摘要
电阻抗成像（Electrical impedance technology, EIT）是一种利用边界测量电压数据重建物体电导率分布的成像技术，近年来，已经开发、测试和引用了各种此类技术。电阻抗成像技术是一种非侵入式、无损伤、便利的检测手段。EIT的使用方法是在物体表面贴合n块电极,之后施加安全低于人体承受范围的激励电流，通过测量边界电压，重建物体内部的电导率分布情况。 虽然EIT在医学成像和工业过程监测等各种应用中显示出广阔的潜力，但由于传统成像质量不理想和速度慢，其实际应用仍然受到限制。针对这些问题，提出一种基于深度学习的EIT 成像算法，旨在提高成像质量，提高成像速度。通过仿真成像实验和实物成像实验验证了所提方法的有效性。本文主要研究内容如下： 1.数据集的生成。本研究采用有限元方法对 EIT 问题进行仿真。设置不同大小、位置的目标对象，通过求解EIT正问题获得其边界电压，构建训练神经网络所需的数据集。有限元方法的使用和多样化数据集的构建对于所提出的基于深度学习的EIT成像算法的成功至关重要。 2.设计基于改进麻雀搜索算法-BP 神经网络的 EIT 重建模型。通过该网络建立电压与电导率之间的连接，该模型能够拟合EIT的逆问题。经过训练和参数调整，该网络能够较为准确地重建EIT图像，由此产生的网络模型为EIT重建问题提供了有效的解决方案。 3.设计基于去噪自编码器的EIT后处理算法。首先使用分裂Bregman方法粗略重建图像，之后采用去噪自编码器对粗略重建图像进行去噪处理。仿真和实测结果表明，提出的方法能够实现较高精度去除伪影、实现精确的形状重建。
NETL