一、提高ECT系统成像质量和速度的方法（论文文献综述）
陈峰[1]（2021）在《电容层析成像系统传感器设计与图像重建》文中研究指明电容层析成像（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[2]（2021）在《基于图神经网络的ECT图像重建算法研究》文中研究说明电容层析成像（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[3]（2021）在《电容层析成像图像重建算法研究》文中研究表明电容层析成像（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[4]（2021）在《油气润滑ECT系统图像重建中秩亏问题研究》文中研究表明电容层析成像技术（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。
蒋大杏[5]（2021）在《基于XGBoost的ECT管道空隙率测量与三维图像重建》文中研究指明电容层析成像技术（Electrical Capacitance Tomography,ECT）是将采集的数据转换成图像,再在计算机屏幕上呈现的一种可视化技术手段,即通过电容传感器获取管道或装置被测区域内两相流流动介质的电容数据,并利用相应算法计算出流动介质分布图像的过程层析成像技术,具有设计结构简单、开发成本低、响应速度快、非侵入性等特点,多年来被广泛应用于化工业、航空业、核工业等领域。作为过程层析成像技术（Process Tomography,PT）的热点研究方向之一,具有非常好的研究意义与实用价值。为了提高检测电路电容测量值的精度,在ECT系统工作原理的基础上,采用24个电极建立ECT系统敏感场区域即图像重建模型,考虑电位场的非均匀性,采用有限元分析法对模型进行网格划分,使用竖向单电极激励模式对电容传感器的各极板施加激励电压,然后利用后处理模块获得块状流、分层流、环状流的电容测量值并计算它们在敏感场中的灵敏度。电容层析成像系统的“软场”效应导致图像重建的精度不高,由于空隙率的分布与介质的介电常数分布没有关联,因此其测量结果不会受到“软场”的影响,采用XGBoost算法测量两相流中的空隙率分布值。电容值与流型识别之间属于分类关系,与空隙率之间属于回归关系,首先通过电容值的分类模型来实现流型识别,记录下电容值大小及其对应的流型,再根据不同流型建立各自流型的回归模型,对它们进行空隙率的测量,记录下空隙率的值。由于从仿真模型中获得的独立电容测量值个数非常有限,导致图像重建的精度难以满足工业应用的需求,为了解决这个问题,本文采用双树复小波变换（Dual-tree Complex Wavelet Transform,DTCWT）提取空隙率分布特征,将单元体空隙率、提取的空隙率分布特征等共同作为DTCWT空隙率BP神经网络算法的输入,重现介质在管道内的分布状态,最终完成三维图像重建。
张继轩[6]（2021）在《基于SVM的电容层析成像三维图像重建》文中研究指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。
郭鸿博[7]（2020）在《基于电容层析成像的计算成像方法研究》文中指出电容层析成像技术（Electrical Capacitance Tomography,ECT）是一种极具应用前景的可视化成像技术。成像质量低制约了 ECT技术的应用,本文主要通过研究计算成像方法提高图像质量,主要的工作总结如下:（1）定性分析了常规迭代和非迭代成像算法的数学原理与优缺点,定量评价了线性反投影算法、Tikhonov正则化算法、Landweber迭代算法、共轭梯度算法、代数重建算法、同步代数重建算法的数值性能。（2）设计了一种基于稀疏先验的图像重建目标函数,将病态图像重建问题转化为一个优化问题;采用两步迭代阈值方法（Two-step Iterative Shrinkage/Thresholding Algorithms）有效地求解该目标函数。实验结果表明,该方法能够确保解的稀疏性与稳定性,减少了伪像,较好地重建出图像的细节信息。（3）为了提高重建质量,提出了一种同时考虑模型偏差和测量噪声的成像模型;建立了一个采用L1范数设计数据保真项和正则项的目标函数,缓解解对干扰噪声的敏感性和增强重建目标的稀疏性;将软阈算法和快速迭代收缩阈值方法（Fast Iterative Shrinkage Thresholding Technique）集成到分裂布雷格曼方法（Split Bregman Method）中有效地求解该目标函数。数值实验结果表明,该成像方法不仅能够提高重建质量,而且具有更好的鲁棒性。