一、电容层析成像算法的比较（论文文献综述）
梁鹏远[1]（2021）在《面向非金属材料缺陷检测的平面电容传感器设计与优化研究》文中研究表明
叶嘉琪[2]（2021）在《基于稀疏成像的超分辨率增强算法的研究》文中认为电容层析成像方法（ECT）是一种重要的断层扫描成像技术,在非接触式医学诊断、多相流成像等领域具有巨大的研究价值。其具有成像速度快,设备成本低的优点。但由于其应用设备通常存在传感器极板布置少,成像系统的成像效果较差,分辨率和精度较低的问题。本文在电容层析成像的原有成像算法基础上提出一种基于图像超分辨率的重建方法,取得了一系列的研究成果:（1）数据集分别采用人体头部仿真的高采样率图像做标签数据,用低采样率的图像数据做输入数据。改进了传统图像超分辨率算法训练中高清标签图像和降采样后的低清输入图像间图像信息差异小的问题,改善了直接迁移学习超分辨率算法时精度提升不大的问题。（2）采用较简单的IDN模块做特征提取,在保证ECT的轻量级优势的同时改善大部分超分辨率模型过深的设计导致的梯度消失的问题。同时也间接缓解了网络层数深度与过拟合之间的矛盾。（3）提出了一个新型的损失函数用于提高恢复精度。设计目标是在恢复图像的过程中,模型不能脱离输入的基础而无规则地生成高分辨率图像。同时,保证模型只修改高低采样率间有差异的地方,对无差异的地方减少修改。通过实验证明本文的方法对电容层析成像（ECT）图像重建可以获得更高的峰值信噪比（PSNR）,在实验数据集上达到了 34 dB以上的效果。
杨健[3]（2021）在《弧形介质分布ECT图像重建及传感器优化》文中进行了进一步梳理在实际的工业生产过程当中,时常会遇到两种或两种以上的物体混合共同流动的工况,这一现象一般被学术界还有工业界称为多相流。而目前能够解决两相流中的过程检测的重要手段就是被广泛应用的过程层析成像（Process Tomography,PT）技术。电容层析成像（Electrical Capacitance Tomography,ECT）这种技术就是过程层析成像技术的一种,它具有高精度和非侵入性,成本低,结构简单等诸多优点。只要各相的介质之间具有不同的介电常数,都可以应用该技术,其原理是利用安装于被测装置上的一系列传感器阵列电极板,形成了可从不同角度扫描被测物场空间的敏感场,并根据被测物场中不同的介质具有不同的介电常数这一特性,进而实现了对物场分布不完整信息的提取,再利用合适的图像重建算法,对管道内被测物场的各相分布以一种可视化的图像形式进行恢复。本文主要通过改善敏感场来提高重建图像的质量,联合使用Ansys Maxwell,C++和Matlab进行研究,本论文的主要的研究工作还有成果如下:（1）对ECT技术进行了简单的原理介绍,对ECT系统的组成还有数学原理中的正逆问题进行了数学解释。针对特定模型设计了 36电极的弧形电容传感器。对传统的成像算法进行了介绍,并对典型算法进行了一般流形下的图像重建分析。（2）由于敏感场具有“软场”特性,因此在实际的环境下,敏感场会随着介质的改变而改变,但敏感场理论上是不希望被改变的,因此本文通过改变被测区域内介质的摆放位置测得各个位置的电容值,并通过电容值和灵敏度矩阵还有介电常数分布矩阵的关系来求得理想状态下固定不变的敏感场,并以新旧方法所成敏感场为基础进行了重构图像分析优劣性。（3）当传感器为长条形时,被测区域存在极端化的情况,例如过长,过窄,不规则等等,并基于横跨测量区域两端的电极信号的极低的信噪比会降低整体的测量精度,继而造成部分测量区域的劣质信号这一现象,对36极板的传感器的边缘相距较远的极板进行了敏感场的优化处理,并以优化前后的敏感场为基础进行了弧形物体的图像重建,并使用误差分析对比其优劣性。
陈峰[4]（2021）在《电容层析成像系统传感器设计与图像重建》文中认为电容层析成像（Electrical Capacitance Tomography,简记ECT）技术是一种计算机断层扫描技术。该技术对封闭空间施加交变激励电压,被测物场中的导电介质产生感应电荷,均匀分布在封闭空间外部的电极从多个角度采集电容数据,再利用电容数据和灵敏度矩阵来重建封闭空间内导电介质的物质分布。ECT技术以非辐射、非侵入、耐高温、成本低、易获取过程参数等优点,被广泛应用于多相流检测和燃烧可视化检测等领域,是一种理想的无损检测技术。ECT系统的性能取决于传感器采集精度和图像重建的求解精度和速度,本文基于12电极ECT系统,对传感器设计与图像重建等关键问题展开研究,主要内容如下:详细论述了ECT系统工作原理和系统组成,对ECT的数学模型进行推导,对传感器结构进行分析,采用有限元分析法建立了测量电容值与灵敏度矩阵的关系,推导出图像重建的求解模型,为ECT系统的传感器设计和图像重建建立理论基础。针对传感器结构参数对数据采集精度的影响,首先建立了传感器敏感场的数学模型,在改变传感器激励模式、极板宽度、极板张角、径向屏蔽电极和绝缘填充材料等参数后,从静电场分布、“软场”效应等方面分析了传感器性能的变化,根据各物理参数的最优解设计了传感器。通过图像重建结果验证,优化后的传感器具有更高的性能。针对ECT系统中传感器装置对系统精度的影响,设计了一种基于光敏触发的传感器,同时采用了传输光信号和屏蔽电磁波的光窗结构,提供了电磁屏蔽和光敏元器件的保护功能。对ECT系统的数据采集模块进行分析,针对杂散电容对传感器性能的干扰,引入了内部等电驱动电缆屏蔽技术,并采用双T型开关矩阵与数字解调技术。实验结果表明,基于光敏传感器的ECT系统提高了图像的信噪比,增强了电容的输出灵敏度。为提高图像重建精度,提出了一种基于超分辨率图像特征提取的ECT快速图像重建算法。采用超分辨率图像重建模型获得超分辨率图像,基于倒角距离函数提取超分辨率的图像特征。计算图像边缘特征,以重心为极点进行极化,获得振幅直径曲线上边缘的局部极限点,确定超分辨率图像的特征点,实现了图像重建。实验结果表明,该算法可快速提取超分辨率图像特征,并有效控制了图像重建过程中边缘化效应问题。针对流型辨识总体准确率不高的问题,采用偏最小二乘方法,以12电极ECT系统正问题仿真得到的多组电容值为原始数据,基于层流、单滴流、核心流、环流4种典型流型训练了分类模型,并利用该模型实现了流型辨识。与二次判别分析和线性判别分析等分类算法相比,采用偏最小二乘方法融合线性判别分析方法具有较高的总体分类准确率。
李长棣[5]（2021）在《基于图神经网络的ECT图像重建算法研究》文中研究表明电容层析成像（Electrical Capacitance Tomography Technology,ECT）是在20世纪80年代逐渐发展起来的一种多相流检测技术,它通过测量管道外围电极间的电容值来计算管道内部物质介电常数的分布。电容层析成像作为一种具有很大发展前景的工业新兴技术,它以其低成本、响应快、非侵入、结构简单等特点,在石油、化工等诸多工业领域广泛应用,同时近几年也成为专家学者研究的热点之一,但在实际应用中ECT系统存在非线性问题仍然尚未完全解决,造成ECT系统图像重建效果难以满足工业需求,为克服ECT图像重建系统存在的问题,针对ECT图像重建算法的深入探究是解决问题的关键,未来仍需更多专家学者深入学习研究该技术。本文针对上述问题,在查阅国内外诸多相关参考文献的基础上,基于ECT图像重建的基本理论,详细阐述图神经网络（Graph Neural Networks,GNN）理论思想,并结合图神经网络思想,提出一种基于图神经网络的ECT图像重建新型算法,本文主要完成以下几个任务:1.首先详细分析了本文的选题研究背景以及研究的意义,并介绍过程层析成像技术基本原理以及分类,总体概括ECT系统国外以及国内发展现状,且阐述几种传统经典的图像重建算法,并对其算法优缺点进行分析比较。2.然后详细介绍ECT系统的结构组成及基本原理,并基于电磁学麦克斯韦方程建立的数学模型,通过利用COMSOL有限元软件,对ECT系统进行仿真计算,进而求解电容传感器电极间的电容数据以及灵敏度场,为后续ECT图像重建提供先验信息。3.针对ECT图像重建非线性问题,本文通过邻接矩阵来真实反映ECT图像像素间存在的相互影响,提出一种ECT图像邻接矩阵的构建方法。首先对ECT系统进行理论研究,通过研究发现ECT系统物场分布与电容传感器输出具有非线性关系,通过仿真实验验证ECT系统存在非线性关系的正确性。然后对ECT图像邻接矩阵构建问题进行研究,由于其非线性关系主要体现在像素灰度之间相似程度及像素间距离上,据此构建ECT图像邻接矩阵,为后续基于图神经网络进行ECT图像重建做准备。4.针对利用传统ECT图像重建算法存在重建图像精度不高问题,提出一种基于图神经网络的ECT图像重建新型算法,通过提取大量多样的流型样本作为网络训练集,建立网络模型,通过Landweber算法重建图像作为网络初始输入,利用GNN网络模型对不同种类流型进行ECT图像重建,最后输出重建图像。5.最后通过仿真实验,引入两个常用的图像评价指标图像误差和相关系数来进行图像质量评价,通过实验仿真结果比较分析,本文算法相比传统算法图像重建结果的图像误差更小且相关系数更大。由此可见,本文算法可以更好提高图像重建质量,进一步证明了图神经网络在ECT图像重建系统中的可行性和有效性。
