CN113112562A - 油气两相流管道在线检测图像的生成方法及装置 - Google Patents
油气两相流管道在线检测图像的生成方法及装置 Download PDFInfo
- Publication number
- CN113112562A CN113112562A CN202110415643.2A CN202110415643A CN113112562A CN 113112562 A CN113112562 A CN 113112562A CN 202110415643 A CN202110415643 A CN 202110415643A CN 113112562 A CN113112562 A CN 113112562A
- Authority
- CN
- China
- Prior art keywords
- phase flow
- gas
- oil
- image
- laplacian
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005514 two-phase flow Effects 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000003325 tomography Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 230000008929 regeneration Effects 0.000 claims abstract description 4
- 238000011069 regeneration method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 78
- 230000035945 sensitivity Effects 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 16
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 4
- 239000007788 liquid Substances 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000005284 excitation Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002969 morbid Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种油气两相流管道在线可视检测图像的生成方法及装置，涉及无损检测技术领域，主要目的在于解决现有油气两相流管道在线检测图像的精度较差的问题。主要包括：采集、获取等间隔安装在油气两相流管道周边的电容传感器的电极电容数据；基于正则化技术，建立所述电容层析成像系统图像重建模型；基于再生核理论和正则化项特征值谱优化技术，创新了在线正则化重建算法的设计方法。以设计一种新的在线正则化重建算法对管道内部气液两相分布进行图像重建处理，生成管道内部可视检测图像，所述新算法为基于先验分布加权的图拉普拉斯及其算子函数对正则化项的特征谱进行局域优化得到的。主要用于油气两相流管道在线检测的可视图像生成。
Description
技术领域
本发明涉及一种在线检测技术领域，特别是涉及一种油气两相流管道在线检测图像的生成方法及装置。
背景技术
电容层析成像(electrical capacitance tomography,ECT)是应用于工业管道运输、反应容器中流体检测及物相分布可视化测量的一种新技术，主要用于石油化工、冶金电力等行业。通过采集安装在管道、容器外部传感器的电容，并结合重建算法，重建管道内部各物质相介电常数图像分布。具有非侵入、低成本、响应快，以及可在线重建等优点。其中，由于ECT系统内在的“软场”特性，会引起图像重建欠定性、病态性等逆问题，并且较少投影数据和测量噪声还导致在线的非迭代算法无法获得较高的分辨率和准确解，而Tikhonov正则化技术则被广泛用于图像重建的病态问题。
目前，现有Tikhonov正则化是通过增加正则化惩罚项，限定求解范围，将病态问题转换为良性问题。但是，在线的非迭代正则化算法的重建性能仍不能满足要求。如标准Tikhonov正则化算法会使图像过度光滑，边缘细节丢失；采用离散微分类Tikhonov正则化，旨在保证求解模型参数的平滑性，在成像各区域上，数据变化平稳度差别很大，而惩罚量不变，导致对象形状失真和较多伪影，从而导致油气两相流管道在线检测图像的精度较差，影响油气两相流管道的检测效果。
发明内容
有鉴于此，本发明提供一种油气两相流管道在线检测图像的生成方法及装置，主要目的在于解决现有油气两相流管道在线检测图像的精度较差的问题。
依据本发明一个方面，提供了一种油气两相流管道在线检测图像的生成方法，包括：
获取基于电容传感器采集油气两相流管道的电极数据；