（4）为了减小图像误差和伪像,设计了一种以L1-2范数作为正则化项的目标函数;为了改善算法的全局收敛性,提出了一种结合了蚁狮优化（Ant Lion Optimizer）算法和交替方向乘子（Alternating Direction Method of Multipliers）算法优势的模因算法（Memetic Algorithm,MA）有效地求解该目标函数。实验结果表明,该算法相比于传统的图像重建方法能够获得高精度的重建结果,改善ECT的重建质量,提高了算法的全局收敛性。（5）为减弱测量噪声对成像质量的影响,提出了一种基于变分模态分解（Variational Mode Decomposition）的降噪方法,减小了采集电容值的与真实电容值之间的差别。该方法采用变分模态分解方法提取电容信号中的模态分量,设计了更加具有针对性的滤波方法,并采用经蝠鲼觅食优化算法（Manta Ray Foraging Optimizati on Algorithm）优化后的阈值滤波方法对各模态分量进行降噪。数值结果表明,该方法可以有效地缓解电容测量噪声,提高了电容数据质量,为重建高质量图像奠定了基础。
杜宇宁[8]（2020）在《基于智能算法的电容层析成像系统图像重建技术》文中研究表明电容层析成像技术（Electrical Capacitance Tomography,简称ECT）是一种工业过程层析成像技术,主要用于对两相流和多相流进行测量和成像。该技术根据被测物质各相之间具有不同的介电常数的性质,通过测量排列在管道周围电极对之间的电容值,采用合适的图像重建算法,来获取管道内的介质分布情况。与其它过程层析成像检测技术相比,ECT具有非侵入、无辐射、成本低、安全性能好和成像速度快的特点。电容层析成像技术在两相流或多相流检测上有广泛的应用,例如石油的开采与运输、流化床气固两相浓度分布可视化和气力运输等。本文主要针对电容层析成像系统图像的重建过程,提出了一种基于智能算法的图像重建算法,并通过自主搭建的电容层析成像系统实验环境,对该算法的实际成像效果与传统成像算法进行对比分析,完成理论中算法改良效果的验证。首先对电容传感器中敏感场的物理意义以及灵敏度矩阵求解过程进行了阐述,利用COMSOL Multiphysics多物理场耦合软件将8电极电容传感器进行建模,根据有限元分析的方法对传感器内部场域进行网络分割,对三种流型进行仿真,为后面的实验环境的搭建提供理论基础;然后对经典的Landweber成像算法的原理进行了详细论述,说明了该算法在收敛性上的不稳定的问题,利用遗传算法和蚁群算法在全局搜索和寻找最优解的优点,设计了基于这两种智能算法的图像重建算法;最后,介绍了微小电容检测的原理和两种基本测量电路,针对本文所用电容传感器,设计了电容测量和电极转换电路,搭建了最终的电容层析成像系统实验环境。利用搭建的电容层析成像系统实验环境,进行了气液两相流成像实验,对被测实物分别用传统Landweber算法和本文提出的成像算法,利用获取的电容数据进行图像重建,并将得到的图像进行对比分析,结果表明本文提出的成像算法在流型的辨识准确性和成像的精度上都有所提高,对改进算法的实用性进行的验证。
朱海滢[9]（2020）在《基于ECT技术的气固两相流成像研究》文中指出两相流广泛存在于电力、环保、化工、冶金和核能等国民经济行业中,特别是在冶金、电力等部门需要了解硫化床内部的粉尘分布的情况,对生产过程的计量和安全监控都具有非常重要的意义。电容层析成像（Electrical Capacitance Tomography,ECT）技术利用放置在被测管道、容器周围的传感器阵列,在不同观测角度下获得被测非导电物场的投影数据（即电容的测量值）,通过图像重建算法,重建出被测物场的介质（介电常数）分布。其具有响应快、成本低、非侵入、适用范围广、安全无辐射等优点,其中两相流检测就是它的一个典型的应用。本文主要针对基于ECT技术的气固两相流成像的相关问题展开深入研究。论文主要工作如下:第一,针对Landweber迭代成像算法进行分析,发现采用滤波方式对重建图像进行后处理能够提高成像效果,降低迭代次数,缩短重建时间。本文提出一种自适应阈值滤波处理方法,兼顾了重建效果和重建速度,能够应用于两相流重建成像。第二,针对离线迭代在线重建算法进行改进,其中首先对迭代步长α的选取以及用二阶迭代方式取代一阶迭代方式进行介绍;其次通过更新灵敏度矩阵的方式对灵敏度矩阵进行优化,剔除目标伪迹;再次通过以灵敏度矩阵的条件数为依据选取图像重建最佳剖分网格数,并且详细的分析了算法离线部分最佳迭代次数k的选取方式,还针对不同流型给出各自的最佳迭代次数;最后通过对几种流型的仿真数据对比,分析了采用二阶迭代方式下的离线迭代在线重建算法的合理性。第三,采用串联模型做为传感器标定的电容归一化模型,结合传感器标定方法和传感器磨损检测方法,针对不同固相浓度下管壁磨损量对电容测量值的影响进行了分析,通过对管壁磨损量为2mm情形下,对不同检测浓度变化量的仿真分析表明,在固/气比含量较低的情况下,通过对系统零点电容的追踪数据的方法,可以有效提高电容检测精度。
