Application of particle filtering algorithm to image reconstruction of ECT

针对电容层析成像技术(ECT)的图像重建质量精度较低的问题,提出了一种基于粒子滤波的ECT图像重建方法.首先,分析了ECT图像重建基本原理,以系统状态估计的方式描述了ECT图像重建最优解的搜索过程,并建立了状态空间模型.然后,以线性反投影( LBP)算法的图像重建结果作为初始状态,利用测量信息对从状态空间中获取的随机样本进行最优加权,以获得重建图像的最小方差估计.最后,对5种不同的流型进行了仿真实验.实验结果表明,利用本文方法获得的重建图像误差平均值为42.93％,相关系数平均值为0.813 9,比LBP算法、Landweber迭代算法和IMN-SNOF算法得到的相应指标要好.本文方法是一种有效、精度较高的ECT图像重建方法,为ECT图像重建技术提供了新的途径和手段.     

粒子滤波算法在ECT图像重建中的应用

针对电容层析成像技术(ECT)的图像重建质量精度较低的问题,提出了一种基于粒子滤波的ECT图像重建方法。首先,分析了ECT图像重建基本原理,以系统状态估计的方式描述了ECT图像重建最优解的搜索过程,并建立了状态空间模型。然后,以线性反投影(LBP)算法的图像重建结果作为初始状态,利用测量信息对从状态空间中获取的随机样本进行最优加权,以获得重建图像的最小方差估计。最后,对5种不同的流型进行了仿真实验。实验结果表明,利用本文方法获得的重建图像误差平均值为42.93%,相关系数平均值为0.813 9,比LBP算法、Landweber迭代算法和IMN-SNOF算法得到的相应指标要好。本文方法是一种有效、精度较高的ECT图像重建方法,为ECT图像重建技术提供了新的途径和手段。     

基于ECT/EST双模信息融合的磨粒图像重建算法

电容层析成像(ECT)技术因其非侵入、无辐射、可视化、响应快、成本低等优势在两相流测量中获得了广泛应用,但在发动机油路中,因摩擦产生的能量释放使磨粒荷电,对ECT传感器电容值的测量产生扰动,严重影响成像质量。为提高荷电颗粒存在情况下电容层析成像的图像重建质量,提出电容层析成像(ECT)与静电层析成像(EST)双模信息融合成像方法。该方法通过测量荷电颗粒在传感器矩形电极上感应的电荷值,得到荷电磨粒的信息;通过ECT系统得到一组电容值,并利用加权融合的修正方法,对ECT中畸变的电容值进行修正;用修正后的电容值进行图像重建。仿真实验证明:该方法能够弥补单一ECT模态的成像质量不高的不足,减弱荷电颗粒对ECT电容值测量的干扰,明显提高了图像重建质量,降低了成像误差;采用双模态重建图像方法可正确识别环状流、泡状流、核心流等几种典型流型。     

基于ECT的传感器系统的优化设计

针对传统ECT电容传感器相邻极板间存在耦合电容,因干扰电容引起电容测量时噪声值的问题,提出了一种带差分电极的新型传感器系统,差分电极添加到测量电极与屏蔽罩之间,差分电极与测量电极通过同一圆心排列,测量电极之间不需加隔离电极,通过对差分电极激励消除测量电极之间的耦合电容。最后通过LBP、Landweber、Tikhonov算法对各个模型进行图像重建,并对重建图像进行误差分析。实验结果表明通过对重建图像进行误差分析和图像相关技术的计算,传感器经过添加差分电极可以使图像误差减小至0.24,图像相关系数提升到0.84,很大幅度改善了成像效果。     

