基于生成对抗网络的电磁断层扫描图像重建,带有光谱正常化和改进的虫优化算法.
Shuqing Jia1, Ronghua Zhang1, Wenying Fu1
1School of Artificial Intelligence, Tiangong University, Tianjin, China.
The Review of scientific instruments
|February 6, 2025
概括
一个新的深度学习模型,STDBOGAN,通过提高精度和减少文物来增强电磁断层扫描 (EMT) 图像重建. 这种方法为工业检查应用提供了更好的性能和稳定性.
科学领域:
- * 电气工程 电气工程
- * 计算机科学 计算机科学
- * 应用数学 * 应用数学
背景情况:
- * 电磁断层扫描 (EMT) 显示出对工业检查的前景.
- *当前的EMT图像重建是非线性和错位的,导致文物和质量问题.
- *现有的方法缺乏稳定性和细节准确性.
研究的目的:
- * 开发一个先进的深度学习模型,以改善EMT图像重建.
- * 解决EMT成像中的非线性,错位和工件的挑战.
- *为了提高重建的EMT图像的准确性,质量和稳定性.
主要方法:
- * 拟议的STDBOGAN:一个生成对抗网络,包含光谱规范化,两个时间表更新规则和改进的虫优化算法.
- *光谱规范化和两个时间表更新规则稳定训练并减轻梯度问题.
- * 改进的虫优化算法优化了网络超参数以提高准确性.
主要成果:
- *STDBOGAN与UNet3+,DeepLabv3+,PSPNet,Segmenter和SegRefiner相比显示出更高的性能,防噪能力和通用性.
- * 该模型有效地减少了艺术品,并在模拟和物理实验中提高了图像质量.
- * 废弃性研究证实了提出的模型改进的有效性.
结论:
- *STDBOGAN显著提高了EMT图像重建质量.
- * 该模型为需要高准确度成像的工业检查应用提供了强大的解决方案.
- * 这项工作有助于克服传统的EMT重建技术固有的局限性.


