CGAN-ECT: Tomography Image Reconstruction from Electrical Capacitance Measurements Using CGANs

要約

いくつかの産業分野での電気容量トモグラフィ (ECT) アプリケーションの急速な成長により、生の容量測定値から高品質でありながら高速な画像再構成の方法論を開発することが不可欠です。
ディープ ラーニングは、複雑な機能の効果的な非線形マッピング ツールとして、電気トモグラフィーを含む多くの分野で普及しています。
この論文では、容量測定からECT画像を再構築するためのConditional Generative Adversarial Network(CGAN)モデルを提案します。
CGAN モデルの初期イメージは、静電容量の測定値から作成されます。
私たちの知る限り、静電容量測定値を画像形式で表すのはこれが初めてです。
トレーニング用に 320K の合成画像測定ペアの新しい大規模な ECT データセットを作成し、提案されたモデルをテストしました。
提案された CGAN-ECT モデルの実現可能性と一般化能力は、テスト データセット、汚染されたデータ、およびトレーニング フェーズ中にモデルに公開されないフロー パターンを使用して評価されます。
評価結果は、提案された CGAN-ECT モデルが、従来の深層学習ベースの画像再構成アルゴリズムよりも正確な ECT 画像を効率的に作成できることを証明しています。
CGAN-ECT は、平均画像相関係数が 99.3% を超え、平均相対画像誤差が約 0.07 でした。

要約(オリジナル)

Due to the rapid growth of Electrical Capacitance Tomography (ECT) applications in several industrial fields, there is a crucial need for developing high quality, yet fast, methodologies of image reconstruction from raw capacitance measurements. Deep learning, as an effective non-linear mapping tool for complicated functions, has been going viral in many fields including electrical tomography. In this paper, we propose a Conditional Generative Adversarial Network (CGAN) model for reconstructing ECT images from capacitance measurements. The initial image of the CGAN model is constructed from the capacitance measurement. To our knowledge, this is the first time to represent the capacitance measurements in an image form. We have created a new massive ECT dataset of 320K synthetic image measurements pairs for training, and testing the proposed model. The feasibility and generalization ability of the proposed CGAN-ECT model are evaluated using testing dataset, contaminated data and flow patterns that are not exposed to the model during the training phase. The evaluation results prove that the proposed CGAN-ECT model can efficiently create more accurate ECT images than traditional and other deep learning-based image reconstruction algorithms. CGAN-ECT achieved an average image correlation coefficient of more than 99.3% and an average relative image error about 0.07.

arxiv情報

著者 Wael Deabes,Alaa E. Abdel-Hakim
発行日 2022-09-12 08:51:45+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.LG, eess.IV, I.2.6 パーマリンク