CN109801290A - 基于eit层析成像的不同流体模型识别及堵管定位方法 - Google Patents

Abstract

本发明公开了一种基于EIT层析成像的不同流体模型识别及堵管定位方法，包括步骤：一、对流体输送管道施加电激励并测量得到边界电压序列，计算机对测量得到的边界电压序列进行处理得到EIT图像；二、计算机将EIT图像输入Tensorflow流体模型识别网络中，识别出芯流模型、层流模型、泡流模型和环流模型；三、计算机计算各流体模型的最小误差值；四、计算机调用流体模型优化模块对流体模型进行优化，得到优化后的各流体模型重建图像；五、计算机实现对堵管结块的定位；六、计算机实现对堵管程度的判断。本发明设计新颖合理，能够实时进行精确定位，并判断出堵管程度，能够提高输送效率并降低输送成本，实用性强，便于推广使用。

Description

基于EIT层析成像的不同流体模型识别及堵管定位方法

技术领域

本发明属于EIT层析成像技术领域，具体涉及一种基于EIT层析成像的不同流体模型识别及堵管定位方法。

背景技术

在工业生产中，管道输送流体过程中会出现堵管现象，学者们研究采用电阻抗成像用于堵管定位的方法，电阻抗成像(Electrical Impedance Tomography,EIT)是一种以成像的方式获得物体内部介质信息的技术，不同介质的电导率不同，在物体表面外加激励，根据测量数据获得物体内部电导率分布，进而演算重建物体内部介质分布的图像。例如，王琦等人将动态阻抗图像序列的低秩特性加入目标函数中，建立了时间、空间相关性的动态EIT成像模型，较传统成像算法提高了图像质量和成像速度；卢阳利用深度神经网络建立了EIT中的非线性映射关系，通过训练深度神经网络模型实现图像重建，重建出的图像伪影较少，质量较高；孙丝雨对Tikhonov正则化方法加入同伦法思想，利用Tikhonov正则化同伦法，进一步提高了正则化参数的收敛速度，加快图像重建速度。

但是，现有技术中，还没有人对管道中出现层流、泡状流、芯流、环流等不同流型进行识别，现有技术中的结块定位方法，定位精度度还不够高，还不能有效解决由于堵管造成的输送效率降低的问题，无法有效降低输送成本。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于EIT层析成像的不同流体模型识别及堵管定位方法，其设计新颖合理，实现方便，能够实时进行精确定位，并判断出堵管程度，能够提高输送效率并降低输送成本，实用性强，便于推广使用。

为解决上述技术问题，本发明采用的技术方案是：一种基于EIT层析成像的不同流体模型识别及堵管定位方法，该方法包括以下步骤：

步骤一、在流体输送管道的外壁上轴向布设多组电极，对流体输送管道施加电激励并测量得到边界电压序列，传输给计算机；计算机对测量得到的边界电压序列进行处理，获取电导率分布序列，将电导率分布序列恢复为矩阵形式，得到EIT图像；其中，每组电极均由多个沿流体输送管道的径向均匀布设的电极组成；

步骤二、所述计算机将EIT图像输入预先构建的Tensorflow流体模型识别网络中，识别出芯流模型、层流模型、泡流模型和环流模型；

步骤三、所述计算机采用最小二乘法计算各流体模型的最小误差值ΔU＝U_M-S·G；其中，U_M为归一化的测量电压矢量，S为灵敏度矩阵，G为实际的电导率分布矢量；

步骤四、所述计算机调用流体模型优化模块并采用基于模拟退火算法调整惯性权重的PSO算法对流体模型进行优化，得到优化后的各流体模型重建图像；

步骤五、所述计算机调用堵管定位模块并采用矩的方式，计算流体输送管道中结块的重心、面积和结块的方向，实现对堵管结块的定位；

步骤六、所述计算机调用堵管程度判断模块实现对堵管程度的判断。

上述的基于EIT层析成像的不同流体模型识别及堵管定位方法，步骤一中所述每组电极均由8个或16个沿流体输送管道的径向均匀布设的电极组成。

上述的基于EIT层析成像的不同流体模型识别及堵管定位方法，步骤二中所述Tensorflow流体模型识别网络的构建方法为：

步骤201、准备基于EIT层析成像方法重建的芯流模型、层流模型、泡流模型和环流模型的EIT图像各700张，并将所有EIT图像大小归一化为262×262个像素，将芯流模型、层流模型、泡流模型和环流模型的EIT图像各500张作为训练输入样本集，将芯流模型、层流模型、泡流模型和环流模型的EIT图像各200张作为测试样本集；

