[發(fā)明專(zhuān)利]電容層析成像圖像重建方法、模型、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210155372.6
• 申請(qǐng)日: 2022-02-21
• 公開(kāi)（公告）號(hào): CN114646671A
• 公開(kāi)（公告）日: 2022-06-21
• 發(fā)明（設(shè)計(jì)）人: 李健;許傳龍;湯政;張彪
• 申請(qǐng)（專(zhuān)利權(quán)）人: 東南大學(xué)
• 主分類(lèi)號(hào): G01N27/22
• 分類(lèi)號(hào): G01N27/22
• 代理公司: 北京德崇智捷知識(shí)產(chǎn)權(quán)代理有限公司 11467
• 代理人: 王斌

本發(fā)明提供了一種電容層析成像圖像重建方法、模型、設(shè)備及存儲(chǔ)介質(zhì)，其中電容層析成像圖像超分辨率重建方法，包括：采用第一級(jí)神經(jīng)網(wǎng)絡(luò)，進(jìn)行由電容向量到低分辨率介質(zhì)分布的非線性圖像重建，其中第一級(jí)神經(jīng)網(wǎng)絡(luò)的輸入為歸一化電容向量重新排列所得的電容矩陣；第一級(jí)神經(jīng)網(wǎng)絡(luò)的輸出為S₁×1維介質(zhì)分布列向量，S₁為低分辨率介質(zhì)分布圖像的像素單元數(shù)量；采用第二級(jí)神經(jīng)網(wǎng)絡(luò)，進(jìn)行由低分辨率介質(zhì)分布到高分辨率介質(zhì)分布的圖像超分辨率重建；其中，第二級(jí)神經(jīng)網(wǎng)絡(luò)的輸入為第一級(jí)神經(jīng)網(wǎng)絡(luò)的輸出，輸出為S₂×1維介質(zhì)分布列向量，S₂為高分辨率介質(zhì)分布圖像的像素單元數(shù)量。本發(fā)明可在實(shí)現(xiàn)高空間分辨率ECT圖像重建的同時(shí)，大大減少建立大樣本容量數(shù)據(jù)集所需要的時(shí)間。

技術(shù)領(lǐng)域

本發(fā)明涉及一種電容層析成像技術(shù)領(lǐng)域，具體是一種電容層析成像圖像重建方法、模型、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

對(duì)于電容層析成像（Electrical Capacitance Tomography，簡(jiǎn)稱(chēng)ECT）系統(tǒng)，空間分辨率是指重建圖像中可區(qū)分最小像素單元的尺寸，像素單元越小，數(shù)量越多，系統(tǒng)空間分辨率越高。

電容層析成像技術(shù)是利用多相介質(zhì)具有不同的介電常數(shù)，通過(guò)陣列電極電容變化反映管道中的多相介質(zhì)分布變化，從而實(shí)現(xiàn)多相流動(dòng)可視化圖像重建。ECT技術(shù)具有非侵入性、傳感器結(jié)構(gòu)簡(jiǎn)單、成本低、響應(yīng)速度快、適用范圍廣和安全性能高等優(yōu)點(diǎn)，廣泛應(yīng)用于絕緣介質(zhì)的多相流動(dòng)過(guò)程檢測(cè)。

但是相比于其他過(guò)程層析成像技術(shù)，如光學(xué)層析成像、輻射層析成像等，電容層析成像技術(shù)的空間分辨率較低，成像質(zhì)量較差。導(dǎo)致ECT空間分辨率較低的因素主要有兩點(diǎn)：一是獨(dú)立電容測(cè)量值數(shù)量遠(yuǎn)少于重建圖像像素單元數(shù)量，即“病態(tài)”特性；二是傳統(tǒng)重建算法對(duì)于電容向量與介質(zhì)分布之間非線性關(guān)系的線性簡(jiǎn)化造成了投影信息的損失。為了提高ECT系統(tǒng)的空間分辨率，可通過(guò)增加電容傳感器極板數(shù)量來(lái)增加獨(dú)立電容值測(cè)量數(shù)量。但電極數(shù)量的增加會(huì)導(dǎo)致相鄰電極之間距離變小，電極邊緣效應(yīng)增強(qiáng)，更多的電場(chǎng)線穿越場(chǎng)域邊界，造成場(chǎng)域邊界的靈敏度提高，而場(chǎng)域中心的靈敏度降低，不利于改善成像質(zhì)量。因此，目前ECT系統(tǒng)普遍使用8電極、12電極或16電極結(jié)構(gòu)的傳感器，從增加電容測(cè)量值數(shù)量的角度來(lái)提高空間分辨率較難實(shí)現(xiàn)。

目前用于ECT圖像重建的算法主要可以分為線性模型和非線性模型兩類(lèi)。線性模型算法是對(duì)電容與介質(zhì)分布之間的非線性映射進(jìn)行線性簡(jiǎn)化，通過(guò)靈敏場(chǎng)矩陣描述兩者之間的物理關(guān)系。線性模型算法又可分為直接算法、迭代算法與智能尋優(yōu)算法三類(lèi)。直接算法是直接使用靈敏場(chǎng)矩陣的偽逆進(jìn)行反投影，如LBP算法、Tikhonov算法等，這類(lèi)算法計(jì)算量小，重建速度快，但重建精度低。迭代算法是通過(guò)線性迭代計(jì)算靈敏場(chǎng)逆矩陣的近似解，如Landweber算法、共軛梯度法等，這類(lèi)算法精度有所提高，但重建速度較慢。智能尋優(yōu)算法是將反問(wèn)題轉(zhuǎn)化為優(yōu)化問(wèn)題，通過(guò)尋優(yōu)算法來(lái)全局搜索靈敏場(chǎng)逆矩陣的最優(yōu)近似，如模擬退火算法、遺傳算法等，這類(lèi)算法精度較高，但是結(jié)果較難收斂，在實(shí)際應(yīng)用中局限性較大。非線性模型算法則是通過(guò)直接擬合電容與介質(zhì)分布之間的非線性關(guān)系來(lái)實(shí)現(xiàn)圖像重建，目前主要的非線性模型算法均為深度學(xué)習(xí)算法，如深度全連接網(wǎng)絡(luò)、自編碼網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等。這類(lèi)算法重建精度高，重建速度較快，且避免了線性簡(jiǎn)化所造成的信息損失，有利于重建分辨率的提高。

深度學(xué)習(xí)模型通過(guò)學(xué)習(xí)數(shù)據(jù)集的特征，從而對(duì)未學(xué)習(xí)過(guò)的樣本進(jìn)行預(yù)測(cè)，所以數(shù)據(jù)集的容量與豐富性對(duì)深度學(xué)習(xí)模型的性能具有至關(guān)重要的影響。目前，用于訓(xùn)練深度學(xué)習(xí)模型的數(shù)據(jù)集普遍采用數(shù)值模擬的方式生成。首先，根據(jù)預(yù)設(shè)好的空間分辨率生成一定數(shù)量的介質(zhì)分布圖像；然后，通過(guò)ECT有限元正向模型計(jì)算各介質(zhì)分布所對(duì)應(yīng)電容向量，組成完整的“電容向量-介質(zhì)分布”數(shù)據(jù)集。深度學(xué)習(xí)模型的訓(xùn)練依賴(lài)于大樣本容量的數(shù)據(jù)集，但隨著重建圖像分辨率的提高，正向計(jì)算電容向量所需時(shí)間大大增加，直接建立“電容向量-高分辨率介質(zhì)分布”數(shù)據(jù)集將耗費(fèi)大量的計(jì)算資源與時(shí)間。

發(fā)明內(nèi)容