CN114155354A - 基于图卷积网络的电容层析成像重建方法与装置 - Google Patents
基于图卷积网络的电容层析成像重建方法与装置 Download PDFInfo
- Publication number
- CN114155354A CN114155354A CN202111464476.7A CN202111464476A CN114155354A CN 114155354 A CN114155354 A CN 114155354A CN 202111464476 A CN202111464476 A CN 202111464476A CN 114155354 A CN114155354 A CN 114155354A
- Authority
- CN
- China
- Prior art keywords
- graph
- sample
- convolution network
- network model
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003325 tomography Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000009826 distribution Methods 0.000 claims abstract description 87
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 25
- 230000035945 sensitivity Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 abstract description 17
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000005514 two-phase flow Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种基于图卷积网络的电容层析成像重建方法、装置、计算机设备和存储介质。所述方法包括:根据有限元法对目标图像待测区域网格化,得到拓扑图;根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,计算每个像素单元的介电常数分布,根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征;根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,将拉普拉斯矩阵输入图卷积网络模型,得到输出特征图;将输出特征图在预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像。本方法通过预设图卷积网络模型挖掘复杂流形的待测区域中非欧式数据之间的特征,相比传统卷积神经网络的重建方法,提高了成像精度。
Description
技术领域
本申请涉及层析成像技术领域,特别是涉及一种基于图卷积网络的电容层析成像重建方法、装置、计算机设备和存储介质。
背景技术
电容层析成像技术是通过测量管道周围排列的电极对间的电容值来重建管道内的两相或多相流介质分布情况或流动状态,实现两相或多相流动可视化。因此电容层析成像技术可应用于两相以及多相流检测中,比如石油开采与输运、煤化工产品以及冷凝管的蒸馏过程等,像在工业领域中,重力热管作为***能源开发、化工产业中高效换热元件,其重要构成冷凝管中的水气分布及其含量对其蒸馏过程极其重要。而电容层析成像技术以非接触非侵入的方式对封闭管道内的介质进行可视化检测,与传统测量技术相比具有无辐射、响应速度快、结构简单、安全性高以及成本低等优点。
图像重建是层析成像***中的重要环节,目前应用比较广泛的ECT图像重建算法,存在成像精度低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高电容层析成像图像精度的基于图卷积网络的电容层析成像重建方法、装置、计算机设备和存储介质。
第一方面,提供了一种基于图卷积网络的电容层析成像重建方法,该方法包括:
根据有限元法剖分目标图像待测区域中的每个节点,确定与每个节点距离最近的两个领域节点,根据每个节点和两个领域节点之间的连接边构建拓扑图;
根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征;
根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,将拉普拉斯矩阵输入图卷积网络模型,通过预设图卷积网络模型的卷积层进行特征提取,得到特征信息;
将特征信息输入激活函数进行处理,得到输出特征图;
将输出特征图在预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像;其中,预设图卷积网络模型基于电容层析成像数据集训练得到。
在其中一个实施例中,预设图卷积网络模型的训练过程包括:构建电容层析成像数据集;将电容层析成像数据集输入初始图卷积网络模型进行重建,得到预测图像灰度值;根据预测灰度图像值与样本灰度图像值之间的误差进行计算,得到损失值;获取损失值小于预设损失阈值时对应的模型,得到预设图卷积网络模型。
在其中一个实施例中,构建电容层析成像数据集包括:根据流型类型以及对应的描述参数随机生成样本待测区域;根据电容层析成像正问题模型对样本待测区域进行计算,得到电容层析成像数据集。
在其中一个实施例中,电容层析成像正问题模型的构建过程包括:根据有限元法计算样本待测区域每个像素单元的介电常数分布,得到样本介电常数分布;通过数值分析法计算样本介电常数分布对应的样本电容值和样本灵敏度;根据计算得到的样本介电常数分布、样本电容值以及待测区域的样本图像灰度值之间的关系得到电容层析成像正问题模型。
