基于二维卷积神经网络的电阻抗成像算法北大核心CSCD

电阻抗成像技术(EIT)是一种非侵入、无辐射和成本低的成像技术。其逆问题求解时,传统的解决方法存在空间分辨率差的弊端。为此,提出了二维卷积神经网络(2DCNN)的解决方法。采用该方法,在有噪声和无噪声环境下,对不同形状、大小和位置的目标物体进行仿真,并且与Tikhonov和深度学习网络(DNN)算法进行了比较。仿真结果表明2DCNN方法可以有效地提取数据特征,重建的图像相对于其他方法伪影少、分辨率高、成像质量高、抗噪声能力强。     

基于栈式自编码器的磁探测电阻抗成像算法研究

针对目前磁探测电阻抗成像算法图像重建分辨率不高、精确度低的问题,提出了一种基于栈式自编码(SAE)神经网络的磁探测电阻抗成像算法。使用方形成像体进行仿真实验,通过训练样本建立SAE神经网络模型,确定神经元权重和偏置值。利用该网络模型重建成像体内部的电导率分布;并在异质体中心位置、算法的抗噪性能等方面将重建结果与基于Levenberg-Marquardt算法的反向传播神经网络的重建结果进行对比。结果表明栈式自编码神经网络算法显著提高了磁探测电阻抗成像的重建精度、抗噪性能。最后,通过仿体实验验证了SAE算法的可行性。根据实际测得的磁场,使用神经网络算法重建电导率,准确定位异质体位置。SAE神经网络算法的提出对于磁探测电阻抗成像技术的广泛应用具有重要意义。     

基于 V-ResNet 的电阻抗层析成像方法

电阻抗层析成像技术(EIT)因其非侵入和可视化等特性为人体肺部空间特性的监测提供了一种有效的方法。但是EIT的逆问题具有严重的非线性、病态性和欠定性,使得图像重建结果含有严重的伪影。针对上述问题,提出了一种由预映射、特征提取、深度重建以及残差去噪四个模块构成的V-ResNet的深度网络成像算法,实现对场域空间位置和电导率参数分布的重建。该算法有效地增加了前馈信息的多重传递并解决了深度网络的梯度消失问题,同时残差去噪模块有效地平滑了图像边界。采用相对误差(RE)和结构相似度(SSIM)来衡量成像质量,实验得出RE的平均值为0.14,SSIM平均值为0.96。仿真与实验结果表明,基于V-ResNet的成像算法与传统的成像算法相比,图像重建结果边界清晰,空间分辨率高。     

一种基于U2-Net模型的电阻抗成像方法

电阻抗成像(EIT)是一种实现场域内电导率分布情况图像重建的成像技术.传统的电阻抗成像算法成像精度较低,为解决此问题,提出一种基于U2-Net深度学习模型的新型电阻抗图像重建方法.首先,以U2-Net模型为基础,创新地提出了拼接层(CAT)的概念用于数据扩展,使得U2-Net的输入层结构简单,运算速度快;其次,使用仿真...     

电阻抗成像技术在肺功能检测的研究进展

电阻抗成像技术(EIT)通过对电极施加安全的交流激励电流信号,测量其余电极对的电压信号,借助重构图像算法,利用采集到的电压数据重构肺部阻抗分布情况。EIT技术具有实时、无创、便携的特点,能够动态监测肺部功能,有利于辅助肺疾病的诊断和治疗。概括了肺功能EIT技术的发展历程与原理,并对EIT硬件系统、图像重建算法和临床应用的研究进展进行了总结和分析;对肺功能EIT技术发展方向和趋势进行探讨与展望。     

一种新的快速二维循环卷积算法

本文应用在修正环上的多项式变换原理,提出了一种新的二维卷积算法,它比直接使用二维FFT的算法的乘法次数少得多,结构比剩余类环上的多项式变换算法简单,并且计算量还要少20—40％。     

基于逆问题的电磁成像图像重建算法

应用理论分析方法对电磁成像(EMT)简化传感模型的逆问题进行了求解,对得到的非线性数学方程进行数值计算和求解,完成图像重建算法的构建和图像重建的仿真.仿真重建结果说明了基于逆问题的图像重建算法是成功的.     