穆哲[6]（2021）在《电容层析成像图像重建算法研究》文中进行了进一步梳理电容层析成像（Electrical Capacitance Tomography,ECT）是一种电学过程层析成像技术。该技术可根据测量所得的电容值反演出被测场域内的流体截面图像,因其具有无辐射、非侵入、成本低和可视化等特点,被国内外学者广泛关注并研究。目前,针对ECT技术的研究主要集中在电容传感器设计、数据采集系统优化和图像重建等方面。本文基于8电极电容层析成像系统,针对图像重建算法开展研究。在对比分析各类图像重建算法的基础上,针对Landweber算法在ECT图像重建中的典型问题,提出改进的梯度加速Landweber算法。为获取高质量的重建图像,将粒子群优化算法引入ECT图像重建中。本文主要工作内容包括:（1）对比分析了几种传统图像重建算法的原理及优缺点,结合ECT图像重建的原理模型对传统算法的计算公式进行推导,通过数值仿真实验对传统算法的性能进行对比分析,分析结果表明:Landweber算法在图像重建的速度和精度上取得了较好的折衷性。（2）针对Landweber算法收敛速度较慢且收敛不稳定的问题,首先对几种加速Landweber算法进行性能分析,然后依据级数理论对性能较好的梯度加速Landweber算法进行深入研究,通过构造残差矩阵并添加约束因子获得新的迭代公式,最后提出一种改进的梯度加速Landweber算法并将其应用于ECT图像重建中。数值仿真实验结果表明,所提算法可在获取稳定收敛特性的同时提高图像重建的速度与精度。（3）为获取高质量的重建图像,将粒子群优化算法用于ECT图像重建。首先在粒子群算法的基础上,采用惯性权重因子的非线性收敛策略调整粒子速度,提出非线性粒子群算法,然后利用正余弦优化算法的搜索策略对非线性粒子群算法进行改进,提出一种基于正余弦搜索策略的非线性粒子群算法并将其应用到ECT图像重建中,最后通过数值仿真实验验证了所提算法的有效性。
李照威[7]（2021）在《油气润滑ECT系统图像重建中秩亏问题研究》文中提出电容层析成像技术（ECT）承担了封闭的油气润滑管道中油气两相介质流动参数的实时检测的重要任务。ECT系统的图像重建过程中会产生典型的离散不适定问题,其秩亏、病态性以及ECT系统固有的“软场”效应属性都会对图像重建的效果产生严重影响。本文针对管径小、油膜薄和极板数增加受限等特点的油气润滑管道ECT系统,研究了系统图像重建的秩亏问题,主要结论如下:（1）建立了油气润滑ECT系统灵敏度矩阵的数学模型和仿真模型,分析了产生秩亏问题的主要原因及影响因素;针对灵敏度矩阵定义了秩亏数和相对秩亏率两个评价指标来分析其秩亏问题。结果表明,在油气润滑ECT系统的灵敏度矩阵中存在严重的秩亏问题。灵敏度矩阵秩亏问题的产生与油气润滑ECT系统的结构及应用特点有关,其中产生秩亏的根本原因是来自于系统传感器的检测数据的不足。（2）通过对传感器区域的灵敏场分析,证实了小管径油气润滑存在严重的软场效应,提出了软场效应的度量方式;在软场效应的前提下,运用定义的秩亏数和相对秩亏率,分析了图像重建中产生秩亏问题的原因和影响因素,并与未计入软场效应条件做了对比。结果表明,在计入软场效应的条件下,油气润滑ECT系统仍然存在严重的秩亏问题,但相较于未计入软场效应,系统灵敏度矩阵的秩亏将减小。（3）基于图像重建算法的原理,分析了LBP算法、Tikhonov正则化算法、共轭梯度算法及双共轭梯度算法的秩亏问题。建立了油气润滑主要流型为环状流的ECT系统的物理模型及有限元仿真模型,分别采用LBP算法、Tikhonov正则化算法、共轭梯度算法及双共轭梯度算法,对油气润滑ECT系统进行了图像重建,并以图像错误率（IME）和图像相关系数（CORR）为评价指标对图像重建结果进行了对比分析。结果表明,四种算法除LBP算法外,均体现了消除秩亏的思想。完全消除系统灵敏度矩阵秩亏的双共轭梯度算法,成像精度较高,成像速度也较其它算法更快,更适用于油气润滑ECT实时成像。
杨博韬[8]（2021）在《电容层析成像多层传感器设计与图像重建的研究应用》文中提出电容层析成像（Electrical Capacitance Tomography,简记ECT）是工业检测的重要手段,它的原理是通过交变激励电场从多个角度对含有导电物质的空间进行扫描,导电物质在电场的激励下产生感应电荷,对原电场产生反作用。通过在密闭的管道或容器周围均匀分布的检测电极可以从不同方向收集测得的电容数据,然后使用电容值和灵敏度矩阵来重建物质分布图像。ECT系统的关键技术包括传感器的优化设计、数据采集电路的设计、流型识别和图像重建等。ECT技术因其低成本、非侵入性与可直接获取过程参数等优势,被广泛应用于工业生产中,是一种理想的工业实时检测手段。本文针对ECT系统中传感器优化设计与图像重建算法方面分别进行了研究,主要工作如下:在传感器设计方面,采用有限元分析方法建立3层12电极的传感器,利用模型动扰法与Maxwell方法进行物理场的仿真实验,通过更改传感器电极板角度、管壁厚度和激励模式等方式,分析空、满管电容值与灵敏度矩阵的变化,得出传感器物理结构参数对测量的影响,同时在3层12电极传感器模型上,使用同层相邻双电极作为激励电极,比较在不同激励模式下多层传感器的采集精度与电容值的变化范围,并得出最优解。实验结果表明,优化后的传感器测量值增加,采集信号更强,物场内灵敏度矩阵变化更明显,图像重建精度明显提高。在图像重建方面,针对迭代类算法迭代次数多、收敛速度慢、介质分界面存在平滑效应与迭代步长难以选取等问题,提出了一种基于正则化迭代修正的图像重建算法。该算法在ECT图像重建算法中增加正则化项,采用自适应权重系数的方法,以四种典型ECT流型作为标准流型进行图像重建,实验表明,在保证图像重建时效性的同时,该算法改善了图像重建质量,提升了收敛速度,在重建速度和准确性上均优于传统的迭代算法。