在其中一个实施例中,根据电容层析成像正问题模型对样本待测区域进行计算,得到电容层析成像数据集,包括:根据电容层析成像正问题模型计算样本待测区域的样本电容值以及样本图像灰度值,构建得到电容层析成像数据集。
在其中一个实施例中,将电容层析成像数据集输入初始图卷积网络模型进行重建,得到预测图像灰度值,包括:将样本电容值输入初始图卷积网络模型进行重建,得到预测图像灰度值。
在其中一个实施例中,该方法还包括:当样本电容值的数据维度小于输出数据时,对数据维度进行扩充。
第二方面,提供了一种基于图卷积网络的电容层析成像重建装置,该装置包括:
构建模块,用于根据有限元法剖分目标图像待测区域中的每个节点,确定与每个节点距离最近的两个领域节点,根据每个节点和两个领域节点之间的连接边构建拓扑图;
计算模块,用于根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征;
重建模块,用于根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,将拉普拉斯矩阵输入图卷积网络模型,通过预设图卷积网络模型的卷积层进行特征提取,得到特征信息;将特征信息输入激活函数进行处理,得到输出特征图;将输出特征图在预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像;其中,预设图卷积网络模型基于电容层析成像数据集训练得到。
第三方面,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据有限元法剖分目标图像待测区域中的每个节点,确定与每个节点距离最近的两个领域节点,根据每个节点和两个领域节点之间的连接边构建拓扑图;
根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征;
根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,将拉普拉斯矩阵输入图卷积网络模型,通过预设图卷积网络模型的卷积层进行特征提取,得到特征信息;
将特征信息输入激活函数进行处理,得到输出特征图;
将输出特征图在预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像;其中,预设图卷积网络模型基于电容层析成像数据集训练得到。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据有限元法剖分目标图像待测区域中的每个节点,确定与每个节点距离最近的两个领域节点,根据每个节点和两个领域节点之间的连接边构建拓扑图;
根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征;
根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,将拉普拉斯矩阵输入图卷积网络模型,通过预设图卷积网络模型的卷积层进行特征提取,得到特征信息;
将特征信息输入激活函数进行处理,得到输出特征图;
将输出特征图在预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像;其中,预设图卷积网络模型基于电容层析成像数据集训练得到。
上述基于图卷积网络的电容层析成像重建方法、装置、计算机设备和存储介质,根据有限元法剖分目标图像待测区域中的每个节点,确定与每个节点距离最近的两个领域节点,根据每个节点和两个领域节点之间的连接边构建拓扑图;根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征;根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,将拉普拉斯矩阵输入图卷积网络模型,通过预设图卷积网络模型的卷积层进行特征提取,得到特征信息;将特征信息输入激活函数进行处理,得到输出特征图;将输出特征图在预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像;其中,预设图卷积网络模型基于电容层析成像数据集训练得到。本方法通过基于电容层析成像数据集训练得到的预设图卷积网络模型挖掘复杂流形的待测区域中非欧式数据之间的特征,相比传统卷积神经网络的重建方法,提高了成像精度。
附图说明
图1为一个实施例中基于图卷积网络的电容层析成像重建方法的流程示意图;
图2为一个实施例中图卷积网络模型的训练流程图;
图3为一个实施例中电容层析成像数据集构建的流程示意图;
图4为一个实施例中基于图卷积网络的电容层析成像重建装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图像重建是层析成像***中的重要环节,而图像算法的选择将会直接影响成像的质量,目前应用比较广泛的ECT图像重建的算法分为三类:非迭代算法、迭代算法以及人工智能算法。
非迭代算法像线性反投影(LBP)、Tikhonov正则化和奇异值分解法(TSVD),这类图像重建算法对典型流型的图像重建易出现介质界面边缘模糊,重建获得介质分布失真严重,而对于介质分布情况更复杂的随机流型来说,只能重建大致介质分布情况局部失真严重,总的来说非迭代算法成像精度相对其他类算法较低。
迭代类的算法主要包括Landweber、ART、Tikhnov、广义矢量模式匹配法等,此类算法经过多次迭代会产生少量噪声,对于典型流型边界位置的形状成像还是存在误差,对随机流型可以较好地反映流动形态,仍存在局部失真情况,但会优于非迭代类成像质量。
由于ECT传感器的软场特性,即电容敏感场受介质分布影响的问题,表现为强非线性,而利用人工智能算法能很好的实现电容向量与介质分布的非线性关系,常见算法有粒子群算法、神经网络、模拟退火算法。特别是随着深度学习的发展,经过训练的神经网络能比较接近电容传感器的敏感场,但由于两相流和多相流的流型随机且复杂,所以训练样本数据采集并不容易,给神经网络训练带来了一些困难,所以利用复杂数据样本来训练神经网络模型,使成像重组质量更高、更优,让基于神经网络图像重建算法的选取显得更为重要。