孙先亮[10]（2020）在《基于数据驱动的卷积神经网络电容层析图像重建方法研究》文中指出气固流化床广泛应用于化工、电气、冶金等行业,其流动参数及流型测量对流化床的机理研究及系统控制优化具有重要意义。电容层析成像（ECT）技术可通过测量管道外电极阵列间的电容向量来重建管道截面介质分布,具有实时、非接触、经济、可靠、安全等优点,逐步用于气固流化床的流动可视化测量。本文主要针对ECT重建存在的“软场”和病态问题,研究了基于数据驱动的卷积神经网络电容层析图像重建方法,开发了相应的ECT测量系统,并将其用于循环湍动流化床内的颗粒流动特性研究。首先,针对ECT重建存在的“软场”和病态问题,建立了基于数据驱动的卷积神经网络（CNN）的颗粒浓度分布重建模型。采用数值模拟的方法构建了具有典型流型和随机流型的数据集,对卷积神经网络模型进行学习和训练,进而获得颗粒浓度分布预测模型。进一步分析了不同模型参数对图像重建精度的影响,以实现模型的优化,并对其重建效果与传统算法进行了比较。结果表明CNN算法在随机流型和典型流型重建时的相关系数均在0.97以上,在信噪比为20d B时图像重建相对图像误差仅3.99%,且进行逐帧成像时耗时仅10ms。开发了一套基于卷积神经网络算法的ECT测量系统,主要包括硬件与软件两部分。硬件部分由电容传感器阵列、电极选择开关、电容检测电路、数据采集与控制系统四部分组成,主要进行电容信号转换、数据采集与传输;软件部分包括通讯控制模块、重建计算及图像显示模块,可实现电容测量信号的接收、浓度分布图像计算以及结果的显示和存储等功能。最后,对开发的ECT系统进行了性能测试评价,并对循环湍动流化床中的颗粒浓度分布特性进行了实验研究。静态实验结果表明:基于卷积神经网络算法的ECT系统对分层流、环状流、单核流、双核流四种典型流型进行成像时的相关系数均大于0.85,成像效果优于传统算法。循环湍动流化床颗粒浓度分布测量实验结果表明:流化段内颗粒分布均呈中心稀边缘浓的趋势,降低初始加料高度、增加测量高度或增加气流流量,均会使得管内颗粒平均浓度降低。这与典型流化床内颗粒分布具有良好的一致性,进一步证明了所开发的ECT系统的有效性。
二、提高ECT系统成像质量和速度的方法（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、提高ECT系统成像质量和速度的方法（论文提纲范文）
（1）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 |
（2）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 |
（3）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 |
（4）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 |
（5）基于XGBoost的ECT管道空隙率测量与三维图像重建（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 ECT国内外研究现状 |
| 1.2.1 ECT系统传感器发展现状 |
| 1.2.2 ECT图像重建算法的研究现状 |
| 1.3 空隙率研究现状 |
| 1.4 ECT技术的工业应用 |
| 1.5 课题来源与主要研究内容 |
| 1.5.1 课题来源 |
| 1.5.2 课题主要研究内容 |
| 第2章 ECT系统组成及正问题求解 |
| 2.1 ECT系统结构组成 |
| 2.1.1 三维传感器单元 |
| 2.1.2 数据采集单元 |
| 2.1.3 图像重建计算机单元 |
| 2.2 ECT系统正问题与敏感场 |
| 2.2.1 ECT技术正问题 |
| 2.2.2 ECT系统敏感场 |
| 2.3 ECT系统正问题仿真 |
| 2.3.1 ECT电场模型及电容值计算 |
| 2.3.2 灵敏度分布计算 |
| 2.4 本章小结 |
| 第3章 基于XGBoost算法的ECT管道空隙率测量 |
| 3.1 两相流中的空隙率概述 |
| 3.2 空隙率测量算法 |
| 3.2.1 XGBoost算法 |
| 3.2.2 Ada Boost算法 |
| 3.3 ECT系统管道空隙率测量 |
| 3.3.1 基于智能算法分类模型的流型识别 |
| 3.3.2 基于智能算法回归模型的空隙率测量 |
| 3.4 本章小结 |
| 第4章 基于DTCWT空隙率BP神经网络算法的三维图像重建 |
| 4.1 图像重建算法理论 |
| 4.1.1 BP神经网络 |
| 4.1.2 双树复小波 |
| 4.2 DTCWT空隙率BP神经网络算法 |
| 4.3 三维图像重建 |
| 4.4 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 |