刘笑[9]（2021）在《多尺度卷积神经网络的ECT图像重建与Hu-ELM流型识别》文中认为电容层析成像技术（Electrical Capacitance Tomography,ECT）是在过程层析成像技术（Process Tomography,PT）的基础上发展起来的一种技术,可以对多相流系统中的参数进行在线实时检测,对加快工业发展的步伐意义重大。目前ECT系统在结构与操作方面具有简单、易操作等优点,该技术应用广泛。但ECT技术仍然存在待解决的问题,本文对ECT系统图像重建算法和流型识别进行研究,主要工作及成果如下:1.研究了基于多尺度双通道卷积神经网络的图像重建方法。针对电容层析成像重建算法易出现边缘缺失、伪影明显等问题,提出了一种基于多尺度卷积神经网络（Convolutional Neural Network,CNN）的图像重建方法。将Landweber算法重建后的图像输入CNN,设计双通道对输入图像进行分频处理,选取四个尺度进行特征提取,各尺度之间使用跳跃连接进行特征图融合。针对4种典型流型进行了仿真实验,与其他算法相比,本文算法减小了误差,提高了相关系数,有效解决了ECT图像重建中的边缘缺失问题,降低了图像边缘伪影程度。2.研究了基于重建图像的Hu-ELM流型识别算法。目前基于图像重建的ECT流型识别方法存在速度较慢、识别效果不佳的问题,本文提出一种基于重建图像的Hu-ELM流型识别算法,首先采用超像素方法对图像进行分割,得到预处理图像之后,用Hu矩对高介电常数连通区域进行特征提取,使用3个特征参数Hu矩、面积比、高介电常数连通区域个数,结合ELM方法对4种典型流型进行识别,识别率达到98.13%。与其他算法相比,本文算法流型识别率高,所用时间较短,是一种有效的识别方法。
张继轩[10]（2021）在《基于SVM的电容层析成像三维图像重建》文中研究说明电容层析成像技术（Electrical Capacitance Tomography,ECT）是较早发展起来的一种过程层析成像技术,其具有非侵入、非接触、成本低等优点。目前ECT技术主要问题集中在该技术中的灵敏场“软场”问题,导致图像重建过程中其成像精度不高,且速度上也不能满足要求。因此图像重建也成为了ECT技术中至关重要的环节。支持向量机（Support Vector Machines,SVM）是机器学习领域中被广泛使用的一种算法。本文首先对ECT系统的总体结构三大组成部分三维模型背后的数学原理进行了详细分析,分别对三维ECT系统中的电容传感器、数据采集系统以及图像重建等方面进行了阐述。本文针对轴向三层极板每层8个极板共24电极板的ECT系统进行了研究分析,并应用ANSYS有限元仿真软件对24电极板电容检测传感器进行了仿真实验。并对此模型进行了等体积单元的剖分。通过设计实验探究不同的传感器结构参数对于ECT系统的影响,通过对比实验分析了几种不同的电极激励方式对于最终成像效果的影响,主要是单电极激励与多电极激励并将它们至于不同的环境中进行实验,得出了它们对于不同环境的适应的区别。本文所使用的图像重建算法为支持向量机算法,首先对支持向量机的一些基本原理进行了详细的分析,从统计学习中的基础理论到具体应用中的如何在不同情况下求解最优分类超平面。最后,分析了SVM算法在ECT图像重建中的弱点并对其进行了改进,通过聚类算法实现将样本的数据集减小并通过簇中心算子将原始数据集进行降维处理,提高了图像重建的精度与效率。
二、电容层析成像算法的比较（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、电容层析成像算法的比较（论文提纲范文）
（2）基于稀疏成像的超分辨率增强算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电容层析成像成像过程 |
| 1.2.2 压缩感知理论 |
| 1.2.3 神经网络方法 |
| 1.2.4 超分辨率方法 |
| 1.3 稀疏成像的难点 |
| 1.4 本文的主要工作和研究内容 |
| 第2章 相关技术研究 |
| 2.1 电容层析成像 |
| 2.2 图像超分辨率算法 |
| 2.2.1 上采样方法 |
| 2.3 算法可行性分析 |
| 2.4 本章小结 |
| 第3章 数据采集与预处理 |
| 3.1 实验装置 |
| 3.2 数据成像过程 |
| 3.3 敏感场 |
| 3.3.1 计算敏感场 |
| 3.3.2 敏感场分层 |
| 3.3.3 可视化分层的敏感场 |
| 3.4 本章小结 |
| 第4章 模型的构建优化与对比实验 |
| 4.1 本文实验数据获取 |
| 4.1.1 数据获取 |
| 4.1.2 归一化 |
| 4.1.3 数据增广 |
| 4.2 实验模型设计 |
| 4.2.1 数据集构建 |
| 4.2.2 图像超分辨率模型 |
| 4.2.2.1 神经网络模型 |
| 4.2.2.2 卷积神经网络 |
| 4.2.3 迁移学习 |
| 4.2.4 本文模型构建与原理 |
| 4.3 评价指标 |
| 4.4 模型的实验效果与优化 |
| 4.4.1 改善输入输入数据后模型的训练效果 |
| 4.4.2 损失函数优化与对比实验 |
| 4.4.3 改进前后的模型PSNR对比 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）弧形介质分布ECT图像重建及传感器优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 电容层析成像技术 |
| 1.2.1 电容层析成像技术 |
| 1.2.2 电容层析成像技术发展趋势 |
| 1.2.3 电容层析成像技术的技术难点 |
| 1.3 国内外研究现状 |
| 1.4 本文主要研究内容 |
| 第2章 ECT技术理论基础 |
| 2.1 ECT系统的组成部分 |
| 2.1.1 电容传感器单元 |
| 2.1.2 数据采集单元 |
| 2.1.3 图像重建单元 |
| 2.2 ECT系统工作原理 |
| 2.2.1 数学原理 |
| 2.2.2 正问题 |
| 2.2.3 逆问题 |
| 2.2.4 优化策略 |
| 2.3 图像重建算法 |
| 2.3.1 LBP算法 |
| 2.3.2 Landweber算法 |
| 2.4 本章小结 |
| 第3章 基于Ansys Maxwell的传感器建模 |
| 3.1 Ansys Maxwell简介 |
| 3.2 传感器有限元模型 |
| 3.2.1 建立物理模型 |
| 3.2.2 材料设置 |
| 3.2.3 求解器以及边界条件设置 |
| 3.2.4 激励源的设置 |
| 3.2.5 网格剖分 |
| 3.2.6 求解项的设置 |
| 3.3 本章小结 |
| 第4章 电容层析成像系统的敏感场分析 |
| 4.1 敏感场 |
| 4.2 敏感场的计算与图像 |
| 4.2.1 敏感场的计算 |
| 4.2.2 敏感场的图像 |
| 4.3 实验分析 |
| 4.4 本章小结 |
| 第5章 传感器优化 |
| 5.1 传感器优化重要性 |
| 5.2 传感器边缘极板敏感场分析 |
| 5.3 传感器优化策略 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（4）电容层析成像系统传感器设计与图像重建（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 两相流的概念 |
| 1.3 国内外研究现状 |
| 1.3.1 ECT系统的现状 |
| 1.3.2 传感器研究现状 |
| 1.3.3 数据采集系统研究现状 |
| 1.3.4 图像重建研究现状 |
| 1.4 课题来源及研究内容 |
| 1.5 论文组织结构 |
| 第2章 ECT系统的结构与理论基础 |
| 2.1 引言 |
| 2.2 ECT系统的组成 |
| 2.3 ECT系统理论基础 |
| 2.4 ECT系统的数学模型 |
| 2.4.1 ECT系统正问题模型 |
| 2.4.2 有限单元法模型 |
| 2.4.3 ECT反问题数学模型 |
| 2.5 电容传感器结构 |
| 2.6 ECT图像重建 |
| 2.6.1 ECT图像重建标准 |
| 2.6.2 ECT图像重建算法 |
| 2.7 本章小结 |
| 第3章 ECT系统敏感场数值计算与传感器结构优化 |
| 3.1 引言 |
| 3.2 传感器结构 |
| 3.3 传感器敏感场剖分 |
| 3.4 影响传感器性能的物理参数分析 |
| 3.5 传感器激励模式的分析 |
| 3.6 模拟条件设置 |
| 3.7 仿真实验 |
| 3.8 本章小结 |
| 第4章 ECT系统光敏传感器设计 |
| 4.1 引言 |
| 4.2 基于光敏技术的电容式传感器的设计 |
| 4.2.1 基于弱光信号的电容测量电路 |
| 4.2.2 等电位键合电缆驱动电路的设计 |
| 4.2.3 仿真/数字调节电路 |
| 4.3 传感器性能检测和系统分析 |
| 4.3.1 基于传感器的性能检测 |
| 4.3.2 基于光敏技术的传感器ECT抗噪测试 |
| 4.3.3 基于不同激励模式的ECT敏感性测试 |
| 4.4 本章小结 |
| 第5章 基于超分辨率图像特征的ECT系统快速重建算法 |
| 5.1 引言 |
| 5.2 超分辨率图像重建模型 |
| 5.3 超分辨率图像的局部边缘特征提取 |
| 5.3.1 倒角匹配指标 |
| 5.3.2 基于类倒角距离的局部边缘轮廓特征函数 |
| 5.4 几何重心的计算 |
| 5.5 边缘点的极化 |
| 5.6 确定图像边缘的局部特征点 |
| 5.7 实验分析 |
| 5.7.1 算法验证 |
| 5.7.2 实验结果分析 |
| 5.8 本章小结 |
| 第6章 基于偏最小二乘法的ECT系统流型辨识 |
| 6.1 引言 |
| 6.2 偏最小二乘法流型分类与电容向量降维 |
| 6.2.1 偏最小二乘法原理 |
| 6.2.2 基于偏最小二乘的流型分类方法 |
| 6.2.3 基于偏最小二乘的特征降维 |
| 6.3 实验分析 |
| 6.3.1 流型辨识 |
| 6.3.2 特征可视化对比 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（5）基于图神经网络的ECT图像重建算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 电容层析成像技术的研究背景及意义 |
| 1.2 过程层析成像技术 |
| 1.3 ECT系统的国内外研究现状 |
| 1.3.1 ECT技术的国外研究现状 |
| 1.3.2 ECT技术的国内研究现状 |
| 1.4 ECT图像重建算法的研究现状 |
| 1.5 本文的创新点 |
| 1.6 本文的结构安排 |
| 第2章 ECT系统结构及原理 |
| 2.1 ECT系统的组成结构 |
| 2.1.1 电容传感器 |
| 2.1.2 数据采集及处理系统 |
| 2.1.3 计算机成像系统 |
| 2.2 ECT技术的基本原理 |
| 2.2.1 ECT技术的正问题 |
| 2.2.2 ECT技术的逆问题 |
| 2.2.3 灵敏度场分析 |
| 2.3 本章小结 |
| 第3章 图神经网络工作原理 |
| 3.1 图神经网络 |
| 3.2 图神经网络结构 |
| 3.2.1 图卷积层 |
| 3.2.2 图池化 |
| 3.2.3 前向传播算法 |
| 3.2.4 反向传播算法 |
| 3.2.5 激活函数 |
| 3.3 基于图神经网络的更新机制 |
| 3.4 基于图神经网络算法的具体步骤 |
| 3.5 本章小结 |
| 第4章 ECT图像邻接矩阵构建方法的研究 |
| 4.1 邻接矩阵的基本理论 |
| 4.2 ECT图像邻接矩阵构建方法 |
| 4.3 ECT图像邻接矩阵实现方法 |
| 4.4 本章小结 |
| 第5章 基于图神经网络进行ECT图像重建 |
| 5.1 利用图神经网络进行ECT图像重建基本原理 |
| 5.2 构建流型样本数据集 |
| 5.3 利用GNN网络进行ECT图像重建算法步骤 |
| 5.4 仿真与实验分析 |
| 5.5 本章小结 |
| 第6章 结论及展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文及参加科研情况 |
（6）电容层析成像图像重建算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 多相流检测技术 |
| 1.1.2 过程层析成像技术 |
| 1.1.3 电容层析成像技术 |
| 1.2 ECT图像重建算法研究现状 |
| 1.3 本文主要研究内容及章节安排 |
| 第2章 ECT系统结构及关键问题分析 |
| 2.1 ECT系统结构 |
| 2.1.1 电容传感器单元 |
| 2.1.2 数据采集单元 |
| 2.1.3 图像重建单元 |
| 2.2 ECT关键问题分析 |
| 2.2.1 正问题分析 |
| 2.2.2 反问题分析 |
| 2.2.3 灵敏度矩阵分析 |
| 第3章 传统电容层析成像图像重建算法及分析 |
| 3.1 LBP算法 |
| 3.2 Tikhonov正则化算法 |
| 3.3 Newton-Raphson算法 |
| 3.4 共轭梯度算法 |
| 3.5 Landweber算法 |
| 3.6 评价指标 |
| 3.7 数值仿真实验及分析 |
| 第4章 基于改进Landweber算法的ECT图像重建及分析 |
| 4.1 加速Landweber算法 |
| 4.1.1 v-Landweber算法 |
| 4.1.2 多项式加速Landweber算法 |
| 4.1.3 Nesterov-Landweber算法 |
| 4.1.4 梯度加速Landweber算法 |
| 4.2 改进的梯度加速Landweber算法 |
| 4.3 数值仿真实验及分析 |