传统的深度学习方法像深度神经网络、卷积神经网络虽然在欧式数据的特征提取方面有所成功,对于电容层析成像技术需要处理非欧式数据,应用图卷积网络能对成像质量和迭代次数进行改进和提高。应用图卷积网络可以解决卷积神经网络带来的收敛速度慢,成像精度低等问题,能够改变传统电容层析成像技术只能展示被测管道内截面成像的可视化的局面,利用图卷积网络图像重建算法能实现管道内介质形状、体积、位置的空间分布状态的可视化。
在一个实施例中,如图1所示,提供了一种基于图卷积网络的电容层析成像重建方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,根据有限元法剖分目标图像待测区域中的每个节点,确定与每个节点距离最近的两个领域节点,根据每个节点和两个领域节点之间的连接边构建拓扑图。
其中,目标图像为待测流型的3D仿真模型图像,待测流型可以为两相流,也可以为多相流。有限元法是基于变分原理的数值计算方法,它将偏微分方程的求解问题转化为等价的泛函数极值问题,实质是为了获取连续场的信息,将场内区域进行细分,这样多个连续小单元共同构成了整个场,再对小单元建立对应的方程,计算出相关信息,最后将所有单元的信息组合在一起即得到整个连续场信息的方法。这种方法主要适合处理变场、非线性场和分层介质中电磁场问题。有限元法的优势是不受测量场形状的限制,能够在复杂的边界条件和介质中得到应用,目前已经成为电磁场领域最广泛的求解方法。在不同的模型中求解问题时,首先要定义求解区域,确定边界条件,具体为在给定的边界条件下将实际问题的微分方程转化为泛函形式。其次将给定区域划分为多个连续的小单元,即有限元网络剖分,当有限元数量越多时最后的结果越精确,对每个小单元进行公式推导得到一个近似的解,将每个单元按照一定规律累加,生成总矩阵方程。最后对经过有限元法获得的方程组求解,结果为边值问题的近似解。有限元法步骤清晰易于标准化,可以通过编制的计算程序应用到很多实际问题中。目前比较流行的ECT有限元仿真建模软件有Comsol、ANSYS和Matlab。
具体地,流型的分布随机的影响着介电常数,导致介电常数分布无固定的表达式,终端根据有限元法将目标图像的待测区域进行网格化,将根据有限元法剖分目标图像待测区域中的每个节点,确定与每个节点距离最近的两个领域节点,根据每个节点和两个领域节点之间的连接边构建拓扑图。其中,节点之间的距离可以为两个节点之间的欧式距离,也可以为其他距离计算方式,本申请实施例在此不作限定。
步骤104,根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征。
具体地,终端根据有限元法将目标图像待测区域网格化后,得到拓扑图,根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,即将目标图像的待测区域划分为多个连续的像素单元,再计算每个像素单元的介电常数分布。根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征。
忽略介电常数对灵敏度分布的影响管道内某电极板间的电容值Cj表示为:
式中,D代表管道的截面,ε(x,y)是管道截面在点(x,y)的介电常数,Sj(x,y,ε(x,y))是灵敏度函数,代表截面内介电常数分布为ε(x,y)时对点(x,y)的灵敏度;采用有限元法对将积分区域剖分成多个微小的单元,则电容值计算公式改写为:
式中,δi是微元的面积,Sj(i)是微元内的灵敏度,ε(i)是微元内的介电常数;当只有第K个微元是水,其他微元是油时求得灵敏度表达式为:
步骤106,根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,将拉普拉斯矩阵输入图卷积网络模型,通过预设图卷积网络模型的卷积层进行特征提取,得到特征信息。
其中,预设图卷积网络模型基于电容层析成像数据集训练得到。
具体地,终端根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,终端将拉普拉斯矩阵输入基于电容层析成像数据集训练得到的预设图卷积网络模型,通过预设图卷积网络模型的卷积层提取待测区域中非欧式数据之间的特征,得到特征信息。
步骤108,将特征信息输入激活函数进行处理,得到输出特征图。
具体地,将预设图卷积网络的卷积层提取到的特征信息输入预设图卷积网络模型的激活函数,对特征信息加入非线性特征,得到输出特征图。
步骤110,将输出特征图在预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像。
具体地,将输出特征图在预设图卷积网络的全连接层中进行降维处理,得到与待测区域灰度值对应的介质分布灰度图像。
上述基于图卷积网络的电容层析成像重建方法中,根据有限元法剖分目标图像待测区域中的每个节点,确定与每个节点距离最近的两个领域节点,根据每个节点和两个领域节点之间的连接边构建拓扑图;根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征;根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,将拉普拉斯矩阵输入图卷积网络模型,通过预设图卷积网络模型的卷积层进行特征提取,得到特征信息;将特征信息输入激活函数进行处理,得到输出特征图;将输出特征图在预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像;其中,预设图卷积网络模型基于电容层析成像数据集训练得到。本方法通过基于电容层析成像数据集训练得到的预设图卷积网络模型挖掘复杂流形的待测区域中非欧式数据之间的特征,进一步对特征进行处理以及降维,相比传统卷积神经网络的重建方法,提高了成像精度。
在一个可选的实施例中,预设图卷积网络模型的训练过程包括:
步骤202,构建电容层析成像数据集。
具体地,根据数据分析方法建立电容层析成像数据集。将电容层析成像数据集分为电容层析成像训练集和电容层析成像测试集,电容层析成像训练集和电容层析成像测试集的比例可以按照4:1的进行划分,也可以按照其他比例进行划分,本实施例在此不作限定。
步骤204,将电容层析成像数据集输入初始图卷积网络模型进行重建,得到预测图像灰度值。
具体地,建立初始图卷积网络模型,初始图卷积网络模型的参数初始化,根据电容层析成像训练集中的数据对初始图卷积网络模型进行训练,当训练的初始图卷积网络模型训练完成时,得到预设图卷积网络模型。再根据电容层析成像测试集中的测试样本对训练完成的图卷积网络模型进行验证,当预设的重建准确率达到预设准确率时,得到预设图卷积网络模型;当预设的重建准确率没有达到预设准确率,则调整图卷积网络模型参数,继续进行训练,直至预设的重建准确率达到预设准确率时,得到预设图卷积网络模型。将一组训练样本输入初始图卷积网络模型中进行重建,得到样本的预测图像灰度值。
步骤206,根据预测灰度图像值与样本灰度图像值之间的误差进行计算,得到损失值。
具体地,将样本的预测灰度图像值与样本对应的真实的样本灰度图像值进行误差计算,得到重建损失值。
步骤208,获取损失值小于预设损失阈值时对应的模型,得到预设图卷积网络模型。
进一步地,将电容层析成像训练集中的一组训练样本输入初始图卷积网络模型,在初始图卷积网络模型的卷积层对输入的样本电容值进行特征提取再通过激活函数ReLU处理得到该层输出值;将输出特征图一维矩阵作为全连接层输入;通过全连接层两次降维输出矩阵与所测区域灰度值对应,即预测灰度图像值。根据损失函数计算预测灰度图像值与样本灰度图像值之间的误差,得到损失值。当损失值小于预设损失阈值时,获取损失值小于预设损失阈值时对应的模型,得到预设图卷积网络模型。
在一个可选的实施例中,如图3所示,构建电容层析成像数据集包括:
步骤302,根据流型类型以及对应的描述参数随机生成样本待测区域。
其中,流型类型包括典型流型和随机流型,电容层析成像数据集包括典型流型数据和随机流型数据集。ECT中的正问题是通过已知的管道内物质的介电常数分布和传感器参数,计算出各电极对间的电容,逆问题是通过测量出的电极对间电容和灵敏度分布重建管道内物质的分布情况。
具体地,根据典型流型对应的描述参数随机生成典型流型样本待测区域,根据随机流型对应的描述参数随机生成随机流型样本待测区域。
步骤304,根据电容层析成像正问题模型对样本待测区域进行计算,得到电容层析成像数据集。
具体地,根据电容层析成像正问题模型对典型流型样本待测区域、随机流型样本待测区域进行计算,得到电容层析成像数据集。进一步地,典型流型是气固两相流流动过程中较稳定状态下经常出现的流型,其介质分布界面明显,主要有分层流、环状流、核心流、多核流等流型。但在实际的气固两相流动过程中,典型流型只有在流动状态较为稳定的情况下才出现,更多时候呈现的是无序的随机流型,这些流型气固界面模糊,边缘曲线形状复杂。
典型流型:对于每种流型,找出其描述参数,如分层流中的倾斜角、流型厚度,设定其阈值后随机生成这些参数,则可以确定测量截面中每个网格浓度为0还是1,得到相应的流型图像。
随机流型:随机流型生成采用随机噪声滤波的方法。首先生成200×200的随机数矩阵;然后使用均值滤波器对其进行多次滤波使其平滑;多次滤波后,矩阵的最大值与最小值会向其均值靠拢,需要将其线性放大至0~4.4,然后将超出空气和有机玻璃范围的介电常数进行截断,保证其内部有浓度为0或1的连通区域;将管道测量截面外的像素擦除,按照网格划分对每个三角形网格内的所有像素值求平均值,完成一个随机流型样本待测区域的生成。
在一个可选的实施例中,电容层析成像正问题模型的构建过程包括:根据有限元法计算样本待测区域每个像素单元的介电常数分布,得到样本介电常数分布;通过数值分析法计算样本介电常数分布对应的样本电容值和样本灵敏度;根据计算得到的样本介电常数分布、样本电容值以及待测区域的样本图像灰度值之间的关系得到电容层析成像正问题模型。
具体地,忽略介电常数对灵敏度分布的影响管道内某电极板间的电容值Cj表示为:
式中,D代表管道的截面,ε(x,y)是管道截面在点(x,y)的介电常数,Sj(x,y,ε(x,y))是灵敏度函数,代表截面内介电常数分布为ε(x,y)时对点(x,y)的灵敏度;采用有限元法对将积分区域剖分成多个微小的单元,则电容值计算公式改写为:
式中,δi是微元的面积,Sj(i)是微元内的灵敏度,ε(i)是微元内的介电常数;当只有第K个微元是水,其他微元是油时求得灵敏度表达式为:
通过公式可以知道,在第k个微元内电容值在介电常数变化时产生的变化量是灵敏度的物理意义。为了缩小量值便于计算,要把物理***的数值转变成一种相对关系值。对数据的预处理采用归一化的形式:
归一化电容Cj(k)相应的归一化灵敏度定义为:
归一化后的电容为:
在ECT***中,设管道截面中任意像素点的灰度值为:
从而,
假设有限元中划分的每个小单元内介质均匀分布,那么有
式中,f(i)是第i个单元的灰度值。若用向量F=[f1,f2......,fE]T表示截面内所有单元的灰度值,用向量P=[p1,p2......,pn]T表示所有归一化的电容值,W为n x E维矩阵,它代表(2-19)中灵敏度函数Srj(i)经离散化后的值,矩阵中第m行n列的值是i=n和j=m时Srj(i)的值,则有电容层析成像正问题模型P=W·F,电容层析成像正问题模型是ECT图像重建算法的数学依据,它反映了电容值、灵敏度函数和灰度值之间的基本关系。
在一个可选的实施例中,根据电容层析成像正问题模型对样本待测区域进行计算,得到电容层析成像数据集,包括:根据电容层析成像正问题模型计算样本待测区域的样本电容值以及样本图像灰度值,构建得到电容层析成像数据集。