同心圆环区域电容层析成像传感器数目优化

针对同心圆环区域,设计了不同数目的组合电容层析成像传感器,以提高传感器在测量区域的空间分辨率。基于数值仿真,对内外径之比为0.2、0.3、0.4、0.5的4种同心圆环区域,采用了传统外层12电极和12-4、12-6、12-8 3种内外双层结构电极(IEE),研究了其成像特性。其中IEE传感器测量过程施行外部-对立-内部(EOI)和外部-对立(EO)两种激励策略,对几种典型的介质分布进行测量,并采用LBP、Tikhonov、Landweber算法开展图像重建。结合数值仿真和实验验证,结果显示内外双层电极测量随着同心圆环形区域内外径比增大,内层电极数目存在最优值,12-4型电极结构在不同环形区域的重建图像质量和稳定性更好。采用LBP算法进行成像时,EOI激励策略相比于EO激励策略在成像精度上略有优势;采用Tikhonov算法和Landweber迭代算法时,EO激励策略能有效避免异常电容值的影响,与IEE电极组合时能在不同内外径比的同心圆环区域测量中提高成像质量。     

电容层析成像在高压浓相煤粉气力输送中的应用

在输送压力可达4.0 MPa、固气比达740 kg/m^3的高压浓相煤粉气力输送实验台上,用电容层析成像技术对10 mm内径的水平管道进行气/固两相流流型的辨识。研制了适用于高压力下的8电极厚管壁小口径电容层析成像传感器,管壁厚度达5 mm。为了消除厚管壁对电容传感器灵敏度的影响,采用精度较高的交流法电容检测电路,激励信号峰值提高到30 VP-P并对C/V转换放大器做滤波处理以提高信号的信噪比。将USB通信方式引入到ECT与计算机的数据传输中,解决ECT数据传输速度问题。比较LBP算法、Landweber迭代算法和神经网络算法在厚管壁ECT图像重建中的效果,发现神经网络算法受流型的影响很小,具有最优的重建图像质量。     

基于阵列旋转和改进证据理论的平面 EMT 图像融合算法

为了提高平面电磁层析成像(EMT) 重建图像的质量,本文提出了一种阵列旋转和改进 D-S 证据理论相结合的平面 EMT 图像融合算法。 首次将传感器阵列旋转应用于平面 EMT 领域,提高独立测量值个数,并利用旋转阵列的测量信息实现 EMT 图像融合。 针对 Dempster 规则在处理冲突证据上存在不足的问题进行改进,利用数据聚类获取自适应阈值设置冲突和不 冲突两种证据,分别对应不同的融合规则。 仿真研究了旋转次数和成像效果之间的关系,利用不同旋转角度的信息和改进 D-S 证据理论进行图像融合,有效去除图像伪影,提高图像质量。 设计了 8 线圈平面电磁传感器,并应用于铝板缺陷检测,结果验证 了方法的有效性。 新方法较传统方法的图像相对误差下降 17. 0% ,相关系数提升 22. 7% 。     

基于加权奇异值分解截断共轭梯度的电容层析图像重建

针对电容层析成像技术(ECT)中的"软场"效应和病态问题,提出了一种基于加权奇异值分解(SVD)截断共轭梯度的电容层析(ECT)图像重建算法。阐述了电容层析成像工作原理,提出了12电极ECT系统的测量方法。在分析灵敏度矩阵的奇异值分解理论的基础上,推导出了加权SVD截断共轭梯度的数学模型,并利用Tikhonov方法进行正则化加权处理。最后,分析了算法的收敛性,并将其应用于电容层析成像系统的图像重建中。实验结果表明,对于层流,截断共轭梯度算法的平均误差能达到27.54%,全部流型平均迭代步数达到13步,与LBP、Landweber和CG算法比较,该算法具有成像效果好,成像速度快,易于实现等特点。     

非均匀磁共振压缩成像的交替方向乘子法

为了缩短磁共振成像的扫描时间、提高成像质量,提出一种在压缩感知框架下的非均匀磁共振压缩图像交替方向乘子算法。该方法联合考虑磁共振成像(MRI)图像在变换域和梯度域下的稀疏性,并使用非均匀傅里叶变换实现插值处理,在此基础上构建出MRI图像重构模型,然后采用交替方向乘子法求解该模型。该算法引入辅助变量,将原始模型中的优化问题分解为更容易求解的子优化问题,再使用交替方向最小化方法分别求解。通过一个乐高积木和一个老鼠心脏的径向MRI压缩成像实验来验证算法的有效性。实验中利用磁共振图像从5%到30%(步进为1%)的欠采样数据进行图像重建,并采用重构图像与原始图像的结构相似度评价重构图像质量,结果显示基于该方法的压缩成像算法重构图像质量显著优于基于回溯线搜索的共轭梯度法的重构图像。同时,以峰值信噪比作为图像质量的评价指标对两种算法下的老鼠心脏重构图像进行比较,依然得到相同的结论。     

