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

要約

いくつかの産業分野における電気容量断層撮影 (ECT) アプリケーションの急速な成長により、生の容量測定から画像を再構成する高品質かつ高速な方法論を開発することが非常に必要とされています。
深層学習は、複雑な機能に対する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、静電容量測定から ECT 画像を再構成するための条件付き敵対的生成ネットワーク (CGAN) モデルを提案します。
CGAN モデルの初期イメージは、静電容量の測定から構築されます。
私たちの知る限り、静電容量の測定値を画像形式で表現したのはこれが初めてです。
私たちは、提案されたモデルのトレーニングとテストのために、320K の合成画像測定ペアからなる新しい大規模な ECT データセットを作成しました。
提案された CGAN-ECT モデルの実現可能性と一般化能力は、トレーニング段階でモデルに公開されないテスト データセット、汚染されたデータ、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効率的により正確な ECT 画像を作成できることを証明しています。
CGAN-ECT は、99.3% 以上の平均画像相関係数と、約 0.07 の平均相対画像誤差を達成しました。

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

提供元, 利用サービス

arxiv.jp, Google