一种基于一维卷积神经网络的电容层析图像重建方法技术

本发明专利技术涉及一种基于一维卷积神经网络的电容层析图像重建方法，该方法属于电容层析成像领域，由于电容层析成像系统的电容独立测量的数量少，因此研发一种基于一维卷积神经网络的电容层析图像重建方法，进而更好地读取数据特征，其包括步骤如下：步骤1构建12电极电容层析成像系统模型，通过有限元仿真获得六种典型流型的样本，得到66个独立电容值；步骤2将步骤1得到的电容值结果，将其归一化后作为一维卷积神经网络的输入；步骤3将步骤2得到的数据进行卷积，网络含有两个卷积层，快速提取特征，降低特征维度；步骤4将步骤3卷积后的数据经池化层，将特征下采样2倍；步骤5经过步骤4通过全连接层实现对特征的分类或回归；步骤6输出层输出重建图像各像素的灰度值。本发明专利技术的有益效果是提高电容层析成像的图像精度，使其更接近真实图像。实图像。实图像。

【技术实现步骤摘要】
一种基于一维卷积神经网络的电容层析图像重建方法

：
[0001]本专利技术涉及一种基于一维卷积神经网络的电容层析图像重建方法，该方法属于电容层析成像领域。

技术介绍
：
[0002]电容层析成像技术为一种用于两相流或多相流参数测量的可视化测量技术，电容层析成像的质量决定了能否应用在工业中。因为电容层析成像技术具有非侵入、结构简单、成本低、响应速度快、安全性能好和适用范围广等优点，被认为是过程层析成像技术研究好发展的主流。由于电容层析成像系统的电容独立测量的数量少，因此研发一种基于一维卷积神经网络的电容层析图像重建方法，进而更好地读取数据特征。

技术实现思路
：
[0003]本专利技术的目的是为了解决现有技术存在的缺点，而提出的一种基于卷积神经网络的电容层析图像重建方法。
[0004]为了实现上述目的，本专利技术采用了如下技术方案：
[0005]1.基于一维卷积神经网络的电容层析图像重建方法，该方法包括以下步骤：
[0006]步骤1构建12电极电容层析成像系统模型，通过有限元仿真获得六种典型流型的样本，得到66个独立电容值。
[0007]步骤2将步骤1得到的电容值结果，将其归一化后作为一维卷积神经网络的输入。
[0008]步骤3将步骤2得到的数据进行卷积，网络含有两个卷积层，快速提取特征，降低特征维度。
[0009]步骤4将步骤3卷积后的数据经池化层，将特征下采样2倍。
[0010]步骤5经过步骤4通过全连接层实现对特征的分类或回归。
[0011]步骤6输出层输出重建图像各像素的灰度值
[0012]2.根据权利要求1所述基于一维卷积神经网络的电容层析图像重建方法，所述步骤1中具体步骤为：
[0013]步骤1
‑
1构建核心流、环状流、层流、1/4层流、1/2层流、3/4层流六种典型流型。
[0014]步骤1
‑
2对每种流型随机生成5000个训练样本，6种流型共计30000个训练样本。
[0015]步骤1
‑
3将选好的流型样本通过有限元仿真计算，获得每种流型样本对应的66个独立电容值。
[0016]3.根据权利要求1所述基于一维卷积神经网络的电容层析图像重建方法，所述步骤2中：
[0017]将66个独立测量电容值归一化处理，随机选取4990个作为训练样本，共计29940个训练样本，其余60个作为测试集。
[0018]4.根据权利要求1所述基于一维卷积神经网络的电容层析图像重建方法，所述步骤3中具体步骤为：
[0019]步骤3
‑
1卷积层1采用32个卷积核，卷积核尺寸为1
×
3。
[0020]步骤3
‑
2卷积层1采用64个卷积核，卷积核尺寸为1
×
3。
[0021]5.根据权利要求1所述基于一维卷积神经网络的电容层析图像重建方法，所述步骤4中：
[0022]池化层1和2均为最大池化层，且使用1
×
2的窗口，步长为1.
[0023]6.根据权利要求1所述基于一维卷积神经网络的电容层析图像重建方法，所述步骤5中：
[0024]输出层采用非线性激活函数Sigmoid，其数学表达式为：
[0025]附图说明：
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实例，对于本领域普通人员来讲在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本专利技术提出的一种基于一维卷积神经网络的电容层析图像重建方法的工作流程图。
[0028]图2为本专利技术提出的一种基于一维卷积神经网络的电容层析图像重建方法的一维卷积神经网络图。
[0029]图3管道内流体为核心流时不同算法的成像结果对比。
[0030]图4管道内流体为环状流时不同算法的成像结果对比。
[0031]图5管道内流体为双泡流时不同算法的成像结果对比。
[0032]图6管道内流体为层流时不同算法的成像结果对比。
[0033]图7管道内流体为1/4层流时不同算法的成像结果对比。
[0034]图8管道内流体为3/4层流时不同算法的成像结果对比。
具体实施方式：
[0035]为了使本专利技术的目的、技术方案和优点更加清楚、下面将结合本专利技术实施例中的附图对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所述描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]本专利技术实施基于一维卷积神经网络的电容层析图像重建方法，专利技术包括以下几个步骤：
[0037]步骤1由于介电常数分布无法解析表达式，故采用有限元进行数值求解ECT正问题，仿真参数为：12电极传感器，管道内径、外径及屏蔽层直径分别为120mm，150mm及170mm，采用三角形网格进行划分。
[0038]步骤2将步骤1得到的电容值结果，其中归一化的电容值为灵敏度分布矩阵和图像灰度矩阵的乘积，其公式为：
[0039]C
M
×1＝S
M
×
NG
N
×1[0040]其中C
M
×1为电容测量值向量，S表示灵敏度分布矩阵，G为图像灰度矩阵。将其归一化后的数据C
M
×1作为一维卷积神经网络的输入。
[0041]步骤3将步骤2得到的数据进行卷积，网络含有两个卷积层，卷积层1和卷积层2分别用了32和64，每个卷积核的尺寸均为1
×
3，进而实现快速提取特征、降低特征维度以及提取不同的特征含义的目的，卷积层1和2采用ReLU激活函数，其数学表达式如下：
[0042]f(x)＝max(0,x)
[0043]该式的作用是将输入中大于零的数据保留下来，对于小于零的数据置为零。
[0044]步骤4将步骤3卷积后的数据经池化层，将特征下采样2倍，池化层1和2均为最大池化层，使用1
×
2且步长为1。
[0045]步骤5经过步骤4通过全连接层实现对特征的分类或回归，全连接层采用ReLU激活函数，将经过池化层的数据大于零的数据保留下来，小于零的数据清零。
[0046]步骤6输出层输出重建图像各像素的灰度值，输出层采用常用的非线性激活函数Sigmoid，其数学表达式为：
[0047][0048]其中x的范围为负无穷到正无穷，其对应的f(x)的取值在[0,1]之间，该激活函数可以使其预测值的数据分布在[0,1]之间，通过训练更容易得到图像的灰度值。
[0049]为了验证本专利技术一种基于一维卷积神经网络的电容层析图像重建方法，使用PC配置为Inte本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于一维卷积神经网络的电容层析图像重建方法，该方法包括以下步骤：步骤1构建12电极电容层析成像系统模型，通过有限元仿真获得六种典型流型的样本，得到66个独立电容值。步骤2将步骤1得到的电容值结果，将其归一化后作为一维卷积神经网络的输入。步骤3将步骤2得到的数据进行卷积，网络含有两个卷积层，快速提取特征，降低特征维度。步骤4将步骤3卷积后的数据经池化层，将特征下采样2倍。步骤5经过步骤4通过全连接层实现对特征的分类或回归。步骤6输出层输出重建图像各像素的灰度值。2.根据权利要求1所述基于一维卷积神经网络的电容层析图像重建方法，所述步骤1中具体步骤为：步骤1
‑
1构建核心流、环状流、双泡流、层流、1/4层流、3/4层流六种典型流型。步骤1
‑
2对每种流型随机生成5000个训练样本，6种流型共计30000个训练样本。步骤1
‑
3将选好的流型样本通过有限元仿真计算，获得每...

【专利技术属性】
技术研发人员：朱紫滢，关小蕊，张兴宾，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：