基于INGA的电容层析成像图像重建算法的研究

电容层析成像图像重建是一个具有典型的病态问题,在分析遗传算法基础上,针对小生境遗传算法易于早熟、收敛速度慢以及局部寻优能力较差等缺点,提出了一种引入梯度算子的改进小生境遗传算法(INGA)用于ECT图像重建.仿真和实验结果表明,对于简单流型该算法与LBP、Landweber算法相比满足收敛速度快且重建图像误差小,并能以较高的精度重构出两相流体的截面成像,为ECT图像重建算法的研究提供了一个新的思路.     

基于U曲线法的油气润滑ECT系统图像重建病态优化

采用U曲线法确定油气润滑ECT系统图像重建中的正则化参数,分析正则化处理后灵敏度矩阵的病态性;通过LBP算法和Tikhonov正则化算法分别对油气润滑ECT系统管道截面进行第一次图像重建;对第一次重建图像的灰度分布矩阵进行门限滤波阈值的优化,并对管道截面进行二次图像重建。结果表明:相较于L曲线法,U曲线法选取的正则化参数在削弱灵敏度矩阵病态程度方面的作用显著;第一次图像重建中,图像重建质量有较大改善;门限滤波阈值优化后的二次图像重建中,图像重建质量进一步提高。研究表明U曲线法确定的正则化参数和门限滤波阈值优化有助于提高油气润滑ECT系统的图像重建质量。     

Image reconstruction of electrical capacitance tomography based on optimal simulated annealing algorithm using orthogonal test method

Electrical capacitance tomography (ECT) is a visualization measurement method for two-phase flow. Imaging permittivity distributions using electrical capacitance tomography has always been one of the most significant issues studied by scholars, and the algorithm will have a great impact on the accuracy of image reconstruction result. This paper applies simulated annealing (SA) algorithm to image reconstruction in ECT. However, some parameters of SA algorithm need to be optimized in order to obtain better reconstructed images in ECT. The influence of different parameter values in SA algorithm for image reconstruction in ECT is studied, and a set of optimal parameters of the SA algorithm is obtained based on the orthogonal experimental design method in this paper. At the same time, simulation and static experiments are conducted. Reconstructed images by SA algorithm with optimized parameter are compared with the linear back projection (LBP) and Landweber iterative algorithms. The results show that better images can be obtained for typical oil-gas two-phase flow using SA algorithm. The quality and shape fidelity of reconstructed image for the central object are obviously improved.     

用于两相流测量的ECT图像重构技术研究

电容层析成像技术(ECT)具有非侵入、响应速度快、成本低等优点,是用于两相流参数检测非常有发展潜力的技术之一。而图像重构是ECT系统研究的关键技术。该文利用有限元方法对12电极ECT系统进行建模仿真,进行正问题求解,获得了图像重构的样本数据;引入改进的径向基函数神经网络,建立了ECT图像重构算法,并在MATLAB平台上进行了仿真验证。结果表明,改进的径向基神经网络算法在图像重构准确度及速度方面有了明显提高。     

油气润滑ECT传感器的轴向屏蔽电极及其影响*

建立UMIST型（带轴向接地屏蔽电极）和METC型（带轴向驱动屏蔽电极）油气润滑ECT传感器的三维物理模型,根据三维物理模型推导电容值和灵敏度数学表达式,并分析轴向屏蔽电极对传感器的敏感性和灵敏度均匀性的影响;采用线性反投影算法（Linear Back Projection,LBP）进行图像重建,并比较重建图像与真实图像的相对误差和相关系数。结果表明：2种轴向屏蔽电极均可消除边缘电容并提高传感器的敏感性;带轴向接地屏蔽电极使得传感器的灵敏度更加均匀,而带轴向驱动屏蔽电极的传感器则相反。带轴向接地屏蔽电极的传感器更适用于油气润滑中环状流的识别,其重建图像与真实图像的相对误差降低了28.79%,相关系数提高了14.05%。     

