论文部分内容阅读
近年来,电阻层析成像技术(Electrical Resistance Tomography,ERT)是一项发展比较迅速的技术,具有低成本、无放射性、可视化和非入侵的特点,主要以电磁场的似稳场为理论基础,在多个领域中有广泛的应用。因此,ERT成为可视化检测领域的研究热点。在实际应用中,由于无法获得管道内部的真实情况,只能凭借图像重建来获得管道内部的实际情况,为了减少在实际应用的麻烦,成像精度较高的ERT图像重建算法至关重要。所以本文提出长短期记忆神经网络(Long Short-Term Memory,LSTM)+全连接神经网络ERT图像重建算法,先使用LSTM算法对ERT图像测量电压进行分类,消除因流型类别不同造成的干扰,再用全连接神经网络实现ERT图像的重建,用208个测量电压的值作为输入,将管道内剖分为1024个成像像素,作为网络的输出,将成像结果与线性反投影(Local Binary Patterns,LBP)和径向基(Radial Basis Function,RBF)神经网络等经典算法成像结果进行对比。实验结果表明,用本文所提算法重建的ERT图像具有更高的精度。对ERT重建图像进行无参考方式的图像质量评价,是目前ERT技术发展的瓶颈。上文已提到管道内部的情况只能凭借图像重建来获得管道内部的实际情况,但是由于ERT图像是由相应的算法重建所得,会存在一定的失真,就要凭借图像评估算法来评价图像的质量。但是ERT图像与自然光图像存在一定差异,所以,本文提出基于联合特征与稀疏表示的ERT重建图像无参考质量评价方法。该方法根据不同流型将提取的联合特征向量组成字典。最后,利用K-svd稀疏表示模型来预测ERT重建图像的质量评分。为验证所提ERT图像评估方法的有效性,本文采用图像重建误差和相关系数作为ERT图像质量评价分数,对气液两相流的泡状流、环流、层流三种典型流型的ERT重建图像进行评价。实验结果表明:与其他经典无参考图像评价方法相比,本文方法对ERT重建图像的质量预测显示出更高的准确性。