Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2020 - zeszyt 8

The use of the autoencoder to improve images in ultrasound tomography

10.15199/48.2020.08.33

nr katalogowy: 127365
10.15199/48.2020.08.33

Streszczenie

The article presents the idea of a system enabling effective control of industrial processes. The high level of automation and processes monitoring plays a key role in maintaining the competitiveness of each enterprise. The paper presents an innovative approach to industrial ultrasound tomography. A shallow neural network enriched with an autoencoder was used to visualize the 2D cross-section of the tank (reactor) filled with tap water. The novelty is the use of an autoencoder to improve the quality of the measurement vector

Abstract

W artykule przedstawiono ideę systemu umożliwiającego efektywną kontrolę procesów produkcyjnych. Wysoki poziom automatyzacji i monitorowania procesów produkcyjnych odgrywa kluczową rolę w utrzymaniu konkurencyjności każdego przedsiębiorstwa. W artykule przedstawiono nowatorskie podejście do przemysłowej tomografii ultradźwiękowej. W celu zobrazowania dwuwymiarowego przekroju zbiornika (reaktora) wypełnionego wodą z kranu wykorzystano płytką sieć neuronową wzbogaconą o autoenkoder. Nowością jest zastosowanie autoenkodera w celu poprawy jakości wektora pomiarowego. (Zastosowanie autoenkodera do poprawy jakości obrazów w tomografii ultradźwiękowej).

Słowa kluczowe

Keywords

Bibliografia

[1]. Babout L., Grudzień K., Wiącek J., Niedostatkiewicz M., Karpiński B., Szkodo M., Selection of material for X-ray tomography analysis and DEM simulations: comparison between granular materials of biological and non-biological origins, Granul. Matter, (2018) 20, 38.
[2]. Bartusek K., Fiala P., Mikulka J., Numerical modeling of magnetic field deformation as related to susceptibility measured with an MR system, Radioengineering (2008) 17, 113–118.
[3]. Kłosowski G., Rymarczyk T., Gola A., Increasing the Reliability of Flood Embankments with Neural Imaging Method, Appl. Sci. (2018) 8, 1457.
[4]. Rymarczyk T., Kłosowski G., Cieplak T., Kozlowski E. Application of a neural EIT system to control the processes. In Proceedings of the 2018 Applications of Electromagnetics in Modern Techniques and Medicine PTZE 2018, (2018).
[5]. Banasiak R., Wajman R., Jaworski T., Fiderek P., Fidos H., Nowakowski J., Sankowski D. Study on two-phase flow regime visualization and identification using 3D electrical capacitance tomography and fuzzy-logic classification, Int. J. Multiph. Flow (2014) 58, 1–14.
[6]. Garbaa H., Jackowska-Strumiłło L., Grudzień K., Romanowski A., Application of electrical capacitance tomography and artificial neural networks to rapid estimation of cylindrical shape parameters of industrial flow structure, Arch. Electr. Eng. (2016) 65, 657–669.
[7]. Kryszyn J., Smolik W., Toolbox for 3D modelling and image reconstruction in electrical capacitance tomography, Informatics Control Meas. Econ. Environ. Prot., (2017).
[8]. Kryszyn J., Wanta D.M., Smolik W.T., Gain Adjustment for Signal-to-Noise Ratio Improvement in Electrical Capacitance Tomography System EVT4, IEEE Sens. J., (2017) 17, 8107– 8116.
[9]. Majchrowicz M., Kapusta P., Jackowska-Strumiłło L., Sankowski D., Acceleration of image reconstruction process in the electrical capacitance tomography 3D in heterogeneous multi-GPU system, Informatics Control Meas. Econ. Environ. Prot., (2017) 7, 37–41.
[10]. Wajman R., Fiderek P., Fidos H., Jaworski T., Nowakowski J., Sankowski D., Banasiak R., Metrological evaluation of a 3D electrical capacitance tomography measurement system for two-phase flow fraction determination, Meas. Sci. Technol., (2013).
[11]. Ziolkowski M., Gratkowski S., Zywica A.R., Analytical and numerical models of the magnetoacoustic tomography with magnetic induction, COMPEL - Int. J. Comput. Math. Electr. Electron. Eng., (2018) 37, 538–548.
[12]. Rymarczyk T, Kłosowski G. Innovative methods of neural reconstruction for tomographic images in maintenance of tank industrial reactors. Eksploatacja i Niezawodnosc – Maintenance and Reliability, 21 (2019); No. 2, 261–267
[13]. Rymarczyk, T.; Kozłowski, E.; Kłosowski, G.; Niderla, K. Logistic Regression for Machine Learning in Process Tomography, Sensors, 19 (2019), 3400.
[14]. Romanowski, A.; Łuczak, P.; Grudzień, K. X-ray Imaging Analysis of Silo Flow Parameters Based on Trace Particles Using Targeted Crowdsourcing, Sensors, 19 (2019), No. 15, 3317
[15]. Valis D., Mazurkiewicz D., Application of selected Levy processes for degradation modelling of long range mine belt using real-time data, archives of civil and mechanical engineering, 18 (2018), No. 4, 1430-1440
[16]. Kryszyn J., Smolik W., Toolbox for 3d modelling and image reconstruction in electrical capacitance tomography, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska (IAPGOŚ) , 7 (2017), No. 1, 137-145
[17]. Mosorov V., Grudzień K., Sankowski D., Flow velocity measurement methods using electrical capacitance tomography, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska (IAPGOŚ), 7 (2017), No.1 ,30-36
[18]. Galazka-Czarnecka, I.; Korzeniewska E., Czarnecki A. et al., Evaluation of Quality of Eggs from Hens Kept in Caged and Free-Range Systems Using Traditional Methods and Ultra- Weak Luminescence, Applied sciences-basel, 9 (2019), No. 12, 2430.
[19]. Szczęsny A., Korzeniewska E., Selection of the method for the earthing resistance measurement, Przegląd Elektrotechniczny, 94 (2018), No. 12, 178-181.
[20]. Majumdar A., An autoencoder based formulation for compressed sensing reconstruction, Magn. Reson. Imaging, (2018) 52, 62–68.
[21]. Ferles C., Papanikolaou Y., Naidoo K.J., Denoising Autoencoder Self-Organizing Map (DASOM), Neural Networks, (2018) 105, 112–131.
[22]. Olshausen B.A., Field D.J., Sparse coding with an overcomplete basis set: A strategy employed by V1?, Vision Res., (1997) 37, 3311–3325.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2020-8 , nr katalogowy 127365 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2020-8 licencja: Osobista Produkt cyfrowy Nowość	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2020-8

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma