.png){kind=icon}
返回
An ECT image reconstruction method for the tiny tube based on encoder–decoder network
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/ae5d58.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微管内气液两相流检测对化学工程和航空航天应用具有重要意义。电容层析成像（ECT）因其非侵入性、成本效益和结构简单而成为多相流测量的重要技术。然而，由于微管尺寸限制，可用的电极数量较少，传统ECT成像算法精度受限。为克服这些挑战，本研究开发了针对微管的6电极ECT仿真模型，并提出了一种基于DeepLabv3的重建网络用于气液两相流成像。为实高速、高精度ECT成像，本研究利用压缩策略对ResNet101的conv4_x模块进行优化。通过评估不同骨干网络层的成像速度、相对误差和相关系数，所提出的算法在测试数据集上实现了20帧每秒（fps）的高速重建，相对误差为13.71%。为验证方法的有效性，构建了专门的气液两相流实验平台，并集成了ECT测量系统。在不同工况下进行的综合实验表明，动态实验结果验证了该方法在微管内气液两相流参数表征中的可行性，为工业应用提供了可靠解决方案。
Keyword:
ECT imaging
gas–liquid two-phase flow
tiny tube
DeepLabv3
image reconstruction
期刊
IF:
3.4
论文数:
2.7K
被引数:
2.3W
机构
引用论文
ResNet and its application to medical image processing: Research progress and challengesResNet及其在医学图像处理中的应用: 研究进展与挑战
PREAI
分享收藏A strategy to screen capacitances of adverse effects on image reconstruction for ECT sensors mounted outside thick pipe wall.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏CGAN-ECT: Reconstruction of Electrical Capacitance Tomography images from capacitance measurements using Conditional Generative Adversarial NetworksCgan-ect: 使用条件生成对抗网络从电容测量中重建电容层析成像图像
OAAI
OAAI分享收藏分享收藏分享收藏Measurement of Transient Flash Evaporation Flow in Liquefied Gas Propulsion Using Dual-Plane ECT
PREAI
分享收藏A Physics-Constrained Deep Learning-Based Image Reconstruction for Electrical Capacitance Tomography基于物理约束深度学习的电容层析成像图像重建
PREAI
分享收藏
查看更多内容