基于对所述电容传感器的敏感场及所述电极数据进行分析处理，建立电容层析成像系统的图像重建模型；
基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像，所述改进的正则化项为基于灵敏度非线性加权的图拉普拉斯及其算子函数对特征谱进行局域优化得到的。
依据本发明另一个方面，提供了一种油气两相流管道在线检测图像的生成装置，包括：
获取模块，用于获取基于电容传感器采集油气两相流管道的电极数据；
建立模块，用于基于对所述电容传感器的敏感场及所述电极数据进行分析处理，建立电容层析成像系统的图像重建模型；
生成模块，用于基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像，所述改进的正则化项为基于灵敏度非线性加权的图拉普拉斯及其算子函数对正则化项特征谱局域优化得到的。
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述油气两相流管道在线检测图像的生成方法对应的操作。
根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述油气两相流管道在线检测图像的生成方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种油气两相流管道在线检测图像的生成方法及装置，与现有技术相比，本发明实施例通过获取基于电容传感器采集油气两相流管道的电极数据；基于对所述电容传感器的敏感场及所述电极数据进行分析处理，建立电容层析成像系统的图像重建模型；基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像，所述改进的正则化项为基于灵敏度非线性加权的图拉普拉斯及其算子函数对特征谱进行局域优化得到的，实现基于ECT系统生成的管道内部两相流的图像平稳化，并且基于改进的正则化项的处理求解模型，使得图像中物体的形状更为清晰，从而提高检测图像的精度，大大提高了的检测效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举例本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种油气两相流管道在线检测图像的生成方法流程图；
图2示出了本发明实施例提供的一种油气两相流管道在线检测系统示意图；
图3示出了本发明实施例提供的一种针对6种典型分布原型对应常用的线性反投影、标准正则化算法与新算法的管道两相流重建图像对比示意图；
图4示出了本发明实施例提供的一种油气两相流管道在线检测图像的生成装置组成框图；
图5示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种油气两相流管道在线检测图像的生成方法，如图1所示，该方法包括：
101、获取基于电容传感器采集油气两相流管道的电极数据。
本发明实施例中，如图2所示的油气两相流管道在线检测系统示意图，在油气两相流管道的外壁上安装有电极传感器，作为管道传感器中采集电极数据的传感器设备。其中，电容传感器通过多个电极板触发单极激励模式，采集各电容极板对间电容值，传输至作为数据处理器的终端设备中，以便在作为当前执行端的终端设备中生成油气两相流管道在线检测图像。
需要说明的是，本发明实施例中，为了准确采集需要进行计算处理的电极数据，安装的电容极板按照电极张角为
，电极长度为100mm，轴向屏蔽进行配置。具体的，依次在单个电极上施加交流激励并测量多个对间电容值，作为电极数据，当前执行终端通过无线或有线通信传输技术获取采集的上述电极数据。
102、基于对所述电容传感器的敏感场及所述电极数据进行分析处理，建立电容层析成像系统的图像重建模型。
本发明实施例中，由于获取到的电极数据为电极对间电容值，因此，基于电容层析成像原理建立图像重建模型，从而以图像重建模型进行求解生成油气两相流管道的检测图像。其中，电容层析成像(ECT)系统构建图像重建模型之前，首先采用有限元方法，将传感器的成像区域划分为N个单元，预先计算出灵敏度矩阵，灵敏度矩阵为，M×N，M为电容值个数，M＝(P×(P-1))/2，P为电容极板个数。构建的图像重建模型表示为c＝Sg，c为归一化电容M维向量，g为N维归一化介电常数向量，S为归一化后灵敏度矩阵，用于反映正向系统内在属性。其中，所述敏感场为依次选取P个电极之一，施加电压激励，一电极连接检测端而其它电极接地，在成像区建立的敏感场近似满足似稳场条件。采用有限元法对敏感场求解，结合敏感场与电极数据进行分析处理，可得到M个关于N个单元介电常数未知量及电容测量值的方程，从而建立电容层析成像系统的图像重建模型。
103、基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像。
