２电极基本传感器的有限元模型，对电容敏感场进行了仿真计算，以此作为先验中以重建出令人满意的图像，为进一步的应用研究提供了强有力的支持。     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.