(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111565814.6 (22)申请日 2021.12.21 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 韩文双　李岩　姚文杰　 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 11/00(2006.01) (54)发明名称 一种基于空洞卷积神经网络ECT二维图像重 建方法 (57)摘要 本发明公开了一种基于空洞卷积神经网络 ECT二维图像重建方法， 主要对封闭管道内进行 相流进行测量， 通过电容传感器获取管道内被测 相流流动的介质的电容值， 并且本文主要采用基 于ANSYS18.0软件进行ECT传感器的模型设计， 对 管道内相流进行电容值的检测。 传统ECT技术图 像重建算法， 都是利用表征电容测量值与被测区 域介电常数分布关系的灵敏度分布， 计算图像对 应位置的像素灰度值。 但灵敏度分布 易受被测多 相流介电常数分布的影 响， 在被测区域内分布不 均匀， 在空洞卷积神经网络上得到很好的效果， 在卷积神经网络的卷积层和全链接层加入非线 性激活函数能够很好的应用在电容值和被测区 域的这种非线性关系。 能够高度实现二维管道图 像重建。 权利要求书1页 说明书3页 附图1页 CN 114429061 A 2022.05.03 CN 114429061 A 1.如权利要求1所述的一种基于空洞卷积神经网络ECT二维图像重建方法， 其特征在 于， 目前ETC电极极板的个数一般在8电极、 12电极、 16电极， 电极数目越多ETC系统的性能越 好， 本次ECT系统选取的是24电极结构， 并且采用基于ANSYS18.0有限元划分软件建立电容 值测量的传感器， 对其24电极进行从1到24进行编号， 采用一个激励电极， 被施加极板作为 激励电极， 对于N个电极板的系统， 可得到单独电极总数N ×(N‑1)/2， 根据24电极能得到276 个电容值。 2.如权利要求1所述的一种基于空洞卷积神经网络ECT二维图像重建方法， 其特征在 于， ECT系统传感器的软场特性， 敏感场的分布与介质的分布有关， 在ECT的图像重 建的正问 题采用有限划分法。 3.如权利要求1所述的一种基于空洞卷积神经网络ECT二维图像重建方法， 其特征在 于， C++和APDL语言混合编程建立样本数据， ANSYS18.0参数设计语言APDL通过模型参数变 量建立分析模型的脚本语言， 利用C+ +内核运算的速度快， 进一 步扩大数据集。 4.如权利要求1所述的一种基于空洞卷积神经网络ECT二维图像重建方法， 其特征在 于， ECT系统检测测量的电容值会受到周围环境的干扰， 进而导致传感器测量的误差， 采用 非线性小波变换阈值处理， 系统所测量的电容值在时间域上是连续的， 小波系数较大， 而周 围环境的干扰信号是随机出现的， 在时间域上不连续， 因此小波系数较小， 所以通过设置小 波系数的阈值， 小于该阈值 为噪声， 大于该阈值的为电容 值信号量。 5.如权利要求1所述的一种基于空洞卷积神经网络ECT二维图像重建方法， 其特征在 于， ECT系统图像重建， 空洞卷积神经网络是向卷积层提供一个扩张率的参数， 主要是定义 卷积核的处理， 在传统卷积神经网络中， 要不断的降维运算， 降低图像的精度， 如果增大卷 积核提高图像精度， 就会造成计算量庞大进 行影响检测的速度， 利用空洞卷积神经网络， 不 在使用池化层， 池化层会信息丢失， 空洞卷积神经网络在保持卷积层不变的情况下增加感 受野保持原由 的图像精度不变。权　利　要　求　书 1/1 页 2 CN 114429061 A 2一种基于空洞卷积神经 网络ECT二维图像重建 方法 技术领域 [0001]本发明属于电容层析成像技术领域， 涉及一种基于空洞卷积神经网络ECT二维图 像重建方法。 背景技术 [0002]ECT系统的传感器设计， 主要是基于原有在8电极和12电极传感器设计提出来的一 种24电极传感器， ECT系统的欠定问题， 主要就是因为测量的电容值数量要小于图像重 建的 像素点， 12电极所测量的电容值66个电容， 而24电极的传感器 设置， 可测量276电容值， 能够 尽量去减少电容值少 于图像重建的像素点的差距， 进而保证图像重建的精准度， 数据集的 获得主要是运用C++和APDL语言混合编程得到， 运用ANSYS18.0脚本语言， 导入到C++程序 中， 进行循环执行获得更多随机的电容值， 进而作为ECT系统的中图像重建算法的导入数 据， 基于空洞卷积神经网络， 在卷积层和全连接层  采用Relu激活函数， 在输出层常用的 Sigmod函数并且配合加交叉熵损失函数， 计算损失， 空洞卷积神经网络， 向卷积层提供一个 扩张率的参数该参数主要 是定义卷积核处理数据各个值之 间的间距， 并且 该结构布在应用 Pooling层， 因为Pooling层导致信息损失， 不能提供更大的感受野， 进而不能获取更多的特 征信息， 通常卷积神经网络主要问题是池化层不不可以学习的， 内部数据结构 丢失， 层级信 息丢失， 小物体的信息无法进行重建， 然后空洞卷积神经网络就有内部数据结构的保留和 避免DOWN‑SMAPLING这样的特性。 发明内容 [0003]本发明的目的在于针对ECT系统中的欠定问题和软场特性导致图像重建的精度低 的问题， 提出了一种基于空洞 卷积神经网络ECT二维图像重建方法， 以提高ECT系统的图像 重建的精度。 [0004]本发明技术方案如下： 为解决上述技术问题， 本发明提供一种基于空洞卷积神经 网络ECT二维图像重 建方法， 主要用于处理ECT系统的欠定问题， 测量的电容值少的问题， 利 用空洞卷积神经网络解决电容值和图像重建的像素之间的非线性关系， 该实现包括， 电容 值通过24电极传感器测量， 能够测量测出 更多的电容 值， 解决E CT的欠定问题。 [0005]其中， 在利用ANSYS18.0进行测量电容值时， 只能一组测量运算慢， 然后结合C ++和 ANSYS中的AP DL脚本语言进行对数据集的扩展。 [0006]其中， ECT检测系统测量的电容值会受到周围环境的电磁干扰、 传感器测量误差等 的影响， 导致电容测 量值与理论值较大差别， 因此首先利用小波阈值减少环境噪声对电容 测量值的影响， 尽可能的恢复被噪声污染前的电容测量值， 当ECT检测系统测量时间忽略不 计时， 可以将系统测 量的电容值在时间域看成连续函数， 那么经过小波变换电容测 量值在 时间域上小波系数的模较大， 而噪声信号是随机出现的， 在时间域上不连续， 因此小波系数 的模较小， 所以通过设置小波系 数模的阈值， 认为小于该阈值的小波系 数都是由噪声引起 的， 去除此系数并保留大于阈值的系数， 再利用小波逆变换重 建电容测量信号， 重 建后的信说　明　书 1/3 页 3 CN 114429061 A 3