本发明实施例中，针对油气两相流管道中的管道两相流，即油气两相流，由于被测电容数量要远小于重建介质分布未知数，即图像像素数，同时灵敏度矩阵条件数很大，系统的欠定性、病态性增加了图像重建的难度，尤其对用于工程的在线重建技术提出了很高要求，因此，基于改进的正则化项构建在线重建算法对所述图像重建模型进行图像重建处理，可以生成准确性较高的油气两相流管道的检测图像。具体的，在对图像重建模型进行求解生成检测图像的过程中，通过改进的正则化项对图像重建模型进行图像重建处理，其中，正则化项为通过Tikhonov正则化技术，通过引入正则化约束项，将图像重建模型的病态问题转换为良性问题以求解，基于图像重建模型进行的正则化项的求解表示为
α是正则化参数，为正值。
需要说明的是，为了使基于正则化项对图像重建模型进行求解而生成的检测图像提高平滑效果，减少形状失真，保持相对明显的边缘轮廓，改善重建图像的质量，基于对正则化项进行改进，改进的正则化项为基于灵敏度非线性加权的图拉普拉斯及其算子函数对特征谱进行局域优化处理得到的。
进一步地，为了预先对正则化项进行改进，以提高对图像重建模型的求解准确性，从而得到图像效果平滑、精准度高的检测图像，所述基于改进的正则化项对所述图像重建模型进行图像重建生成处理之前，所述方法还包括：
201、构建图拉普拉斯算子，并基于有限元网络对所述图拉普拉斯算子进行规范化，得到规范化拉普拉斯算子
202、依据适合先验分布的核函数、确定相关算子函数，对所述规范化拉普拉斯算子
进行去奇异化处理后作为正则化项，得到正则化拉普拉斯矩阵LR；
203、根据灵敏度非线性定义的变权值拉普拉斯算子
对所述正则化拉普拉斯矩阵LR中的所述规范化拉普拉斯算子
进行替换，得到特征谱局域优化的改进正则化项Lopt。
针对步骤201，本发明实施例中，电容值所对应的无向图上的拉普拉斯算子可以获得相邻节点相对中心节点的微小扰动产生变化增量，因此，在二维三角形单元的有限元网格中，离散的拉普拉斯算子通常与表示邻域结构的无向图相联系，即图拉普拉斯算子，因此，构建出图拉普拉斯算子。并且为了适用于特征值范围的可变性，网络连通性、离散化的处理方法，需要基于有限元网络对图拉普拉斯算子进行规范化，得到规范化拉普拉斯算子
进一步地，为了进一步限定及说明，步骤201中所述构建图拉普拉斯算子，并基于有限元网络对所述图拉普拉斯算子进行规范化，得到规范化拉普拉斯算子
包括：基于无向图中相邻节点的增量变化特征，构建符合二维的有限网格的图拉普拉斯算子L，所述L表示为
所述di＝∑j∈Ν(i)L(i,j)，Ν(i)表示与单元i相邻的单元；基于所述二维有限元网格对所述图拉普拉斯算子L进行规范化，得到规范化拉普拉斯算子
所述
表示为
其中，相邻的单元具有相似性，连接系数为“-1”，以代替表示图拉普拉斯相邻元素的相似程度是一致，无差别的。本发明实施例中，对规范化拉普拉斯算子
进行矩阵转化处理，得到
其中，D对角矩阵，表示为D(i,i)＝di，说明
是正交半定对称矩阵，其具有和为零的行和列，其特征值位于区间[0，2]。
进一步地，为了解决图像重建模型求解过程中的局部非线性问题，以提高求解准确性，所述根据已定义的变权值拉普拉斯算子Lw经规范化后，对所述正则化拉普拉斯矩阵LR中的所述规范化拉普拉斯算子
进行替换之前，所述方法还包括：根据油气两相流管道电容传感器内敏感场，确定灵敏度梯度幅值，并基于所述灵敏度梯度幅值定义变权值拉普拉斯算子，其中，所述变权值拉普拉斯算子为
所述w(i,j)表征相邻单元参数相识性，wi,j＝-(1-γj)，所述γj为非线性因子。
本发明实施例中，由于管道中两相流的运输形式会使电极传感器的灵敏度降低，即敏感区单元灵敏度梯度幅值表示灵敏度的局部变化，可以得出敏感场对边界量(电容)物理效应是不均匀的，说明ECT系统的非线性特征，因此，根据灵敏度梯度幅值，以定义变权值拉普拉斯算子。其中，根据灵敏度梯度幅值为设定非线性因子γj，然后利用灵敏度梯度幅值定义变权值的拉普拉斯算子，随着灵敏度梯度幅值变化的权重系数代替相邻元素的相似度的“-1”，可以得到wi,j＝-(1-γj)。
另外，定义γj＝DSj/DSmax，
是单元i的相邻单元j上所有电极对灵敏度图中心差分之和，DSmax是其中最大一项，m为测量的电极对序数。因此，当灵敏度梯度幅值最大时，局部非线性最强，ECT系统建立图像重构模型时，相邻单元参数依赖测量数据变化最小，即单元参数相识性最小，相应权值为0，从而得到变权值拉普拉斯算子为
需要说明的是，为了便于进行一步模型求解，根据再生核理论，利用规范拉普拉斯算子得到正则化项：
其中g为图像矢量，gi、gj为单元图像值，可作为相邻单元之间参数变化的度量，作为正则化项中惩罚项的基础。
针对步骤202，本发明实施例中，为了获得最佳正则化图像重建效果，符合先验性约束，因此，需要预先确定核函数以及相应算子函数，以根据核函数、相应的算子函数对已经得到的规范化拉普拉斯算子
进行正则化处理，得到正则化拉普拉斯矩阵LR。
具体的，采用递增算子函数
其中，r(·)表示对应实函数，应用于
得到
则新的正则化项表示可以为：
{vi,λi}为P的特征值系统，λi为特征值，vi为对应特征向量。r(·)函数通过对符合先验分布频率进行适当放大，确定重构特征值谱，定义连续空间f∈L2(Rn)，对应的微分算子函数：
am≥0，x为变量，
为微分算子，am为系数；作为预置的算子函数。其中，若m为偶数，则为
