[发明专利]信息流与梯度流增加的深度V型密集网络成像方法

说明书

本发明涉及一种信息流与梯度流增加的深度V型密集网络成像方法，包括下列步骤：步骤1：建立训练与测试网络模型的数据库：建立层析成像传感阵列仿真模型；采集含有内含物的边界测量序列、参考场的边界测量序列以及仿真模型设定含有内含物的介质分布图片；步骤2：修改U‑Net网络结构，并添加4个密集块，构建VDN‑IIFGF成像网络；步骤3：网络模型训练：训练集样本的边界电压差值归一化序列为VDN‑IIFGF成像网络的输入，仿真设置的介质分布图片为监督学习的标签与VDN‑IIFGF成像网络预测的介质分布图片作为损失函数的两个自变量；实现被测场域中内含物介质分布的成像。

技术领域

本发明提出一种含有4个密度块33层的新型监督式深度网络结构，用于电学层析成像图像重建。

背景技术

电学层析成像技术是基于电阻抗、电感、电容等不同电特性敏感机理的过程层析成像技术。电学层析成像系统主要由传感器、数据采集单元和图像重建算法三部分组成。图像重建即电学成像的逆问题是电学层析成像技术的重要分支，重建算法的求解精度、成像速度及抗噪性等关键问题均是研究的重要内容。近几十年，针对图像重建的不同问题，已经提出与发展了以三种框架为基础的许多图像重建方法。针对图像重建问题的本质非线性，主要是将非线性问题线性化，线性化后的图像重建问题表达更加简洁，有成熟的最优化理论做理论支撑，大部分成像算法是基于线性框架进行图像重建，如谢成刚等人1989年在《IEE Proceedings A-Physical Science,Measurement and Instrumentation,Management and Education(物理科学、测量与仪器、管理与教育-会议论文集)》第136卷，173-183页发表的“8-electrode capacitance system for two-component flowidentification(8电极电容双组分流动辨识系统)”中采用的LBP图像重建算法；当一阶线性近似模型不足以反映问题的非线性时，出现了迭代线性化类算法，如杨武强等人1999年在《Measurement Science and Technology(测量科学与技术)》第10卷，1065-1069页发表的“An image-reconstruction algorithm based on Landweber's iteration methodfor electrical-capacitance tomography(一种基于Landweber迭代重建的电容层析成像图像重建)”，此类迭代线性化算法重建精度较高，但计算效率低；正则化类方法是解决病态性问题的通用框架，如许燕斌等2016年在《Flow Measurement and Instrumentation(流量测量与仪器)》第50卷，1-12页发表的“An adaptive Tikhonov regularization parameterchoice method for electrical resistance tomography(一种用于电阻层析成像的自适应Tikhonov正则化参数选择方法)”，论文中人工经验提取的先验正则化信息有限使得该方法的成像范围与成像精度受限。传统的基于线性化框架、迭代框架、正则化框架的成像算法不能兼顾成像速度与成像精度，不能满足工业过程的要求。