| 第5章 基于改进粒子群优化算法的ECT图像重建及分析 |
| 5.1 粒子群优化算法 |
| 5.1.1 基本粒子群优化算法 |
| 5.1.2 标准粒子群优化算法 |
| 5.1.3 非线性粒子群优化算法 |
| 5.2 基于正余弦搜索策略的非线性粒子群优化算法 |
| 5.2.1 正余弦优化算法 |
| 5.2.2 基于正余弦搜索策略的非线性粒子群优化算法 |
| 5.3 数值仿真实验及分析 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（7）油气润滑ECT系统图像重建中秩亏问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景 |
| 1.2 课题的研究现状 |
| 1.2.1 ECT技术的研究现状 |
| 1.2.2 秩亏问题的研究现状 |
| 1.2.3 软场效应的研究现状 |
| 1.2.4 ECT图像重建算法的研究现状 |
| 1.3 课题的研究意义与内容 |
| 1.3.1 研究意义 |
| 1.3.2 研究内容 |
| 第二章 油气润滑ECT系统灵敏度矩阵的秩亏问题及其影响因素 |
| 2.1 概述 |
| 2.1.1 ECT系统灵敏度矩阵机理 |
| 2.1.2 ECT正问题 |
| 2.1.3 ECT反问题 |
| 2.1.4 油气润滑ECT系统不适定问题 |
| 2.2 研究模型 |
| 2.2.1 数学模型 |
| 2.2.2 仿真模型 |
| 2.3 灵敏度矩阵秩亏的分析 |
| 2.3.1 极板数目对秩亏的影响 |
| 2.3.2 油膜厚度对秩亏的影响 |
| 2.4 本章小结 |
| 第三章 软场效应研究及对灵敏度矩阵秩亏的影响 |
| 3.1 软场效应 |
| 3.1.1 软场与硬场 |
| 3.1.2 软场效应的度量 |
| 3.2 基于软场效应条件灵敏度矩阵秩亏的分析 |
| 3.2.1 极板数对灵敏度矩阵秩亏的影响 |
| 3.2.2 油膜厚度对灵敏度矩阵秩亏的影响 |
| 3.3 软场与硬场的分析 |
| 3.4 本章小结 |
| 第四章 图像重建算法的秩亏问题及算例分析 |
| 4.1 概述 |
| 4.2 图像重建算法的秩亏问题 |
| 4.2.1 LBP算法 |
| 4.2.2 Tikhonov算法 |
| 4.2.3 共轭梯度算法 |
| 4.2.4 双共轭梯度算法 |
| 4.3 油气润滑ECT系统图像重建算例 |
| 4.3.1 物理模型及参数 |
| 4.3.2 电容值求解 |
| 4.4 图像重建仿真与结果分析 |
| 4.4.1 仿真结果分析 |
| 4.4.2 图像重建分析及评价 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 在校期间的研究成果 |
| 致谢 |
（8）电容层析成像多层传感器设计与图像重建的研究应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 电容层析成像系统 |
| 1.2.1 PT技术概述 |
| 1.2.2 ECT技术概述 |
| 1.2.3 电容式传感器 |
| 1.3 国内外研究现状及分析 |
| 1.3.1 ECT系统传感器研究现状 |
| 1.3.2 图像重建算法研究现状 |
| 1.4 图像重建分析 |
| 1.4.1 非迭代类算法 |
| 1.4.2 迭代类算法 |
| 1.5 课题的来源及研究内容 |
| 1.5.1 课题来源 |
| 1.5.2 课题的主要研究内容 |
| 第2章 电容层析成像的技术原理 |
| 2.1 电容层析成像系统的组成结构 |
| 2.2 ECT数学模型 |
| 2.3 ECT数据采集系统 |
| 2.4 ECT传感器 |
| 2.5 传感器有限元分析 |
| 2.6 图像重建算法 |
| 2.6.1 Landweber迭代算法 |
| 2.6.2 ART迭代算法 |
| 2.7 本章小结 |
| 第3章 多层传感器设计 |
| 3.1 多层传感器的理论分析与设计 |
| 3.2 多层ECT传感器仿真设计 |
| 3.3 多层ECT传感器仿真实验 |
| 3.4 本章小结 |
| 第4章 基于正则化迭代修正的图像重建算法 |
| 4.1 传统算法图像重建 |
| 4.1.1 非迭代类算法 |
| 4.1.2 迭代类算法 |
| 4.2 基于正则化迭代修正的ART算法 |
| 4.3 仿真实验 |
| 4.4 图像重建质量评价参数 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（9）多尺度卷积神经网络的ECT图像重建与Hu-ELM流型识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 ECT技术研究现状 |
| 1.2.2 图像重建算法研究现状 |
| 1.2.3 流型识别研究现状 |
| 1.2.4 深度学习研究现状 |
| 1.3 本文研究的主要内容 |
| 第2章 ECT成像理论基础 |
| 2.1 ECT系统组成结构 |
| 2.1.1 电容传感器 |
| 2.1.2 数据采集系统 |
| 2.1.3 图像重建系统 |
| 2.2 ECT系统正问题 |
| 2.2.1 灵敏度分布定义及计算 |
| 2.2.2 正问题分析 |
| 2.2.3 有限元法 |
| 2.3 ECT图像重建 |
| 2.4 本章小结 |
| 第3章 基于多尺度卷积的ECT图像重建算法 |
| 3.1 基于多尺度双通道卷积核的ECT图像重建算法 |
| 3.1.1 卷积神经网络理论原理 |
| 3.1.2 双通道分频 |
| 3.1.3 跳跃连接 |
| 3.1.4 多尺度重建 |
| 3.2 算法实现 |
| 3.2.1 预处理 |
| 3.2.2 训练策略 |
| 3.2.3 算法实现步骤 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 基于图像重建的Hu-ELM流型识别算法 |
| 4.1 超像素图像分割 |
| 4.2 Hu矩特征值提取 |
| 4.2.1 Hu矩 |
| 4.2.2 ELM分类器 |
| 4.3 算法实现 |
| 4.3.1 算法实现步骤 |
| 4.3.2 预处理 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及获得成果 |
| 致谢 |
（10）基于SVM的电容层析成像三维图像重建（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 电容层析成像技术的国内外现状与发展趋势 |
| 1.3 支持向量机的研究现状与展望 |
| 1.4 课题来源及主要研究内容 |
| 第2章 ECT成像技术 |
| 2.1 ECT系统的基本组成结构 |
| 2.1.1 ECT传感器系统 |
| 2.1.2 实时数据采集系统 |
| 2.1.3 重建图像显示系统 |
| 2.2 ECT系统的工作原理 |
| 2.2.1 ECT系统问题分析与解法 |
| 2.2.2 ECT技术中的三维数学模型 |
| 2.3 本章小结 |
| 第3章 ECT传感器结构与激励模式的设计 |
| 3.1 常见ECT系统传感器的基本结构与分析 |
| 3.2 三维ECT系统激励模式的设计 |
| 3.2.1 单电极与多电极激励模式 |
| 3.2.2 噪声屏蔽仿真 |
| 3.3 本章小结 |
| 第4章 基于SVM的三维图像重建算法研究 |
| 4.1 ECT图像重建经典算法 |
| 4.1.1 线性反投影算法 |
| 4.1.2 Landweber迭代算法 |
| 4.2 支持向量机 |
| 4.2.1 统计学习基础理论 |
| 4.2.2 支持向量机理论 |
| 4.3 基于SVM的三维ECT图像重建算法的改进 |
| 4.3.1 获得簇集中心 |
| 4.3.2 线性变换降维处理 |
| 4.4 FDRC-SVM完成图像重建 |
| 4.5 FDRC-SVM算法设计与实验 |
| 4.6 本章小结 |
| 第5章 算法的实验结果与分析 |
| 5.1 实验环境的搭建 |
| 5.2 FDRC-SVM算法的训练 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间获得的研究成果 |
| 致谢 |
四、电容层析成像算法的比较（论文参考文献）
- [1]面向非金属材料缺陷检测的平面电容传感器设计与优化研究[D]. 梁鹏远. 燕山大学, 2021
- [2]基于稀疏成像的超分辨率增强算法的研究[D]. 叶嘉琪. 华北电力大学(北京), 2021(01)
- [3]弧形介质分布ECT图像重建及传感器优化[D]. 杨健. 华北电力大学(北京), 2021(01)
- [4]电容层析成像系统传感器设计与图像重建[D]. 陈峰. 哈尔滨理工大学, 2021
- [5]基于图神经网络的ECT图像重建算法研究[D]. 李长棣. 辽宁大学, 2021(12)
- [6]电容层析成像图像重建算法研究[D]. 穆哲. 西北师范大学, 2021(12)
- [7]油气润滑ECT系统图像重建中秩亏问题研究[D]. 李照威. 北方工业大学, 2021(01)
- [8]电容层析成像多层传感器设计与图像重建的研究应用[D]. 杨博韬. 哈尔滨理工大学, 2021
- [9]多尺度卷积神经网络的ECT图像重建与Hu-ELM流型识别[D]. 刘笑. 哈尔滨理工大学, 2021(09)
- [10]基于SVM的电容层析成像三维图像重建[D]. 张继轩. 哈尔滨理工大学, 2021(09)