具体地,根据有限元法计算样本待测区域每个像素单元的介电常数分布,得到样本介电常数分布;通过数值分析法计算所述样本介电常数分布对应的样本电容值和样本灵敏度,将待测区域的样本电容值和样本灵敏度输入电容层析成像正问题模型,得到样本图像灰度值,将待测区域的样本电容值与样本图像灰度值的对应关系作为一组样本,根据多组样本构建得到电容层析成像数据集。
在一个可选的实施例中,将电容层析成像数据集输入初始图卷积网络模型进行重建,得到预测图像灰度值,包括:将样本电容值输入初始图卷积网络模型进行重建,得到预测图像灰度值。
具体地,将电容层析成像数据集中的一组样本电容值输入初始图卷积网络模型,在初始图卷积网络模型的卷积层对输入的样本电容值进行特征提取再通过激活函数ReLU处理得到该层输出值;将输出特征图一维矩阵作为全连接层输入;通过全连接层两次降维输出矩阵与所测区域灰度值对应,即预测灰度图像值。根据损失函数计算预测灰度图像值与样本灰度图像值之间的误差,得到损失值。当损失值小于预设损失阈值时,获取损失值小于预设损失阈值时对应的模型,得到预设图卷积网络模型。
本实施例中,电容层析成像数据集包括典型流型数据和随机流型数据集,通过增加随机流型数据集训练初始图卷积网络模型,可以提高预设图卷积网络的质量,进一步提高重建成像的精确度。同时,预设图卷积网络可将管道内介质分布或流动形态的成像问题分解为多个较为简单的局部重建问题,图卷积网络与其他神经网络不同,通过图结构节点与边的关系,在三维环境中也能得知哪些像素相互连接,能够准确的预测哪些部分特征不突出,哪些部分应该去除,放弃部分干扰信息,加快网络学习训练和图像重建速度。还能解决卷积神经网络带来的收敛速度慢,成像精度低等问题。
在一个可选的实施例中,该方法还包括:当样本电容值的数据维度小于输出数据时,对数据维度进行扩充,进一步保证了重建成像的准确性。
具体地,在ECT图像重建中当输入数据维度远小于输出数据时,输入层后需要将池化层改为上采样层,以实现数据维度扩充。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种基于图卷积网络电容层析成像重建装置,包括:构建模块402、计算模块404和重建模块406,其中:
构建模块402,用于根据有限元法剖分目标图像待测区域中的每个节点,确定与每个节点距离最近的两个领域节点,根据每个节点和两个领域节点之间的连接边构建拓扑图。
计算模块404,用于根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征。
重建模块406,用于根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,将拉普拉斯矩阵输入图卷积网络模型,通过预设图卷积网络模型的卷积层进行特征提取,得到特征信息;将特征信息输入激活函数进行处理,得到输出特征图;将输出特征图在预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像;其中,预设图卷积网络模型基于电容层析成像数据集训练得到。
在一个可选的实施例中,电容层析成像重建装置还包括训练模块,用于构建电容层析成像数据集;将电容层析成像数据集输入初始图卷积网络模型进行重建,得到预测图像灰度值;根据预测灰度图像值与样本灰度图像值之间的误差进行计算,得到损失值;获取损失值小于预设损失阈值时对应的模型,得到预设图卷积网络模型。
在一个可选的实施例中,训练模块还用于根据流型类型以及对应的描述参数随机生成样本待测区域;根据电容层析成像正问题模型对样本待测区域进行计算,得到电容层析成像数据集。
在一个可选的实施例中,训练模块还用于根据有限元法计算样本待测区域每个像素单元的介电常数分布,得到样本介电常数分布;通过数值分析法计算样本介电常数分布对应的样本电容值和样本灵敏度;根据计算得到的样本介电常数分布、样本电容值以及待测区域的样本图像灰度值之间的关系得到电容层析成像正问题模型。
在一个可选的实施例中,训练模块还用于根据电容层析成像正问题模型计算样本待测区域的样本电容值以及样本图像灰度值,构建得到电容层析成像数据集。
在一个可选的实施例中,训练模块还用于将样本电容值输入初始图卷积网络模型进行重建,得到预测图像灰度值。
在一个可选的实施例中,训练模块还用于当样本电容值的数据维度小于输出数据时,对数据维度进行扩充。
关于基于图卷积网络的电容层析成像重建装置的具体限定可以参见上文中对于基于图卷积网络的电容层析成像重建方法的限定,在此不再赘述。上述基于图卷积网络的电容层析成像重建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于图卷积网络的电容层析成像重建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据有限元法剖分目标图像待测区域中的每个节点,确定与每个节点距离最近的两个领域节点,根据每个节点和两个领域节点之间的连接边构建拓扑图;
根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征;
根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,将拉普拉斯矩阵输入图卷积网络模型,通过预设图卷积网络模型的卷积层进行特征提取,得到特征信息;
将特征信息输入激活函数进行处理,得到输出特征图;
