一种基于反卷积网络的ECT图像重建方法技术

本发明专利技术涉及两相流的运动规律领域，具体为一种基于反卷积网络的ECT图像重建方法，包括如下步骤：S1、通过反卷积网络求解式，建立ECT图像重建的数学模型；S2、随机生成几何参数搭建几何模型，制作标签数据和训练数据；S3、搭建反卷积网络模型；S4、用搭好的反卷积网络模型进行训练。S5、使用反卷积网络实现ECT图像重建。本发明专利技术利用反卷积网络提取真实分布的空间特征，增强了特征提取能力，对于局部应用场景，无需敏感场先验即可实现高精度的图像重建。其图像的质量优于现有技术，能动态呈现管道截面的2D图像，方便监测人员分析两相流体的运动规律。

【技术实现步骤摘要】
一种基于反卷积网络的ECT图像重建方法
本专利技术涉及两相流的运动规律领域，具体为一种基于反卷积网络的ECT图像重建方法。
技术介绍
在两相流管道输送过程，流体运动参数的检测对于提高生产效率、保障生产安全有着十分重要的意义。然而，由于相间存在着复杂的作用力、相表面物性变化大等原因，两相流运动机理与状态的检测难以通过传统手段实现。另外，在运输过程难免出现堵管、管壁结垢等现象，导致管道运行能耗增加以及影响管道的安全运行，而管道往往是封闭环境，所以对于封闭管道可视化观测技术也亟待解决。近年来，电容层析成像(ECT)技术逐渐受到关注，它通过感知敏感场中不同介质的介电常数而实现封闭环境内流体分布的可视化。根据少量测量电容数据和敏感场的差值变化分布先验，反演敏感场内介电常数分布被称为ECT技术的逆问题。逆问题的求解具备不适定性和不稳定性，是图像重建算法中需要解决的主要问题。图像重建算法如Tikhonov和Landweber算法，Tikhonov算法重建的图像具有平滑连续的特性，对纹理轮廓不敏感；Landweber在迭代之初输入像素先验，为了逼近真实分布需要较多的迭代次数。除了算法本身具备的逼近解的能力，权重参数的选择也非常关键，许多算法都无法保证其最优参数可以充分逼近像素真解。随着深度学习的快速发展，神经网络由于其强大的非线性拟合能力而被广泛使用。传统ECT图像重建方法检测到的敏感场的经验信息是不完整的，难以应对复杂的敏感场变化。反卷积网络方法以端到端的学习机制寻找重建分布与真实分布之间的某种规律性关系，并把这种关系作为先验与敏感场经验结合来建立更好的图像重建模型。
技术实现思路
本专利技术所要解决的技术问题在于针对现有技术中的不足，提供一种基于反卷积网络的ECT图像重建方法，通过使用基于反卷积网络的ECT技术重建封闭管道的截面图像。本专利技术解决其技术问题所采用的技术方案为：一种基于反卷积网络的ECT图像重建方法，其特征在于，包括如下步骤：S1、通过反卷积网络求解式，建立ECT图像重建的数学模型；S2、随机生成几何参数搭建几何模型，制作标签数据和训练数据；S3、搭建反卷积网络模型；S4、用搭好的反卷积网络模型进行训练。S5、使用反卷积网络实现ECT图像重建。所述S1中的反卷积网络求解式的求解过程为：2.1、反卷积网络方法的数学表达：式中，W(·)表示反卷积网络模型；λ是电容向量；是真实分布的像素矩阵；2.2、训练模型为：min||G-W(Λ)||式中，Λ表示样本集合，Λ＝[λ1,λ2,...,λN]；G表示标签集合，G＝[g1,g2,...,gN]；在训练过程中，反卷积网络模型的输入为Λ，输出为Gc，Gc＝W(Λ)；2.3、平均绝对误差损失(MAE)损失函数定义为：式中，N表示训练集样本总个W(λ(i))数，分别表示真实像素矩阵和网络模型输出的像素矩阵。所述S2随机生成几何参数包括：在泡流模型中随机生成的几何参数有：泡状离散相介质的半径、圆心坐标；在层流模型中随机生成的几何参数有：层状离散相介质的“液位”高度；在环流模型中随机生成的几何参数有：环状离散相介质的内径，外径。所述S2中制作标签数据和训练数据的具体过程为：4.1批量建立管道几何模型，获取两相流分布的截面灰度图像作为标签数据；4.2根据几何模型建立管道两相流静电场模型并计算边界测量电容序列作为训练数据：首先输入管道内径，管壁厚度，电极尺寸、角度、两相流的介电常数，然后随机输入几何参数得到不同的静电场模型，最后计算不同静电场模型所对应的电容向量样本。所述S3中搭建反卷积网络模型包括5个阶段，第一阶段是两层全连接网络，用于提取低维特征；第二阶段将向量尺度拉升为空间尺度，初步提取空间特征；第三和第四阶段都是扩大特征图尺寸并进行信息融合，用于提取高维特征；第五阶段输出单通道像素矩阵。所述S4中反卷积网络模型的训练过程为：将电容向量样本分批次输入到网络模型，通过损失函数计算网络重建像素矩阵与标签像素矩阵之间的平均绝对误差，经过反向传播计算网络权重以逼近每个像素的真值。所述S5中ECT图像重建过程为：首先采集一组封闭未知管道管壁的电容向量数据；然后对训练好的反卷积网络输入该组电容向量数据，反卷积网络快速输出一张高质量的管道内部截面灰度图像，该张图像反映管内两相流的真实分布。本专利技术的有益效果是：(1)本专利技术使用反卷积网络后的ECT技术重建图像的质量优于Landweber、Tikhonov，能快速呈现管道内部截面的2D图像，便于监测人员观测分析两相流体的运动规律。(2)本专利技术利用反卷积网络提取两相流分布的空间特征，增加了空间特征提取，对于局部高精度应用场景，无需敏感场先验即可实现高精度的图像重建。附图说明图1为本专利技术基于反卷积网络的ECT图像重建方法流程示意图；图2为本专利技术成像区域二值分布示意图；图3为本专利技术S2中的部分训练集展示示意图；图4为本专利技术模型A(a)与模型B(b)的网络结构图；图5为本专利技术算法重建结果示意图。具体实施方式为更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳的实施例，对依据本专利技术申请的具体实施方式、结构、特征及其功效，详细说明如下。实施例一如图1所述，一种基于反卷积网络的ECT图像重建方法，其特征在于，包括如下步骤：S1、通过反卷积网络求解式，建立ECT图像重建的数学模型；S2、随机生成几何参数搭建几何模型，制作标签数据和训练数据；S3、搭建反卷积网络模型；S4、用搭好的反卷积网络模型进行训练。S5、使用反卷积网络实现ECT图像重建。对于ECT问题，浅层全连接网络提取特征能力不足，非线性拟合能力不强；深层全连接网络参数过多，训练期间耗时严重，效率低下。故本专利技术提出反卷积网络求解式，与全连接网络不同的是，反卷积网络直接将电容向量变换为二维图像。在成像区域中，两相流分布具有一维像素向量无法表达的空间相关性，这是全连接网络必然无法学习到的特征。两相流是二值分布，两相边界在重建图像中的纹理结构并不复杂，因此可从像素矩阵角度观测特征。如图2所示为成像区域二值分布，其中(a)为俯视图；(b)为斜视图。所述S1中的反卷积网络求解式的求解过程为：反卷积网络方法的数学表达：式中，W(·)表示反卷积网络模型；λ是电容向量；是真实分布的像素矩阵；训练模型为：min||G-W(Λ)||式中，Λ表示样本集合，Λ＝[λ1,λ2,...,λN]；G表示标签集合，G＝[g1,g2,...,gN]；在训练过程中，反卷积网络模型的输入为Λ，输出为Gc，Gc＝W(Λ)；平均绝对误差损失(MAE)损失函数定义为：式中，N表示训练集样本总个本文档来自技高网...

【技术保护点】
1.一种基于反卷积网络的ECT图像重建方法，其特征在于，包括如下步骤：/nS1、通过反卷积网络求解式，建立ECT图像重建的数学模型；/nS2、随机生成几何参数搭建几何模型，制作标签数据和训练数据；/nS3、搭建反卷积网络模型；/nS4、用搭好的反卷积网络模型进行训练。/nS5、使用反卷积网络实现ECT图像重建。/n

【技术特征摘要】
1.一种基于反卷积网络的ECT图像重建方法，其特征在于，包括如下步骤：
S1、通过反卷积网络求解式，建立ECT图像重建的数学模型；
S2、随机生成几何参数搭建几何模型，制作标签数据和训练数据；
S3、搭建反卷积网络模型；
S4、用搭好的反卷积网络模型进行训练。
S5、使用反卷积网络实现ECT图像重建。


2.按照权利要求1所述的一种基于反卷积网络的ECT图像重建方法，其特征在于，所述S1中的反卷积网络求解式的求解过程为：
2.1、反卷积网络方法的数学表达：



式中，W(·)表示反卷积网络模型；λ是电容向量；是真实分布的像素矩阵；
2.2、训练模型为：
min||G-W(Λ)||
式中，Λ表示样本集合，Λ＝[λ1,λ2,...,λN]；G表示标签集合，G＝[g1,g2,...,gN]；在训练过程中，反卷积网络模型的输入为Λ，输出为Gc，Gc＝W(Λ)；
2.3、平均绝对误差损失(MAE)损失函数定义为：



式中，N表示训练集样本总个W(λ(i))数，分别表示真实像素矩阵和网络模型输出的像素矩阵。


3.按照权利要求1所述的一种基于反卷积网络的ECT图像重建方法，其特征在于，所述S2随机生成几何参数包括：在泡流模型中随机生成的几何参数有：泡状离散相介质的半径、圆心坐标；在层流模型中随机生成的几何参数有：层状离散相介质的“液位”高度；在环流模型中随机生成的几何参数有：环状离散相介质的内径，外径。
<...

【专利技术属性】
技术研发人员：秦学斌，纪晨晨，王卓，李明桥，申昱瞳，刘浪，王湃，张波，王美，赵玉娇，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西;61