若m为奇数，则为
k∈[0,∞)，f的傅立叶变换为
空间H内积在傅氏空间表示为：
ω为频域变量。其中，Δ算子在傅氏空间变为||ω||2，频谱r(||ω||2)是对频率分量
进行惩罚得到的函数。根据核函数理论，核函数k(x,x′)为r-1(||ω||2)的傅氏逆变换，x、x′为变量，ω为频域变量。进一步地，通过
映射的算子函数与相应核函数建立了内在联系，根据先验条件可以选取合适的核函数类型及其特征参数，得到相应的算子函数表达式，用于正则化项确定。如：核函数
称为高斯径向基函数(RBF)，常用于仅与距离有关的扩散的先验分布条件；所对应的映射空间的算子函数为
为了进一步限定及说明，所述结合核函数、确定相应算子函数，对所述规范化拉普拉斯算子
进行正则化处理，得到正则化拉普拉斯矩阵LR包括：根据油气两相流管道中两相流的离散相扩散特征确定核函数，所述核函数为
所述σ为控制拉普拉斯谱修正量，即扩散宽度；根据核函数理论，确定所述核函数与映射再生核希尔伯特空间的算子函数存在对应关系，所述核函数为r-1(||ω||2)的傅氏逆变换，r(·)为算子函数的实函数形式，所述核函数确定的算子函数为一次多项式形式；
将所述规范化拉普拉斯算子
替换至所述算子函数中进行正则化处理，得到正则化拉普拉斯矩阵LR，所述LR表示为
I为单位矩阵。
本发明实施例中，由于工业生产过程中，油气两相流管道中的两相流在运输过程中，离散相以簇团扩散形式存在，即先验条件符合Laplacian分布。用算子函数变换构建合理的正则化项，其对应核函数选取
是Laplacian径向基函数。对应算子函数为一次多项式函数，应用于规范拉普拉斯
得到正则化拉普拉斯矩阵
其中，σ是根据对应Laplacian径向基函数扩散宽度选取，σ减小，扩散宽度变小，正则化作用增大，因此，σ选择合适值可以消除解图像高频振荡，并抑制过度平滑。本发明实施例中，设定LR去除“0”特征值，不再是奇异矩阵。为了提高获得最佳的正则化图像重建效果，符合先验性约束，基于灵敏度局域非线性先验条件，将加权拉普拉斯Lw替代
且参数σ依据单元非线性，由
选定，得到改进的正则化项Lopt。
进一步地，为了限定及说明，所述改进的正则化项Lopt表示为
其中，
用于控制单元i的正则化水平。
进一步地，为了具体说明及限定，所述基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像包括：对所述图像重建模型进行正则化处理，得到正则化解的图像重建图像
所述正则化解的图像重建图像
表示为
所述α是正则化参数，所述c为归一化电容M维向量，将所述改进的正则化项Lopt对所述正则化解的图像重建模型中的图拉普拉斯算子L进行替换处理，并进行求解运算，生成油气两相流管道的检测图像。
具体的，为了准确进行图像重建模型的建立，提高重建图像的清晰度、准确性，通过最小化重建图像的IE指标，优化正则化参数α，针对6种典型的管道两相流分布，得到六种分布的正则化参数α取值。
表1三种正则化算法正则化参数
基于正则化参数α的不同取值，将改进的正则化项Lopt对正则化解的图像重建模型中的图拉普拉斯算子L进行替换处理，并进行求解运算，得到如图3所示的针对6种典型分布原型对应常用的线性反投影、标准正则化算法与新算法的管道两相流重建图像对比示意图。
本发明实施例提供了一种油气两相流管道在线检测图像的生成方法，与现有技术相比，本发明实施例通过获取基于电容传感器采集油气两相流管道的电极数据；基于对所述电容传感器的敏感场及所述电极数据进行分析处理，建立电容层析成像系统的图像重建模型；基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像，所述改进的正则化项为基于灵敏度非线性加权的图拉普拉斯及其算子函数对特征谱进行局域优化得到的，实现基于ECT系统生成的油气两相流管道内部两相流的图像平稳化，并且基于改进的正则化项的处理求解模型，使得图像中物体形状更为清晰，从而提高管道检测图像的精度，大大提高了两相流的检测效果。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种油气两相流管道在线检测图像的生成装置，如图4所示，该装置包括：
获取模块21，用于获取基于电容传感器采集油气两相流管道的电极电容数据；
建立模块22，用于基于对所述电容传感器的敏感场及所述电极数据进行分析处理，建立电容层析成像系统的图像重建模型；
生成模块23，用于基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像，所述改进的正则化项为基于灵敏度非线性加权的图拉普拉斯及其算子函数对特征谱进行局域优化得到的。
进一步地，所述装置还包括：
构建模块，用于构建图拉普拉斯算子，并基于有限元网络对所述图拉普拉斯算子进行规范化，得到规范化拉普拉斯算子
处理模块，用于依据适合先验分布的核函数、确定相关算子函数，对所述规范化拉普拉斯算子
进行去奇异化处理后作为正则化项，得到正则化拉普拉斯矩阵LR；
替换模块，用于根据灵敏度非线性定义的变权值拉普拉斯算子Lw经规范化后，对所述正则化拉普拉斯矩阵LR中的所述规范化拉普拉斯算子