（6）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 |
（7）基于电容层析成像的计算成像方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 多相流参数检测技术 |
| 1.2 过程层析成像技术 |
| 1.3 电容层析成像技术 |
| 1.4 发展现状与存在的问题 |
| 1.5 主要研究内容 |
| 第2章 ECT系统测量原理 |
| 2.1 系统组成 |
| 2.1.1 电容传感器 |
| 2.1.2 数据采集系统 |
| 2.1.3 成像系统 |
| 2.2 正问题 |
| 2.3 逆问题 |
| 2.4 敏感场 |
| 2.5 常用成像算法 |
| 2.5.1 成像模型及算法 |
| 2.5.2 数值实验 |
| 2.6 本章小结 |
| 第3章 两步迭代阈值重建算法 |
| 3.1 目标函数 |
| 3.2 目标函数的求解 |
| 3.3 数值实验 |
| 3.3.1 算例1 |
| 3.3.2 算例2 |
| 3.3.3 算例3 |
| 3.4 本章小结 |
| 第4章 混合图像重建算法 |
| 4.1 目标函数 |
| 4.2 目标函数的求解 |
| 4.2.1 迭代分裂布雷格曼方法 |
| 4.2.2 数值方法 |
| 4.3 数值试验 |
| 4.3.1 算例1 |
| 4.3.2 算例2 |
| 4.3.3 算例3 |
| 4.3.4 正则参数讨论 |
| 4.4 本章小结 |
| 第5章 Memetic重建算法 |
| 5.1 目标函数 |
| 5.2 目标函数的求解 |
| 5.2.1 模因算法 |
| 5.2.2 蚁狮算法 |
| 5.2.3 局部搜索算法 |
| 5.2.4 数值方法 |
| 5.3 数值试验 |
| 5.3.1 算例1 |
| 5.3.2 算例2 |
| 5.3.3 算例3 |
| 5.3.4 正则参数讨论 |
| 5.4 本章小结 |
| 第6章 电容信号降噪 |
| 6.1 变分模态分解 |
| 6.2 信号降噪 |
| 6.3 数值试验 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（8）基于智能算法的电容层析成像系统图像重建技术（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 过程层析成像技术 |
| 1.2.2 图像重建算法研究现状 |
| 1.3 本文研究内容及章节安排 |
| 2 电容层析成像技术原理 |
| 2.1 电容层析成像系统组成 |
| 2.2 电容层析成像技术的基本原理 |
| 2.2.1 电容层析成像技术的理论基础 |
| 2.2.2 电容层析成像技术的工作原理 |
| 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 |
| 3 电容层析成像系统的敏感场分析 |
| 3.1 电容层析成像技术的正问题与反问题 |
| 3.1.1 正问题 |
| 3.1.2 反问题 |
| 3.2 敏感场的定义与求解方法 |
| 3.3 电容传感器模型设计与仿真 |
| 3.3.1 利用COMSOL软件进行建模 |
| 3.3.2 电容传感器结构参数的选择 |
| 3.3.3 计算灵敏度矩阵 |
| 3.4 本章小结 |
| 4 基于智能算法的图像重建算法研究 |
| 4.1 两种典型的智能算法 |
| 4.1.1 蚁群算法 |
| 4.1.2 遗传算法 |
| 4.2 基于智能算法的图像重建算法 |
| 4.3 本章小结 |
| 5 信号获取与实验验证 |
| 5.1 微小电容检测方法 |
| 5.1.1 充/放电检测法 |
| 5.1.2 交流检测法 |
| 5.2 电极状态控制电路设计 |
| 5.3 对两相流进行成像 |
| 5.3.1 空满管实验 |
| 5.3.2 两相流成像实验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（9）基于ECT技术的气固两相流成像研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 ECT技术国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 本章小结 |
| 第2章 ECT成像技术原理 |
| 2.1 ECT系统的组成及工作原理 |
| 2.2 ECT原理的数学表述及有限元法分析 |
| 2.3 ECT成像算法介绍 |
| 2.3.1 图像重建算法研究的必要性 |
| 2.3.2 LBP重建算法 |
| 2.3.3 Landweber迭代算法 |
| 2.4 ECT重建质量评价指标 |
| 2.5 本章小结 |
| 第3章 基于COMSOL Multiphysics的传感器建模 |
| 3.1 COMSOL Multiphysics简介 |
| 3.2 传感器有限元模型 |
| 3.3 电容测量值归一化模型 |
| 3.3.1 并联归一化模型 |
| 3.3.2 串联归一化模型 |
| 3.3.3 混联归一化模型 |
| 3.4 本章小结 |
| 第4章 自适应阈值滤波的Landweber迭代算法 |
| 4.1 算法思路 |
| 4.2 滤波阈值的计算 |
| 4.3 算法仿真分析 |
| 4.4 本章小结 |
| 第5章 离线迭代在线成像算法 |
| 5.1 算法思路 |
| 5.2 算法改进 |
| 5.2.1 步长α的选取 |
| 5.2.2 二阶迭代算法 |
| 5.3 目标与伪迹的区分 |
| 5.4 最佳剖分网格数 |
| 5.5 最佳迭代次数k的选取 |
| 5.5.1 层流 |
| 5.5.2 中心流 |
| 5.5.3 偏心流 |
| 5.5.4 环流 |
| 5.6 数据分析 |
| 5.7 本章小结 |
| 第6章 ECT传感器的标定 |
| 6.1 传感器标定的必要性 |
| 6.2 电容归一化模型的选择及固相含率的计算 |
| 6.3 系统标定方法 |
| 6.4 传感器磨损检测 |
| 6.5 数据分析 |
| 6.6 影响系统标定的因素 |
| 6.7 本章小结 |
| 第7章 结论 |
| 参考文献 |
| 在学研究成果 |
| 一、发表论文、出版专着 |
| 二、科研项目 |
| 致谢 |
（10）基于数据驱动的卷积神经网络电容层析图像重建方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 电容层析成像技术发展历程 |
| 1.3 电容层析成像技术研究综述 |
| 1.3.1 电容层析成像数学模型 |
| 1.3.2 ECT正问题 |
| 1.3.3 ECT图像重建算法 |
| 1.3.4 电容层析成像图像重建存在的问题 |
| 1.4 本文研究内容及组织结构 |
| 第二章 基于数据驱动的卷积神经网络电容层析成像重建方法 |
| 2.1 卷积神经网络 |
| 2.2 基于卷积神经网络的ECT图像重建 |
| 2.2.1 数据集建立 |
| 2.2.2 网络构建及训练 |
| 2.3 卷积神经网络模型优化 |
| 2.3.1 网络结构 |
| 2.3.2 网格划分密度 |
| 2.3.3 电极数量 |
| 2.3.4 总结 |
| 2.4 卷积神经网络重建效果评价 |
| 2.4.1 典型流型的图像重建 |
| 2.4.2 随机流型的图像重建 |
| 2.4.3 重建时间 |
| 2.4.4 抗噪性能 |
| 2.5 本章小结 |
| 第三章 电容层析成像系统设计与开发 |
| 3.1 硬件系统 |
| 3.1.1 电容检测电路 |
| 3.1.2 电极选择开关 |
| 3.1.3 数据采集与控制系统 |
| 3.1.4 通讯系统 |
| 3.2 软件系统 |
| 3.2.1 通讯控制 |
| 3.2.2 数据计算及图像显示 |
| 3.3 本章小结 |
| 第四章 ECT系统应用实验研究 |
| 4.1 静态实验 |
| 4.2 循环湍动流化床流型影响因素 |
| 4.2.1 初始加料高度 |
| 4.2.2 测量高度 |
| 4.2.3 气流流量 |
| 4.3 本章小结 |
| 第五章 结论与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
四、提高ECT系统成像质量和速度的方法（论文参考文献）
- [1]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
- [2]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)
- [3]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)
- [4]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)
- [5]基于XGBoost的ECT管道空隙率测量与三维图像重建[D]. 蒋大杏. 哈尔滨理工大学, 2021
- [6]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)
- [7]基于电容层析成像的计算成像方法研究[D]. 郭鸿博. 华北电力大学(北京), 2020(01)
- [8]基于智能算法的电容层析成像系统图像重建技术[D]. 杜宇宁. 中北大学, 2020(12)
- [9]基于ECT技术的气固两相流成像研究[D]. 朱海滢. 沈阳工业大学, 2020(01)
- [10]基于数据驱动的卷积神经网络电容层析图像重建方法研究[D]. 孙先亮. 东南大学, 2020(01)