动态电容层析成像图像重建算法

提出了融合ECT测量信息和被测对象动态演化信息的新型图像重建模型;基于Tikhonov正则化方法,建立一个同时考虑了ECT测量信息、被测对象动态演化信息、时间与空间约束的新型图像重建目标泛涵,将图像重建问题转化为最优化问题;提出了集成分裂Bregman迭代法优势的新型算法求解该目标泛涵。数值仿真结果表明,所提出的图像重建算法其图像重建质量均优于OIOR算法、STR算法及PLI算法;同时由于所提出的图像重建算法同时考虑了测量数据和重建模型的不精确性,其抵抗测量噪声的能力得以提高。     

基于自适应模拟退火及 LM 联合反演算法的 ECT 图像重建

为解决电容层析成像技术(ECT)中图像重建的非线性和病态性问题,提出了一种自适应模拟退火-Levenberg Marquardt (ASA-LM)联合反演算法。 改进了标准模拟退火(SA)算法的新解生成策略、能量函数的定义及退火策略,并结合 LM 的直接局 部搜索方法联合反演 ECT 图像重建问题。 同时,利用 Savitzky-Golay (SG) 滤波对 ECT 图像重建所需电容数据进行平滑处理以 提高其信噪比。 最后,进行仿真及静态实验,并与线性反投影(LBP)、Landweber 迭代及标准 SA 算法进行了比较。 结果表明,与 其他 3 种算法相比,ASA-LM 算法收敛速度快、图像重建质量明显提高,边缘信息保真度高,重建图像的平均相对误差为 0. 331 1,平均相关系数为 0. 933 1。     

油气润滑ECT传感器的管道电容及其影响

采用COMSOL软件建立油气润滑电容层析成像传感器的三维物理模型,推导计入管道电容的数学模型;定义管道电容影响系数,分析管道厚度和管道半径对其影响。在算法中计入管道电容对环状流进行图像重建,并对重建图像质量进行评价。研究结果表明:管道电容影响系数可以表征管道电容对测量电容的影响;管道厚度增加或管道半径减少,管道电容对测量电容的影响增大,特别是对于油气润滑小管径,管道电容对测量电容有较大影响;计入管道电容影响后,重建图像质量有一定提高。     

A deep neural networks-based image reconstruction algorithm for a reduced sensor model in large-scale tomography system

Image reconstruction for soft-field tomography is a highly nonlinear and ill-posed inverse problem. Owing to the highly complicated nature of soft-field, the reconstructed images are always poor in quality. One of the factors that affect image quality is the number of sensors in a tomography system. It is commonly assumed that increasing the number of sensors in a tomography system will improve the ill-posed condition in image reconstruction and hence improve image quality. However, as the number of sensors increases, challenges such as more complicated and expensive hardware, slower data acquisition rates, longer image reconstruction times, and larger sensitivity matrices will arise, resulting in a greater ill-posed condition. Since deep learning (DL) is capable of expressing complex nonlinear functions, the majority of research efforts have been directed toward developing a robust DL-based inverse solver for image reconstruction. However, no study has been conducted to solve the inverse problem and improve the quality of the reconstructed image using a reduced sensor model for a large-scale tomography system. This paper proposed an image reconstruction algorithm based on Deep Neural Networks (DNN) to investigate its feasibility in solving the ill-posed inverse problem caused by the reduced sensor model for a large-scale tomography system. The proposed DNN model is based on a supervised, feed-forward, fully connected, backpropagation network. It comprises an input layer, three hidden layers and an output layer. Also, it was trained using large data samples obtained from COMSOL simulation. The relationship between the scattered electromagnetic field measurement and the corresponding true electromagnetic field distribution vector is determined. During the image reconstruction process, the untrained scattered electromagnetic field measurement samples are used as inputs to the trained DNN model, and the model output is an estimate of the electromagnetic field distribution. The results show that the proposed DNN can accurately describe the distribution of electromagnetic field and boundary shape of phantom compared to traditional algorithms (LBP, FBP, Noser and Tikhonov), regardless of the size and number of phantoms within the monitoring area. Hence, the proposed DNN is more robust and has a high degree of generalization.