进行替换，得到特征谱局域优化的改进正则化项Lopt。
进一步地，所述构建模块包括：
构建单元，用于基于无向图中相邻节点的增量变化特征，构建符合二维等间距单元有限网格的图拉普拉斯算子L，所述L表示为
所述di＝∑j∈Ν(i)L(i,j)，Ν(i)表示与单元i相邻的单元；
处理单元，用于基于所述二维等间距单元有限网格对所述图拉普拉斯算子L进行规范化，得到规范化拉普拉斯算子
所述
表示为
进一步地，所述装置还包括：
定义模块，用于根据分布传感器电极的管道中敏感场特征，确定灵敏度梯度幅值，并基于所述灵敏度梯度幅值定义变权值拉普拉斯算子，其中，所述变权值拉普拉斯算子为
所述w(i,j)表征相邻单元参数相似性，wi,j＝-(1-γj)，所述γj为非线性因子，定义为：γj＝DSj/DSmax，DSj是单元j上所有电极对的灵敏度中心差分之和，表示为
DSmax是其中最大一项。
进一步地，所述处理模块包括：
确定单元，用于根据油气两相流管道中两相流的离散相扩散特征确定核函数，所述核函数为
所述σ为扩散宽度；
处理单元，用于根据核函数理论，核函数与映射再生核希尔伯特空间的算子函数存在对应关系，所述核函数为r-1(||ω||2)的傅氏逆变换，r(·)为算子函数的实函数形式，所述核函数确定的算子函数为一次多项式形式；
将所述规范化拉普拉斯算子
替换至所述算子函数中进行正则化处理，得到正则化拉普拉斯矩阵LR，所述LR表示为
进一步地，所述改进的正则化项Lopt表示为
其中，
用于控制单元i的正则化水平。
进一步地，所述图像重建模型为c＝Sg，g为N维归一化介电常数向量，S为归一化后灵敏度矩阵；所述生成模块包括：
处理单元，用于对所述图像重建模型进行正则化处理，得到正则化解的图像重建图像
所述正则化解的图像重建模型表示为
所述是正则化参数α，所述c为归一化电容M维向量，
生成单元，用于将所述改进的正则化项Lopt对所述正则化解的图像重建模型中的图拉普拉斯算子L进行替换处理，并进行求解运算，生成油气两相流管道的检测图像。
本发明实施例提供了一种油气两相流管道在线检测图像的生成装置，与现有技术相比，本发明实施例通过获取基于电容传感器采集油气两相流管道的电极数据；基于对所述电容传感器的敏感场及所述电极数据进行分析处理，建立电容层析成像系统的图像重建模型；基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像，所述改进的正则化项为基于灵敏度非线性加权的图拉普拉斯及其算子函数对特征谱进行局域优化得到的，实现基于ECT系统生成的油气两相流管道内部两相流的图像平稳化，并且基于改进的正则化项的处理求解模型，使得图像中的图像形状更为清晰，从而提高油气两相流管道在线检测图像的精度，大大提高了的检测性能。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的油气两相流管道在线检测图像的生成方法。
图5示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。
如图5所示，该终端可以包括：处理器(processor)302、通信接口(CommunicationsInterface)304、存储器(memory)306、以及通信总线308。
其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302，用于执行程序310，具体可以执行上述油气两相流管道在线检测图像的生成方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行以下操作：
获取基于电容传感器采集油气两相流管道的电极数据；
基于对所述电容传感器的敏感场及所述电极数据进行分析处理，建立电容层析成像系统的图像重建模型；
基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像，所述改进的正则化项为基于灵敏度非线性加权的图拉普拉斯及其算子函数对特征谱进行局域优化得到的。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种油气两相流管道在线检测图像的生成方法，其特征在于，包括：
获取基于电容传感器采集油气两相流管道的电极数据；
基于对所述电容传感器的敏感场及所述电极数据进行分析处理，建立电容层析成像系统的图像重建模型；
基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像，所述改进的正则化项为基于灵敏度非线性加权的图拉普拉斯及其算子函数对特征谱进行局域优化得到的。
2.根据权利要求1所述的方法，其特征在于，所述基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像之前，所述方法还包括：
构建图拉普拉斯算子，并基于有限元网络对所述图拉普拉斯算子进行规范化，得到规范化拉普拉斯算子
依据适合先验分布的核函数、确定相关算子函数，对所述规范化拉普拉斯算子