将输出特征图在预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像;其中,预设图卷积网络模型基于电容层析成像数据集训练得到。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:预设图卷积网络模型的训练过程包括:构建电容层析成像数据集;将电容层析成像数据集输入初始图卷积网络模型进行重建,得到预测图像灰度值;根据预测灰度图像值与样本灰度图像值之间的误差进行计算,得到损失值;获取损失值小于预设损失阈值时对应的模型,得到预设图卷积网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:构建电容层析成像数据集包括:根据流型类型以及对应的描述参数随机生成样本待测区域;根据电容层析成像正问题模型对样本待测区域进行计算,得到电容层析成像数据集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:电容层析成像正问题模型的构建过程包括:根据有限元法计算样本待测区域每个像素单元的介电常数分布,得到样本介电常数分布;通过数值分析法计算样本介电常数分布对应的样本电容值和样本灵敏度;根据计算得到的样本介电常数分布、样本电容值以及待测区域的样本图像灰度值之间的关系得到电容层析成像正问题模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据电容层析成像正问题模型对样本待测区域进行计算,得到电容层析成像数据集,包括:根据电容层析成像正问题模型计算样本待测区域的样本电容值以及样本图像灰度值,构建得到电容层析成像数据集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将电容层析成像数据集输入初始图卷积网络模型进行重建,得到预测图像灰度值,包括:将样本电容值输入初始图卷积网络模型进行重建,得到预测图像灰度值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:该方法还包括:当样本电容值的数据维度小于输出数据时,对数据维度进行扩充。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据有限元法剖分目标图像待测区域中的每个节点,确定与每个节点距离最近的两个领域节点,根据每个节点和两个领域节点之间的连接边构建拓扑图;
根据拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征;
根据拓扑图中每个节点的特征计算特征图的拉普拉斯矩阵,将拉普拉斯矩阵输入图卷积网络模型,通过预设图卷积网络模型的卷积层进行特征提取,得到特征信息;
将特征信息输入激活函数进行处理,得到输出特征图;
将输出特征图在预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像;其中,预设图卷积网络模型基于电容层析成像数据集训练得到。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:预设图卷积网络模型的训练过程包括:构建电容层析成像数据集;将电容层析成像数据集输入初始图卷积网络模型进行重建,得到预测图像灰度值;根据预测灰度图像值与样本灰度图像值之间的误差进行计算,得到损失值;获取损失值小于预设损失阈值时对应的模型,得到预设图卷积网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:构建电容层析成像数据集包括:根据流型类型以及对应的描述参数随机生成样本待测区域;根据电容层析成像正问题模型对样本待测区域进行计算,得到电容层析成像数据集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:电容层析成像正问题模型的构建过程包括:根据有限元法计算样本待测区域每个像素单元的介电常数分布,得到样本介电常数分布;通过数值分析法计算样本介电常数分布对应的样本电容值和样本灵敏度;根据计算得到的样本介电常数分布、样本电容值以及待测区域的样本图像灰度值之间的关系得到电容层析成像正问题模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据电容层析成像正问题模型对样本待测区域进行计算,得到电容层析成像数据集,包括:根据电容层析成像正问题模型计算样本待测区域的样本电容值以及样本图像灰度值,构建得到电容层析成像数据集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将电容层析成像数据集输入初始图卷积网络模型进行重建,得到预测图像灰度值,包括:将样本电容值输入初始图卷积网络模型进行重建,得到预测图像灰度值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:该方法还包括:当样本电容值的数据维度小于输出数据时,对数据维度进行扩充。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于图卷积网络的电容层析成像重建方法,其特征在于,所述方法包括:
根据有限元法剖分目标图像待测区域中的每个节点,确定与所述每个节点距离最近的两个领域节点,根据所述每个节点和所述两个领域节点之间的连接边构建拓扑图;
根据所述拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据所述介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征;
根据所述拓扑图中每个节点的特征计算所述特征图的拉普拉斯矩阵,将所述拉普拉斯矩阵输入图卷积网络模型,通过所述预设图卷积网络模型的卷积层进行特征提取,得到特征信息;
将所述特征信息输入激活函数进行处理,得到输出特征图;
将所述输出特征图在所述预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像;其中,所述预设图卷积网络模型基于电容层析成像数据集训练得到。
2.根据权利要求1所述的方法,其特征在于,所述预设图卷积网络模型的训练过程包括:
构建电容层析成像数据集;
将所述电容层析成像数据集输入初始图卷积网络模型进行重建,得到预测图像灰度值;
根据所述预测灰度图像值与样本灰度图像值之间的误差进行计算,得到损失值;
获取所述损失值小于所述预设损失阈值时对应的模型,得到预设图卷积网络模型。
3.根据权利要求2所述的方法,其特征在于,所述构建电容层析成像数据集包括:
根据流型类型以及对应的描述参数随机生成样本待测区域;
根据电容层析成像正问题模型对所述样本待测区域进行计算,得到电容层析成像数据集。
4.根据权利要求3所述的方法,其特征在于,所述电容层析成像正问题模型的构建过程包括:
根据有限元法计算样本待测区域每个像素单元的介电常数分布,得到样本介电常数分布;
通过数值分析法计算所述样本介电常数分布对应的样本电容值和样本灵敏度;
根据计算得到的样本介电常数分布、样本电容值以及待测区域的样本图像灰度值之间的关系得到电容层析成像正问题模型。
5.根据权利要求4所述的方法,其特征在于,所述根据电容层析成像正问题模型对所述样本待测区域进行计算,得到电容层析成像数据集,包括:
根据所述电容层析成像正问题模型计算所述样本待测区域的样本电容值以及样本图像灰度值,构建得到电容层析成像数据集。
6.根据权利要求3所述的方法,其特征在于,所述将所述电容层析成像数据集输入初始图卷积网络模型进行重建,得到预测图像灰度值,包括:
将所述样本电容值输入初始图卷积网络模型进行重建,得到预测图像灰度值。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
当所述样本电容值的数据维度小于输出数据时,对数据维度进行扩充。
8.一种基于图卷积网络的电容层析成像重建装置,其特征在于,所述装置包括:
构建模块,用于根据有限元法剖分目标图像待测区域中的每个节点,确定与所述每个节点距离最近的两个领域节点,根据所述每个节点和所述两个领域节点之间的连接边构建拓扑图;
计算模块,用于根据所述拓扑图中每个节点以及对应的两个领域节点构建像素单元,通过数值分析法计算每个像素单元的介电常数分布,根据所述介电常数分布计算对应的电容值,得到拓扑图中每个节点的特征;
重建模块,用于根据所述拓扑图中每个节点的特征计算所述特征图的拉普拉斯矩阵,将所述拉普拉斯矩阵输入图卷积网络模型,通过所述预设图卷积网络模型的卷积层进行特征提取,得到特征信息;将所述特征信息输入激活函数进行处理,得到输出特征图;将所述输出特征图在所述预设图卷积网络模型的全连接层进行降维,得到介质分布灰度图像;其中,所述预设图卷积网络模型基于电容层析成像数据集训练得到。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111464476.7A CN114155354B (zh) | 2021-12-02 | 2021-12-02 | 基于图卷积网络的电容层析成像重建方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111464476.7A CN114155354B (zh) | 2021-12-02 | 2021-12-02 | 基于图卷积网络的电容层析成像重建方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114155354A true CN114155354A (zh) | 2022-03-08 |
CN114155354B CN114155354B (zh) | 2023-12-15 |
Family
ID=80456248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111464476.7A Active CN114155354B (zh) | 2021-12-02 | 2021-12-02 | 基于图卷积网络的电容层析成像重建方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155354B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115060769A (zh) * | 2022-06-07 | 2022-09-16 | 深圳大学 | 一种基于智能反演的隧道围岩裂隙及松动检测方法、***、终端以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598768A (zh) * | 2018-10-11 | 2019-04-09 | 天津大学 | 基于卷积神经网络的电学层析成像图像重建方法 |
CN111239210A (zh) * | 2020-03-04 | 2020-06-05 | 东南大学 | 电容层析成像复杂流型数据集建立方法 |
CN112949142A (zh) * | 2021-03-29 | 2021-06-11 | 哈尔滨理工大学 | 一种基于深度神经网络的ect图像重建方法 |
CN113112562A (zh) * | 2021-04-19 | 2021-07-13 | 辽宁石油化工大学 | 油气两相流管道在线检测图像的生成方法及装置 |
-
2021
- 2021-12-02 CN CN202111464476.7A patent/CN114155354B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598768A (zh) * | 2018-10-11 | 2019-04-09 | 天津大学 | 基于卷积神经网络的电学层析成像图像重建方法 |
CN111239210A (zh) * | 2020-03-04 | 2020-06-05 | 东南大学 | 电容层析成像复杂流型数据集建立方法 |
CN112949142A (zh) * | 2021-03-29 | 2021-06-11 | 哈尔滨理工大学 | 一种基于深度神经网络的ect图像重建方法 |
CN113112562A (zh) * | 2021-04-19 | 2021-07-13 | 辽宁石油化工大学 | 油气两相流管道在线检测图像的生成方法及装置 |
Non-Patent Citations (2)
Title |
---|
ANNA FABIJAŃSKA ETAL: "Graph convolutional networks for enhanced resolution 3D Electrical Capacitance Tomography image reconstruction", APPLIED SOFT COMPUTING, pages 1 - 9 * |
王璐: "基于AlexNet卷积神经网络的电容层析成像三维图像重建", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 4 - 5 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115060769A (zh) * | 2022-06-07 | 2022-09-16 | 深圳大学 | 一种基于智能反演的隧道围岩裂隙及松动检测方法、***、终端以及存储介质 |
CN115060769B (zh) * | 2022-06-07 | 2024-04-02 | 深圳大学 | 一种基于智能反演的隧道围岩裂隙及松动检测方法、*** |
Also Published As
Publication number | Publication date |
---|---|
CN114155354B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dunlop et al. | Hierarchical Bayesian level set inversion | |
CN111812732B (zh) | 一种基于卷积神经网络的大地电磁非线性反演方法 | |
Christen et al. | Markov chain Monte Carlo using an approximation | |
Hosseiny | A deep learning model for predicting river flood depth and extent | |
CN109598768A (zh) | 基于卷积神经网络的电学层析成像图像重建方法 | |
Erol et al. | Learning-based computing techniques in geoid modeling for precise height transformation | |
Zhang et al. | Image reconstruction of electrical capacitance tomography based on an efficient sparse Bayesian learning algorithm | |
CN111832228A (zh) | 基于cnn-lstm的振动传递*** | |
Gärttner et al. | Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS | |
CN111158059B (zh) | 基于三次b样条函数的重力反演方法 | |
CN114155354B (zh) | 基于图卷积网络的电容层析成像重建方法与装置 | |
CN112257021A (zh) | 一种可选的克里金空间插值降雨量估算方法 | |
CN109712207B (zh) | V-Net深度成像方法 | |
Chung et al. | Efficient learning methods for large-scale optimal inversion design | |
Cheng et al. | Efficient deep data assimilation with sparse observations and time-varying sensors | |
Mücke et al. | Markov chain generative adversarial neural networks for solving Bayesian inverse problems in physics applications | |
Deabes et al. | ECT-LSTM-RNN: An electrical capacitance tomography model-based long short-term memory recurrent neural networks for conductive materials | |
CN116957422B (zh) | 一种基于卷积自编码和尖点突变模型的生态环境评价方法 | |
Bean et al. | Interval-valued kriging for geostatistical mapping with imprecise inputs | |
Hu et al. | On geometric inverse problems in time-fractional subdiffusion | |
Kang et al. | Image reconstruction algorithm for electrical capacitance tomography based on data correlation analysis | |
Deabes et al. | A nonlinear fuzzy assisted image reconstruction algorithm for electrical capacitance tomography | |
Gottschalk et al. | Coarsening in algebraic multigrid using Gaussian processes | |
CN102760182B (zh) | 基于压缩感知技术的人口出行需求计算方法 | |
CN114429061A (zh) | 一种基于空洞卷积神经网络ect二维图像重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |