电容层析成像图像重建与流型辨识方法研究
在工业应用中，操作人员时常需要了解封闭管道或机器内部的介质流动情况，从而对工业过程采取适当的测量、分析以及控制方法。而非可视环境内的物质流动一般都是混合流的流动，探测困难。经过多年研究与发展，电容层析成像技术（ElectricalCapacitanceTomography，ECT）应运而生，该技术可以很好地解决此类问题，同时具有非侵入性好、安全性高、稳定性强以及成像速度快等优点，是一种理想的无损检测手段。本文以12电极ECT系统为研究对象，对电容层析成像技术中的图像重建、流型辨识和流型参数预测展开研究，主要内容如下： 论述了电容层析成像技术的组成原理，并通过数学模型和仿真实验推导ECT技术的正问题及反问题解法。首先，介绍了ECT系统的结构及工作原理，并通过正问题求解方法搭建仿真实验。然后，对反问题的求解方法进行理论推导，并定性分析经典图像重建算法的优缺点。最后，通过仿真实验定量分析线性反投影LBP算法、Tikhonov正则化算法、Landweber迭代算法和共轭梯度CG算法四种经典算法的性能，并指出其共同问题。为本文图像重建与流型辨识方法的研究提供基础。 图像重建中使用深度学习技术时，易受优化方法影响使得图像重建精度不高，针对此问题本文提出了一种采用麻雀搜索算法优化深度信念网络的ECT图像重建算法。分析测量电容值的非线性及不适定性问题，采用改进深度信念网络对其进行处理。考虑到深度信念网络存在随机权值及容易陷入局部极值问题，引入改进麻雀搜索算法对其进行优化，从而建立电容值向量与图像灰度值的函数关系。实验中通过五种图像重建算法的进行对比，结果表明，本文算法能够有效提高图像重建精度。 流型辨识中寻找有效特征困难，噪声对识别率影响较大，针对以上问题本文提出了一种基于分形维数及多特征的ECT流型辨识方法。首先，对电容值数据的分形特性进行分析，计算分形维数并划分维数区间，根据流型落入不同区间实现流型辨识，实验结果表明，该方法可以有效区分层流、核心流和滴流。在此基础上，分析并提取流型数据中的6种有效特征，并与分形特征组成7维特征向量。同时，考虑到支持向量机随机参数可能使分类效率降低问题，引入麻雀搜索算法对其进行优化，接着将特征向量输入支持向量机实现流型辨识。实验中通过六种流型辨识方法进行对比，结果表明，本文方法可以实现6种典型流型的准确识别且鲁棒性较好。 预测模型复杂度对流型参数预测的准确度及时间影响较大，针对此问题本文提出了一种采用主成分分析技术和粒子群算法对极限学习机进行优化的ECT流型参数预测模型。首先，分析了测量电容值之间冗余特性，并采用主成分分析法对样本数据进行降维，得到彼此无关的综合因子。然后，由于极限学习机收敛性能受随机参数影响问题，采用改进粒子群算法对其进行优化，接着将降维后的综合因子输入优化后的极限学习机实现流型辨识。在此基础上，引入已知流型参数作为先验条件对上述模型进行训练。最后，将测试样本输入预测模型实现流型参数预测。实验中通过四种参数预测方法进行对比，结果表明，本文方法能够有效提高流型参数预测准确度且预测时间较短。
电容层析成像;图像重建;流型辨识;深度信念网络;麻雀搜索算法
哈尔滨理工大学
博士
计算机应用技术
陈德运
2022
中文
TP391.41
2023-08-29（万方平台首次上网日期，不代表论文的发表时间）