进行去奇异化处理后作为正则化项，得到正则化拉普拉斯矩阵LR；
根据灵敏度非线性定义的变权值拉普拉斯算子
对所述正则化拉普拉斯矩阵LR中的所述规范化拉普拉斯算子
进行替换，得到特征谱局域优化的改进正则化项Lopt。
3.根据权利要求2所述的方法，其特征在于，所述构建图拉普拉斯算子，并基于有限元网络对所述图拉普拉斯算子进行规范化，得到规范化拉普拉斯算子
包括：
基于无向图中相邻节点的增量变化特征，构建符合二维有限元网格的图拉普拉斯算子L，所述L表示为
所述di＝∑j∈Ν(i)L(i,j)，Ν(i)表示与单元i相邻的单元；
基于所述二维有限元网格对所述图拉普拉斯算子L进行规范化，得到规范化拉普拉斯算子
所述
表示为
4.根据权利要求3所述的方法，其特征在于，所述根据灵敏度非线性定义的变权值拉普拉斯算子
对所述正则化拉普拉斯矩阵LR中的所述规范化拉普拉斯算子
进行替换之前，所述方法还包括：
根据分布传感器电极的管道中敏感场特征，确定灵敏度梯度幅值，并基于所述灵敏度梯度幅值定义变权值拉普拉斯算子，其中，所述变权值拉普拉斯算子为
所述w(i,j)表征相邻单元参数相似性，wi,j＝-(1-γj)，所述γj为非线性因子，定义为：γj＝DSj/DSmax，DSj是单元j上所有电极对的灵敏度中心差分之和，表示为
DSmax是其中最大一项。
5.根据权利要求4所述的方法，其特征在于，所述依据结合先验分布的核函数，获得相应算子函数，对所述规范化拉普拉斯算子
进行去奇异化处理后作为正则化项，得到正则化拉普拉斯矩阵LR包括：
根据油气两相流管道中两相流的离散相扩散特征确定核函数，所述核函数为
所述σ为控制拉普拉斯谱修正量；
根据核函数理论，确定所述核函数与映射再生核希尔伯特空间的算子函数存在对应关系，所述核函数为r-1(||ω||2)的傅氏逆变换，r(·)为算子函数的实函数形式，所述核函数确定的算子函数为一次多项式形式；
将所述规范化拉普拉斯算子
替换至所述算子函数中进行正则化处理，得到正则化拉普拉斯矩阵LR，所述LR表示为
6.根据权利要求5所述的方法，其特征在于，所述改进的正则化项Lopt表示为
其中，
用于控制单元i的正则化水平。
7.根据权利要求6所述的方法，其特征在于，所述图像重建模型为c＝Sg，g为N维归一化介电常数向量，S为归一化后灵敏度矩阵；所述基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像包括：
对所述图像重建模型进行正则化处理，得到正则化解的图像重建图像
所述正则化解的图像重建模型表示为
所述α是正则化参数，所述c为M维归一化电容向量；
将所述改进的正则化项Lopt对所述正则化解的图像重建模型中的图拉普拉斯算子L进行替换处理，并进行求解运算，生成油气两相流管道的检测图像。
8.一种油气两相流管道在线检测图像的生成装置，其特征在于，包括：
获取模块，用于获取基于电容传感器采集油气两相流管道的电极数据；
建立模块，用于基于对所述电容传感器的敏感场及所述电极数据进行分析处理，建立电容层析成像系统的图像重建模型；
生成模块，用于基于改进的正则化项的在线重建算法，对所述图像重建模型进行图像重建，生成油气两相流管道的检测图像，所述改进的正则化项为基于灵敏度非线性加权的图拉普拉斯及其算子函数对正则化项特征谱局域优化得到的。
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的油气两相流管道在线检测图像的生成方法对应的操作。
10.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的油气两相流管道在线检测图像的生成方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110415643.2A CN113112562A (zh) | 2021-04-19 | 2021-04-19 | 油气两相流管道在线检测图像的生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110415643.2A CN113112562A (zh) | 2021-04-19 | 2021-04-19 | 油气两相流管道在线检测图像的生成方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113112562A true CN113112562A (zh) | 2021-07-13 |
Family
ID=76718729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110415643.2A Pending CN113112562A (zh) | 2021-04-19 | 2021-04-19 | 油气两相流管道在线检测图像的生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113112562A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114155354A (zh) * | 2021-12-02 | 2022-03-08 | 湖南工商大学 | 基于图卷积网络的电容层析成像重建方法与装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1538168A (zh) * | 2003-10-21 | 2004-10-20 | 浙江大学 | 基于电容层析成像系统的油气两相流测量方法及其装置 |