基于两步迭代TV正则化的电阻抗图像重建算法

针对电阻抗层析成像(electrical impedance tomography,EIT)逆问题求解的欠定性和病态性,克服传统基于L2范数的Tikhonov正则化对介质边界的模糊效应,提出一种基于两步迭代的正则化图像重建算法.该算法采用具有良好保边性的总变差(total variation,TV)正则化函数,利用两步迭代法引入TV去噪算子,达到解的双重正则化效果.与传统最小二乘迭代算法、TV相关迭代算法相比,不仅保证了逆问题求解的稳定性,而且进一步提高了非连续分布介质区域成像的分辨能力,具有较好的成像精度.     

基于DSP的多频率电阻抗成像系统

设计了基于DSP的主从式数据采集系统。PC机作为主控机，进行可视控制、图像重建、实时显示等操作；DSP实现电极选能、数据采集并与PC机进行数据通讯。采用直接数字合成（DDS）技术构建双路正弦波及同步方波发生器，实现幅值、频率、相位等连续调节；调制信号经同相与正交解调，获取实部与虚部信息。测试结果表明，该系统（16电极）数据采集速度高达149帧／秒，误差为1％，具有很好的重复性。     

电阻抗成像交叉测量模式的抗噪声性能研究

电阻抗成像对噪声比较敏感,目前电阻抗成像主要采用相邻测量模式,其抗噪声性能比较差.交叉测量模式是在所有非电流注入电极对上做灵活选择,使得测量电压的幅值普遍高于相邻测量模式.在噪声源一定的情况,整体提高测量信号的信噪比.在仿真和实验当中,采用快速一步牛顿误差重构(FNOSER)静态和动态算法比较两种测量模式的重构图像质量.仿真和实验结果表明交叉测量方式优于相邻测量模式,该模式提高了信噪比,减小了测量电压的动态变化,重构图像伪迹较少,具有较好的抗噪声性能.     

基于数字处理的频差电阻抗成像系统设计

电阻抗成像(EIT)作为一种功能医学影像技术,可以反映组织功能的变化.在已有研究的基础上,开发一种体积小、功耗低、高速、频带宽、具有扫频和混频2种激励方式的电阻抗成像系统,应用于人体胸腹部疾病的早期筛查.该系统采用8×8电极阵列,用高性能FPGA为核心,使得激励源控制、数字频率合成、信号预处理、高速相敏检波、快速傅里叶变换解调测量信号等功能集成在单一的芯片中,减小了系统的复杂性,提高了可靠性和可移植性.在图像重构中,使用可靠性较高的正则化算法抑制电阻抗成像逆问题解的振荡,从而重建过程趋于稳定,提高了目标空间分辨率和成像深度.     

在单片机中应用卷积神经网络实现故障诊断

作者利用深度神经网络进行滚动轴承的智能故障诊断（IFD）,将人工智能在低成本小型化平台上实现了应用。作者在文章中优化改进了二维神经网络（CNN2D）的神经网络架构,并将其部署到STM32H743VI单片机,实现了轴承故障振动信号的识别和分类。网络的训练和验证使用凯斯西储大学（CWRU）轴承故障数据集,并获得其中的包含10种故障类型的数据。使用基于Tensorflow深度学习框架的Keras工具对CNN2D的神经网络进行训练。验证可知该改进模型对故障识别准确度可以达到98.90%。利用CubeAI工具将网络部署至单片机内。通过串口与电脑进行通信获取随机轴承数据,实测每次诊断运行时间为约为19 ms。     

焊接缺陷磁光成像卷积神经网络识别方法

对焊件表面及亚表面微小焊接缺陷进行检测是保证焊接质量的关键,提出一种基于深层卷积神经网络的磁光成像焊接缺陷检测方法.以法拉第磁致旋光效应为基础,分析磁光成像原理,建立深层卷积网络预测模型,研究不同模型结构参数对训练结果的影响.通过对深度卷积神经网络中间机理分析,研究模型训练过程并自动寻找卷积核最优参数.试验结果表明,第...     

半导体激光扫描二维成像系统研制

介绍一种基于激光主动扫描物体，记录物体表面反射光强，然后重现物体二维图像的激光成像系统。该系统是进一步发展机器视觉三维距离成像的基础。     

用于人体阻抗成像的数据采集系统

本文介绍了基于DSP的主从式数据采集系统。PC机作为主控机,进行可视控制、实时显示等操作;DSP实现电极选通、数据采集及预处理并与PC机进行数据通讯。采用直接数字合成（DDS）技术构建双路正弦波及同步方波发生器,实现幅值、频率、相位等连续调节;调制信号经同相与正交解调,获取实部与虚部信息。测试结果表明,该数据采集单元满足EIT系统的性能要求。     

模型参数对卷积神经网络电容层析成像图像重建的影响

卷积神经网络凭借其较强的非线性拟合能力,在电容层析成像图像重建中逐渐得到应用。本文针对卷积神经网络模型超参数调节问题,研究了模型参数对卷积神经网络电容层析成像图像重建的影响。首先,通过数值方法构建了包含80 000组随机流型与40 000组典型流型的"电容矩阵-介质分布"数据集;然后,通过该数据集中的训练集对不同超参数的卷积神经网络模型进行训练和验证,并系统研究了网络初始化、网格密度、卷积核数、全连接层神经元数以及隐藏层结构等超参数对图像重建精度的影响;接着,利用额外生成的12 000组数据作为测试集对各网络模型性能进行评价;最后通过静态实验,对不同网络模型的图像重建效果进行了比较和分析。结果表明:网络隐藏层结构对图像重建精度影响较大,而网络初始化、网格密度、卷积核数以及全连接层神经元数等超参数对重建精度影响较小。     

基于卷积神经网络的物流货物图像分类研究

基于卷积神经网络(CNN)针对物流环境下货物的图像分类问题进行了研究.首先,在实际物流环境下收集了13种货物的ROI图像,并通过每隔10°旋转的方式来扩充数据集以防止过拟合现象的发生;然后,在考虑了实际硬件条件的情况下构建了轻量级CNN,并进行了基于自建数据集的训练,训练实验发现,轻量级CNN模型具有很快的收敛速度并在验证集取得了100％的准确率;最后,研究了旋转对货物图像分类性能的影响,并进行了可视化分析,验证了CNN对旋转操作基本不具备一致性.     

基于卷积神经网络的光学遥感图像检索

提出了一种基于深度卷积神经网络的光学遥感图像检索方法。首先,通过多层卷积神经网络对遥感图像进行卷积和池化处理,得到每幅图像的特征图,抽取高层特征构建图像特征库;在此过程中使用特征图完成网络模型参数和Softmax分类器的训练。然后,借助Softmax分类器在图像检索阶段对查询图像引入类别反馈,提高图像检索准确度,并根据查询图像特征和图像特征库中特征向量之间的距离,按相似程度由大到小进行排序,得到最终的检索结果。在高分辨率遥感图像数据库中进行了实验,结果显示:针对水体、植被、建筑、农田、裸地等5类图像的平均检索准确度约98.4%,增加飞机、舰船后7类遥感图像的平均检索准确度约95.9%;类别信息的引入有效提高了遥感图像的检索速度和准确度,检索时间减少了约17.6%;与颜色、纹理、词袋模型的对比实验表明,利用深度卷积神经网络抽取的高层信息能够更好地描述图像内容。实验表明该方法能够有效提高光学遥感图像的检索速度和准确度。     

基于积分图像的快速二维Otsu算法

Otsu自适应阈值算法是图像分割的经典方法之一,在其基础上发展起来的二维Otsu阈值算法却因为计算复杂而制约了其应用.本文针对二维Otsu的耗时瓶颈问题,引入积分图像简化了二维直方图最佳阈值搜索过程的计算复杂度,从而大大缩短了算法处理时间.实验结果表明,本文提出的算法在分割效果上与原始算法完全相同,但计算时间远远小于后者,具有很好的实时性.