步骤202、所述计算机构建一个卷积网络核的层数为七层、输入层节点为262×262个像素的EIT图像，输出层节点为芯流模型、层流模型、泡流模型和环流模型四类流体模型的Tensorflow流体模型识别网络；

步骤203、采用步骤201中的训练输入样本集对步骤202中构建的Tensorflow流体模型识别网络进行训练，得到Tensorflow流体模型识别网络；

步骤204、采用步骤201中的测试样本集对步骤203中训练集得到的Tensorflow流体模型识别网络进行测试，测试得到流体模型识别结果准确率为98.5％；将步骤203中得到的Tensorflow流体模型识别网络确定为构建好的Tensorflow流体模型识别网络。

上述的基于EIT层析成像的不同流体模型识别及堵管定位方法，步骤四中所述计算机调用流体模型优化模块并采用基于模拟退火算法调整惯性权重的PSO算法对流体模型进行优化，得到优化后的各流体模型重建图像的具体过程为：

步骤401、初始化粒子群；

步骤402、根据初始位置和速度产生各粒子新的位置；

步骤403、计算每个粒子的适应度值，采用的适应度函数表示为式F＝min(||U_M-S·G_K||-||ΔU||)；其中，G_K为粒子的位置向量；

步骤404、对于每个粒子，比较它的适应度值和它经历过的最好位置P_id的适应度值，当适应度值更好时就更新；

步骤405、对于每个粒子，比较它的适应度值和群体所经历的最好位置P_gd的适应度值，当适应度值更好时就更新；

步骤406、根据公式v_id(t+1)＝ω·v_id(t)+c₁·r₁·[p_id-x_id(t)]+c₂·r₂·[p_gd-x_id(t)]和公式x_id(t+1)＝x_id(t)+v_id(t+1)调整粒子的速度和位置；其中，p_id为每个粒子当前搜索到的最优解，p_gd为全局目前最优解，v_id(t+1)表示第i个粒子在t+1次迭代中第d维上的速度，v_id(t)表示第i个粒子在t次迭代中第d维上的速度，x_id(t+1)表示第i个粒子在t+1次迭代中第d维上的位置，x_id(t)表示第i个粒子在t次迭代中第d维上的位置，ω为惯性权重，c₁和c₂均为加速因子且取值为正常数，r₁和r₂均为0～1之间的随机数，i的取值为1～N的正整数，N为粒子总数，d的取值为1～D的正整数，D为搜索空间的总维数；

步骤407、当达到最大迭代次数时结束，否则返回步骤403继续迭代执行。

上述的基于EIT层析成像的不同流体模型识别及堵管定位方法，步骤406中所述惯性权重ω的取值采用基于模拟退火算法的非线性动态调整方法，将模拟退火函数作为对惯性权重ω的迭代公式，表达式为其中，t为迭代步数且t的取值为正整数，τ和Ω均为正常数。

上述的基于EIT层析成像的不同流体模型识别及堵管定位方法，所述τ的取值为0.998，所述Ω的取值为500。

上述的基于EIT层析成像的不同流体模型识别及堵管定位方法，步骤五中所述计算机调用堵管定位模块并采用矩的方式，计算流体输送管道中结块的重心、面积和结块的方向，实现对堵管结块的定位的具体过程为：

步骤501、获取各流体模型重建图像中结块的图像块，对于每个图像块，基于零阶矩和一阶矩计算图像块的重心；计算公式为： 其中，M₀₀为零阶矩，M₁₀为x轴方向上的一阶矩，M₀₁为y轴方向上的一阶矩，x_c为图像块重心的横坐标，y_c为图像块重心的纵坐标，V(i′,j′)为图像在像素点(i′,j′)上的灰度值，i′为像素点(i′,j′)的横坐标，j′为像素点(i′,j′)的纵坐标；

步骤502、采用OpenCV中的contourArea函数计算每个图像块的面积；

步骤503、对于每个图像块，基于二阶矩计算图像块的方向角；计算公式为： 其中，M₂₀为x轴方向上的二阶矩，M₀₂为y轴方向上的二阶矩，M₁₁为x轴和y轴方向上的二阶矩，fastAtan2为OpenCV中的函数。

上述的基于EIT层析成像的不同流体模型识别及堵管定位方法，步骤六中所述计算机调用堵管程度判断模块实现对堵管程度的判断的具体过程为：

步骤601、所述计算机根据公式计算堵管时结块面积占充填管道横截面积的比率η，其中，s_p为流体输送管道的横截面积，s_λ为流体输送管道内第λ个结块面积，λ的取值为1～K的正整数，K为流体输送管道内结块的总个数；

步骤602、所述计算机判断η的大小，当η<0.25,处于正常状态，当0.25≤η≤0.5时,处于一般程度上的堵管，当η>0.5时，处于严重堵管。

本发明与现有技术相比具有以下优点：

1、本发明针对流体输送管道中出现层流、泡状流、芯流、环流等四种不同流型，设计了不同个数电极在管道外壁进行激励，基于EIT算法对图像不同流型的图像进行重建，基于不同流型基于深度学习网络对不同流型进行分类，再次对识别的流型进行堵管的定位的方法，设计新颖合理，实现方便，

2、本发明将模拟退火函数加入到PSO算法中，模拟退火函数代替PSO算法中的惯性权重因子，能够使模拟PSO算法网络快速收敛，能够有效提高流体模型优化的效率，进而提高了堵管定位和堵管程度判断的效率。

3、本发明在构造PSO算法的适应度函数时采用了Tensorflow深度学习网络，计算适应度函数中的ΔU，能够有效提高定位精度。

4、本发明采用矩的方式计算管道中结块的重心，同时计算结块的面积，以及结块的方向，能够实现对结块的精确定位。

5、本发明的实用性强，能够实时进行精确定位，能明确知道流体输送管道的工况，杜绝一切由于堵管造成的输送效率降低的现象，提高了输送效率，降低了输送成本。

综上所述，本发明的设计新颖合理，实现方便，能够实时进行精确定位，并判断出堵管程度，能够提高输送效率并降低输送成本，实用性强，便于推广使用。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的方法流程框图。

图2为本发明Tensorflow流体模型识别网络的结构示意图。

图3A为本发明仿真时8电极的芯流模型、层流模型、泡流模型和环流模型图。

图3B为本发明仿真时16电极的芯流模型、层流模型、泡流模型和环流模型图。

图4为本发明仿真时步骤一得到的EIT图像。

图5为本发明仿真时步骤四得到的优化后的8电极流体模型重建图像。

图6为本发明仿真时步骤四得到的优化后的16电极流体模型重建图像。

具体实施方式

如图1所示，本发明的基于EIT层析成像的不同流体模型识别及堵管定位方法，该方法包括以下步骤：

步骤一、在流体输送管道的外壁上轴向布设多组电极，对流体输送管道施加电激励并测量得到边界电压序列，传输给计算机；计算机对测量得到的边界电压序列进行处理，获取电导率分布序列，将电导率分布序列恢复为矩阵形式，得到EIT图像；其中，每组电极均由多个沿流体输送管道的径向均匀布设的电极组成；

本实施例中，步骤一中所述每组电极均由8个或16个沿流体输送管道的径向均匀布设的电极组成。

EIT层析成像的一般过程是：对物体的体表施加激励，在物体内部形成电磁场域，通过得到的边界电压测量数据进行重建算法的演算，最终达到EIT层析成像的目的。EIT层析成像原理简单来说是对正问题和反问题建模求解。EIT层析成像的正问题是已知场域的电导率分布和边界激励，求解场域的电势分布，得到场域边界的电势。EIT层析成像的逆问题是根据正问题求解出的边界电势和边界激励，求解场域的电导率分布。利用有限元法将EIT层析成像的正问题的偏微分方程转变为离散的数学模型U＝S·G，其中，U为边界电压矢量，S为灵敏度矩阵，G为实际的电导率分布矢量；根据数学模型U＝S·G，得出EIT层析成像的逆问题的数学模型G＝S^-1·U。EIT层析成像理论先假设电导率的分布情况，计算出边界电压的理论值，利用数学方法将边界电压的计算值与边界电压的测量值对比，进而对假设的电导率的进行逼近，使其接近真实值。

步骤二、所述计算机将EIT图像输入预先构建的Tensorflow流体模型识别网络中，识别出芯流模型、层流模型、泡流模型和环流模型；

本实施例中，步骤二中所述Tensorflow流体模型识别网络的构建方法为：

步骤201、准备基于EIT层析成像方法重建的芯流模型、层流模型、泡流模型和环流模型的EIT图像各700张，并将所有EIT图像大小归一化为262×262个像素，将芯流模型、层流模型、泡流模型和环流模型的EIT图像各500张作为训练输入样本集，将芯流模型、层流模型、泡流模型和环流模型的EIT图像各200张作为测试样本集；即准备了2000张EIT图像作为训练输入样本集，准备了800张EIT图像作为测试样本集；

步骤202、所述计算机构建一个卷积网络核的层数为七层、输入层节点为262×262个像素的EIT图像，输出层节点为芯流模型、层流模型、泡流模型和环流模型四类流体模型的Tensorflow流体模型识别网络；

具体实施时，如图2所示，所述Tensorflow流体模型识别网络的输入EIT图像大小为262×262个像素，将输入层大小为262×262个像素与卷积核K1(大小为7×7个像素)进行卷积运算，得到卷积层C1的大小为256×256个像素，然后对卷积层C1进行降采样，得到降采样层S1的大小为64×64个像素，再与卷积核K2(大小为5×5个像素)进行卷积运算，得到卷积层C2的大小为60×60个像素，然后对卷积层C2进行降采样，得到降采样层S2的大小为15×15个像素，这样做，进一步提取特征同时减小了下层卷积层的计算量，进而使用小的特征卷积核与采样层卷积操作得到小的特征，再进行降采样将得到所有的特征，最后将这些特征进行全连接，这样就使用简单的Tensorflow卷积神经网络，能够预测不同流体模型的类型，即建立了EIT图像与不同流体模型之间的端到端的非线性关系。

步骤203、采用步骤201中的训练输入样本集对步骤202中构建的Tensorflow流体模型识别网络进行训练，得到Tensorflow流体模型识别网络；

步骤204、采用步骤201中的测试样本集对步骤203中训练集得到的Tensorflow流体模型识别网络进行测试，测试得到流体模型识别结果准确率为98.5％；将步骤203中得到的Tensorflow流体模型识别网络确定为构建好的Tensorflow流体模型识别网络。

步骤三、所述计算机采用最小二乘法计算各流体模型的最小误差值ΔU＝U_M-S·G；其中，U_M为归一化的测量电压矢量，S为灵敏度矩阵，G为实际的电导率分布矢量；

步骤四、所述计算机调用流体模型优化模块并采用基于模拟退火算法调整惯性权重的PSO算法对流体模型进行优化，得到优化后的各流体模型重建图像；

本实施例中，步骤四中所述计算机调用流体模型优化模块并采用基于模拟退火算法调整惯性权重的PSO算法对流体模型进行优化，得到优化后的各流体模型重建图像的具体过程为：

步骤401、初始化粒子群；即随机设定各粒子的初始位置(即EIT图像)和初始速度V；

步骤402、根据初始位置和速度产生各粒子新的位置；

步骤403、计算每个粒子的适应度值，采用的适应度函数表示为式F＝min(||U_M-S·G_K||-||ΔU||)；其中，G_K为粒子的位置向量(即所要求取的电导率分布矢量)；

步骤404、对于每个粒子，比较它的适应度值和它经历过的最好位置P_id的适应度值，当适应度值更好时就更新；

步骤405、对于每个粒子，比较它的适应度值和群体所经历的最好位置P_gd的适应度值，当适应度值更好时就更新；

步骤406、根据公式v_id(t+1)＝ω·v_id(t)+c₁·r₁·[p_id-x_id(t)]+c₂·r₂·[p_gd-x_id(t)]和公式x_id(t+1)＝x_id(t)+v_id(t+1)调整粒子的速度和位置；其中，p_id为每个粒子当前搜索到的最优解，p_gd为全局目前最优解，v_id(t+1)表示第i个粒子在t+1次迭代中第d维上的速度，v_id(t)表示第i个粒子在t次迭代中第d维上的速度，x_id(t+1)表示第i个粒子在t+1次迭代中第d维上的位置，x_id(t)表示第i个粒子在t次迭代中第d维上的位置，ω为惯性权重，c₁和c₂均为加速因子且取值为正常数，r₁和r₂均为0～1之间的随机数，i的取值为1～N的正整数，N为粒子总数，d的取值为1～D的正整数，D为搜索空间的总维数；

具体实施时，第d维的位置变化范围为[-x_dmax,x_dmax]，第d维的速度变化范围为[-v_dmax,v_dmax]，迭代中若某一维的x_id(t)和v_id(t)超过边界则取边界值；

本实施例中，步骤406中所述惯性权重ω的取值采用基于模拟退火算法的非线性动态调整方法，将模拟退火函数作为对惯性权重ω的迭代公式，表达式为其中，t为迭代步数且t的取值为正整数，τ和Ω均为正常数。

在标准PSO算法公式中，惯性权重ω直接作用于速度，赋予粒子搜索空间的广度；惯性权重ω较大时，前一时刻的速度对粒子搜索的影响较大，全局搜索能力较强；惯性权重ω较小时，前一时刻的速度粒子搜索的影响较小，局部搜索能力较强；将模拟退火函数作为对惯性权重ω的迭代公式，使得惯性权重ω在迭代过程中不断调整，前期搜索时惯性权重ω较大，能够使粒子注重全局搜索能力，加快搜索速度，跳过局部最优位置，确定最优位置的大概范围；在一定步数之后，惯性权重ω较小，使粒子注重局部搜索能力，减缓搜索速度，逐渐确定最优位置。

本实施例中，所述τ的取值为0.998，所述Ω的取值为500。

步骤407、当达到最大迭代次数时结束，否则返回步骤403继续迭代执行。

具体实施时，最大迭代次数预先设定，取值为100～1000。

步骤五、所述计算机调用堵管定位模块并采用矩的方式，计算流体输送管道中结块的重心、面积和结块的方向，实现对堵管结块的定位；

本实施例中，步骤五中所述计算机调用堵管定位模块并采用矩的方式，计算流体输送管道中结块的重心、面积和结块的方向，实现对堵管结块的定位的具体过程为：

步骤501、获取各流体模型重建图像中结块的图像块，对于每个图像块，基于零阶矩和一阶矩计算图像块的重心；计算公式为： 其中，M₀₀为零阶矩，M₁₀为x轴方向上的一阶矩，M₀₁为y轴方向上的一阶矩，x_c为图像块重心的横坐标，y_c为图像块重心的纵坐标，V(i′,j′)为图像在像素点(i′,j′)上的灰度值，i′为像素点(i′,j′)的横坐标，j′为像素点(i′,j′)的纵坐标；

步骤502、采用OpenCV中的contourArea函数计算每个图像块的面积；

步骤503、对于每个图像块，基于二阶矩计算图像块的方向角；计算公式为： 其中，M₂₀为x轴方向上的二阶矩，M₀₂为y轴方向上的二阶矩，M₁₁为x轴和y轴方向上的二阶矩，fastAtan2为OpenCV中的函数。

具体实施时，fastAtan2的返回值为0°～360°的角度。

步骤六、所述计算机调用堵管程度判断模块实现对堵管程度的判断。

本实施例中，步骤六中所述计算机调用堵管程度判断模块实现对堵管程度的判断的具体过程为：

步骤601、所述计算机根据公式计算堵管时结块面积占充填管道横截面积的比率η，其中，s_p为流体输送管道的横截面积，s_λ为流体输送管道内第λ个结块面积，λ的取值为1～K的正整数，K为流体输送管道内结块的总个数；

具体实施时，芯流模型、层流模型和环流模型中，只有一个结块，泡流模型中，有三个结块。

步骤602、所述计算机判断η的大小，当η<0.25,处于正常状态，当0.25≤η≤0.5时,处于一般程度上的堵管，当η>0.5时，处于严重堵管。

为了验证本发明能够产生的技术效果，采用Matlab软件，针对不同的流体模型进行不同电极的仿真模拟。仿真中基于Matlab模型分为芯流模型、层流模型、泡状流模型和环流模型，采用的电极有8电极，16电极，其位于模型边界的顶点上。如图3A所示为8电极的芯流模型、层流模型、泡流模型和环流模型图，如图3B所示为16电极的芯流模型、层流模型、泡流模型和环流模型图。电极所放位置为流体输送管道的外壁，等角度均匀放置。8电极模型图每隔45度放置一个电极，16电极模型图每隔22.5度放置一个电极。采用相邻模式，输入电流的电极和输出电流的电极相邻，测量电压差的电极相邻。

仿真时，根据步骤一得到的EIT图像如图4所示，执行完步骤四后，得到的优化后的8电极流体模型重建图像如图5所示，得到的优化后的8电极流体模型重建图像如图6所示；从图5和图4能够看出，本发明采用的基于模拟退火算法调整惯性权重的PSO算法，能够很好地对流体模型进行优化，且16电极优于8电极的仿真结果图。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (8)

1.一种基于EIT层析成像的不同流体模型识别及堵管定位方法，其特征在于：该方法包括以下步骤：

步骤一、在流体输送管道的外壁上轴向布设多组电极，对流体输送管道施加电激励并测量得到边界电压序列，传输给计算机；计算机对测量得到的边界电压序列进行处理，获取电导率分布序列，将电导率分布序列恢复为矩阵形式，得到EIT图像；其中，每组电极均由多个沿流体输送管道的径向均匀布设的电极组成；

步骤二、所述计算机将EIT图像输入预先构建的Tensorflow流体模型识别网络中，识别出芯流模型、层流模型、泡流模型和环流模型；

步骤三、所述计算机采用最小二乘法计算各流体模型的最小误差值ΔU＝U_M-S·G；其中，U_M为归一化的测量电压矢量，S为灵敏度矩阵，G为实际的电导率分布矢量；

步骤四、所述计算机调用流体模型优化模块并采用基于模拟退火算法调整惯性权重的PSO算法对流体模型进行优化，得到优化后的各流体模型重建图像；

步骤五、所述计算机调用堵管定位模块并采用矩的方式，计算流体输送管道中结块的重心、面积和结块的方向，实现对堵管结块的定位；

步骤六、所述计算机调用堵管程度判断模块实现对堵管程度的判断。

2.按照权利要求1所述的基于EIT层析成像的不同流体模型识别及堵管定位方法，其特征在于：步骤一中所述每组电极均由8个或16个沿流体输送管道的径向均匀布设的电极组成。

3.按照权利要求1所述的基于EIT层析成像的不同流体模型识别及堵管定位方法，其特征在于：步骤二中所述Tensorflow流体模型识别网络的构建方法为：

步骤201、准备基于EIT层析成像方法重建的芯流模型、层流模型、泡流模型和环流模型的EIT图像各700张，并将所有EIT图像大小归一化为262×262个像素，将芯流模型、层流模型、泡流模型和环流模型的EIT图像各500张作为训练输入样本集，将芯流模型、层流模型、泡流模型和环流模型的EIT图像各200张作为测试样本集；

步骤202、所述计算机构建一个卷积网络核的层数为七层、输入层节点为262×262个像素的EIT图像，输出层节点为芯流模型、层流模型、泡流模型和环流模型四类流体模型的Tensorflow流体模型识别网络；

步骤203、采用步骤201中的训练输入样本集对步骤202中构建的Tensorflow流体模型识别网络进行训练，得到Tensorflow流体模型识别网络；

步骤204、采用步骤201中的测试样本集对步骤203中训练集得到的Tensorflow流体模型识别网络进行测试，测试得到流体模型识别结果准确率为98.5％；将步骤203中得到的Tensorflow流体模型识别网络确定为构建好的Tensorflow流体模型识别网络。

4.按照权利要求1所述的基于EIT层析成像的不同流体模型识别及堵管定位方法，其特征在于：步骤四中所述计算机调用流体模型优化模块并采用基于模拟退火算法调整惯性权重的PSO算法对流体模型进行优化，得到优化后的各流体模型重建图像的具体过程为：

步骤401、初始化粒子群；

步骤402、根据初始位置和速度产生各粒子新的位置；

步骤403、计算每个粒子的适应度值，采用的适应度函数表示为式F＝min(||U_M-S·G_K||-||ΔU||)；其中，G_K为粒子的位置向量；

步骤404、对于每个粒子，比较它的适应度值和它经历过的最好位置P_id的适应度值，当适应度值更好时就更新；

步骤405、对于每个粒子，比较它的适应度值和群体所经历的最好位置P_gd的适应度值，当适应度值更好时就更新；

步骤406、根据公式v_id(t+1)＝ω·v_id(t)+c₁·r₁·[p_id-x_id(t)]+c₂·r₂·[p_gd-x_id(t)]和公式x_id(t+1)＝x_id(t)+v_id(t+1)调整粒子的速度和位置；其中，p_id为每个粒子当前搜索到的最优解，p_gd为全局目前最优解，v_id(t+1)表示第i个粒子在t+1次迭代中第d维上的速度，v_id(t)表示第i个粒子在t次迭代中第d维上的速度，x_id(t+1)表示第i个粒子在t+1次迭代中第d维上的位置，x_id(t)表示第i个粒子在t次迭代中第d维上的位置，ω为惯性权重，c₁和c₂均为加速因子且取值为正常数，r₁和r₂均为0～1之间的随机数，i的取值为1～N的正整数，N为粒子总数，d的取值为1～D的正整数，D为搜索空间的总维数；

步骤407、当达到最大迭代次数时结束，否则返回步骤403继续迭代执行。

5.按照权利要求4所述的基于EIT层析成像的不同流体模型识别及堵管定位方法，其特征在于：步骤406中所述惯性权重ω的取值采用基于模拟退火算法的非线性动态调整方法，将模拟退火函数作为对惯性权重ω的迭代公式，表达式为其中，t为迭代步数且t的取值为正整数，τ和Ω均为正常数。

6.按照权利要求5所述的基于EIT层析成像的不同流体模型识别及堵管定位方法，其特征在于：所述τ的取值为0.998，所述Ω的取值为500。

7.按照权利要求1所述的基于EIT层析成像的不同流体模型识别及堵管定位方法，其特征在于：步骤五中所述计算机调用堵管定位模块并采用矩的方式，计算流体输送管道中结块的重心、面积和结块的方向，实现对堵管结块的定位的具体过程为：

步骤501、获取各流体模型重建图像中结块的图像块，对于每个图像块，基于零阶矩和一阶矩计算图像块的重心；计算公式为： 其中，M₀₀为零阶矩，M₁₀为x轴方向上的一阶矩，M₀₁为y轴方向上的一阶矩，x_c为图像块重心的横坐标，y_c为图像块重心的纵坐标，V(i′,j′)为图像在像素点(i′,j′)上的灰度值，i′为像素点(i′,j′)的横坐标，j′为像素点(i′,j′)的纵坐标；

步骤502、采用OpenCV中的contourArea函数计算每个图像块的面积；

步骤503、对于每个图像块，基于二阶矩计算图像块的方向角；计算公式为： 其中，M₂₀为x轴方向上的二阶矩，M₀₂为y轴方向上的二阶矩，M₁₁为x轴和y轴方向上的二阶矩，fastAtan2为OpenCV中的函数。

8.按照权利要求1所述的基于EIT层析成像的不同流体模型识别及堵管定位方法，其特征在于：步骤六中所述计算机调用堵管程度判断模块实现对堵管程度的判断的具体过程为：

步骤601、所述计算机根据公式计算堵管时结块面积占充填管道横截面积的比率η，其中，s_p为流体输送管道的横截面积，s_λ为流体输送管道内第λ个结块面积，λ的取值为1～K的正整数，K为流体输送管道内结块的总个数；

步骤602、所述计算机判断η的大小，当η<0.25,处于正常状态，当0.25≤η≤0.5时,处于一般程度上的堵管，当η>0.5时，处于严重堵管。