| US20140278129A1 (en) * | 2013-03-15 | 2014-09-18 | St. Jude Medical, Atrial Fibrillation Division, Inc. | Regularization schemes for non-contact mapping with a medical device |
| CN109934885A (zh) * | 2019-02-28 | 2019-06-25 | 河南师范大学 | 一种锐利边缘保持的电阻层析成像图像重建方法 |
| CN111537032A (zh) * | 2020-03-26 | 2020-08-14 | 清华大学深圳国际研究生院 | 一种油气两相流参数测定装置及方法 |
-
2021
- 2021-04-19 CN CN202110415643.2A patent/CN113112562A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1538168A (zh) * | 2003-10-21 | 2004-10-20 | 浙江大学 | 基于电容层析成像系统的油气两相流测量方法及其装置 |
| US20140278129A1 (en) * | 2013-03-15 | 2014-09-18 | St. Jude Medical, Atrial Fibrillation Division, Inc. | Regularization schemes for non-contact mapping with a medical device |
| CN109934885A (zh) * | 2019-02-28 | 2019-06-25 | 河南师范大学 | 一种锐利边缘保持的电阻层析成像图像重建方法 |
| CN111537032A (zh) * | 2020-03-26 | 2020-08-14 | 清华大学深圳国际研究生院 | 一种油气两相流参数测定装置及方法 |
Non-Patent Citations (6)
| Title |
|---|
| ALEXANDER J. SMOLA 等: "Kernels and Regularization on Graphs", LECTURE NOTES IN COMPUTER SCIENCE, pages 144 - 158 * |
| Z. H. GUO 等: "Regional regularization method for ECT based on spectral transformation of Laplacian", REVIEW OF SCIENTIFIC INSTRUMENTS, vol. 87, pages 104709 * |
| 孙启国 等: "最大类间方差法改进的ECT正则化图像重建算法", 机械, vol. 45, no. 05, pages 10 - 13 * |
| 赵玉磊 等: "基于ECT图像重建算法的多相流检测研究", 农业机械学报, vol. 47, no. 07, pages 368 - 374 * |
| 赵进创 等: "电容层析成像技术在油/气两相流可视化监测中应用", 计算机测量与控制, vol. 11, no. 01, pages 20 - 22 * |
| 郭璇 等: "两相流电容层析成像中图像重建的研究", 仪表技术与传感器, no. 01, pages 97 - 99 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114155354A (zh) * | 2021-12-02 | 2022-03-08 | 湖南工商大学 | 基于图卷积网络的电容层析成像重建方法与装置 |
| CN114155354B (zh) * | 2021-12-02 | 2023-12-15 | 湖南工商大学 | 基于图卷积网络的电容层析成像重建方法与装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cui et al. | A review on image reconstruction algorithms for electrical capacitance/resistance tomography | |
| Yang et al. | An image-reconstruction algorithm based on Landweber's iteration method for electrical-capacitance tomography | |
| CN110251130B (zh) | 基于可移动变形组件的电阻抗成像方法、装置及系统 | |
| Kress et al. | Reconstruction of a current distribution from its magnetic field | |
| Johnson et al. | Convolution kernel design and efficient algorithm for sampling density correction | |
| CN110501587B (zh) | 一种基于电力线分布的Radon逆变换电容层析成像方法 | |
| Lin | Randomized estimation of spectral densities of large matrices made accurate | |
| CN113112562A (zh) | 油气两相流管道在线检测图像的生成方法及装置 | |
| Zhang et al. | Application of Barzilai-Borwein gradient projection for sparse reconstruction algorithm to image reconstruction of electrical capacitance tomography | |
| Ding et al. | Second-order sensitivity coefficient based electrical tomography imaging | |
| Shallue et al. | Reconstructing cosmological initial conditions from late-time structure with convolutional neural networks | |
| Fessler | Image reconstruction: Algorithms and analysis | |
| Shu et al. | Exact gram filtering and efficient backprojection for iterative CT reconstruction | |
| CN109917314B (zh) | 磁共振场图确定方法、装置、电子设备及存储介质 | |
| Chandrasekera et al. | Total variation image reconstruction for electrical capacitance tomography | |
| CN114155354B (zh) | 基于图卷积网络的电容层析成像重建方法与装置 | |
| Cierniak et al. | Comparison of algebraic and analytical approaches to the formulation of the statistical model-based reconstruction problem for X-ray computed tomography | |
| Haq et al. | Block-based compressed sensing of MR images using multi-rate deep learning approach | |
| Amir Haeri et al. | Estimation of mutual information by the fuzzy histogram | |
| WO2022160899A1 (zh) | 一种三维通气图像产生方法、控制器及装置 | |
| Chen et al. | A new iterative algorithm based on correction of sensitivity matrix for electrical resistance tomography | |
| CN114429061A (zh) | 一种基于空洞卷积神经网络ect二维图像重建方法 | |
| Xu et al. | Reconstruction of irregularly-sampled volumetric data in efficient box spline spaces | |
| Lékó et al. | Uncertainty based adaptive projection selection strategy for binary tomographic reconstruction | |
| Recur et al. | Validation of Mojette reconstruction from Radon acquisitions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |