电容层析成像图像重建方法、模型、设备及存储介质技术

本发明专利技术提供了一种电容层析成像图像重建方法、模型、设备及存储介质，其中电容层析成像图像超分辨率重建方法，包括：采用第一级神经网络，进行由电容向量到低分辨率介质分布的非线性图像重建，其中第一级神经网络的输入为归一化电容向量重新排列所得的电容矩阵；第一级神经网络的输出为S1×

【技术实现步骤摘要】
电容层析成像图像重建方法、模型、设备及存储介质


[0001]本专利技术涉及一种电容层析成像
，具体是一种电容层析成像图像重建方法、模型、设备及存储介质。

技术介绍

[0002]对于电容层析成像（Electrical Capacitance Tomography，简称ECT）系统，空间分辨率是指重建图像中可区分最小像素单元的尺寸，像素单元越小，数量越多，系统空间分辨率越高。
[0003]电容层析成像技术是利用多相介质具有不同的介电常数，通过阵列电极电容变化反映管道中的多相介质分布变化，从而实现多相流动可视化图像重建。ECT技术具有非侵入性、传感器结构简单、成本低、响应速度快、适用范围广和安全性能高等优点，广泛应用于绝缘介质的多相流动过程检测。
[0004]但是相比于其他过程层析成像技术，如光学层析成像、辐射层析成像等，电容层析成像技术的空间分辨率较低，成像质量较差。导致ECT空间分辨率较低的因素主要有两点：一是独立电容测量值数量远少于重建图像像素单元数量，即“病态”特性；二是传统重建算法对于电容向量与介质分布之间非线性关系的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电容层析成像图像重建方法，其特征在于，包括：采用第一级神经网络，进行由电容向量到低分辨率介质分布的非线性图像重建，其中第一级神经网络的输入层为归一化电容向量重新排列所得的N
×
N维电容矩阵，N为电极数量；第一级神经网络的输出为S1×
1维介质分布列向量，S1为低分辨率介质分布图像的像素单元数量；采用第二级神经网络，进行由低分辨率介质分布到高分辨率介质分布的图像超分辨率重建；其中，第二级神经网络的输入为第一级神经网络的输出，第二级神经网络的输出为S2×
1维介质分布列向量，S2为高分辨率介质分布图像的像素单元数量。2.根据权利要求1所述的电容层析成像图像重建方法，其特征在于，所述第一级神经网络为第一级卷积神经网络，包括输入层、上采样层、卷积层、全连接层以及输出层；输入层为归一化电容向量重新排列所得的N
×
N维电容矩阵；在输入层后对输入电容矩阵进行反池化上采样以扩充数据维度；卷积层采用二维卷积，设置m1个n1×
n1维卷积核，卷积核步长为1；全连接层位于卷积层后，通过l1个神经元对卷积后的高度抽象化特征进行整合，最终输出S1×
1维介质分布列向量。3.根据权利要求2所述的电容层析成像图重建方法，其特征在于，在所述第一级卷积神经网络的卷积层与全连接层后均添加Dropout层，用于在训练时随机删除部分神经元及其连接，增强网络的泛化能力。4.根据权利要求1所述的电容层析成像图像重建方法，其特征在于，所述第二级神经网络为第二级卷积神经网络，包括输入层、卷积层、池化层、全连接层和输出层；输入层为重建出的S1×
1维低分辨率介质分布列向量；卷积层采用一维卷积，设置m2个n2×
1维卷积核，卷积核步长为1；池化层采用一维最大值池化，将列向量的长度缩短为原来的1/2；最后通过全连接层的l2个神经元与输出层各节点连接，输出S2×
1维介质分布列向量。5.根据权利要求4所述的电容层析成像图像重建方法，其特征在于，在所述第二级卷积神经网络的卷积层与全连接层后设置Dropout层。6.一种电容层析成像图像重建模型，其特征...

【专利技术属性】
技术研发人员：李健，许传龙，汤政，张彪，
申请(专利权)人：东南大学，
类型：发明
国别省市：