Comparison of CNN and LSTM algorithms for solving the EIT inverse problem

• Autorzy: Kłosowski Grzegorz , Maj Michał , Oleszek Michał

Identyfikatory

DOI

10.15199/48.2023.01.46

Warianty tytułu

PL

Porównanie algorytmów CNN i LSTM do rozwiązania problemu odwrotnego EIT

• Języki publikacji: EN

Abstrakty

EN

This article presents comparative research to verify the suitability of selected machine learning methods for the problem of solving the inverse problem in electrical impedance tomography. The research involved the use of a tomograph to image areas of moisture inside the walls. The measurement data collected by the tomograph was transformed into 3D spatial images using two types of artificial neural networks - convolutional neural network (CNN) and recurrent long short-term memory network (LSTM).

PL

W tym artykule przedstawiono badania porównawcze w celu weryfikacji przydatności wybranych metod uczenia maszynowego do zagadnienia polegającego na rozwiązaniu problemu odwrotnego w elektrycznej tomografii impedancyjnej. Badania polegały na wykorzystaniu tomografu do obrazowania obszarów zawilgocenia wewnątrz murów. Zgromadzone za pomocą tomografu dane pomiarowe zostały przekształcone na obrazy przestrzenne 3D za pomocą dwóch rodzajów sztucznych sieci neuronowych – konwolucyjne sieci neuronowej (CNN) oraz sieci rekurencyjnej typu long short-term memory (LSTM).

Słowa kluczowe

EN

electrical tomography; machine learning; moisture detection; neural network

PL

tomografia elektryczna; uczenie maszynowe; wykrywanie wilgoci; sieć neuronowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 1
• Strony: 230--233
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Kłosowski Grzegorz

• Lublin University of Technology, Nadbystrzycka 38A, Lublin, Poland

• https://orcid.org/0000-0001-7927-3674

autor

Maj Michał

• University of Economics and Innovation, Projektowa 4, Lublin, Poland

• https://orcid.org/0000-0002-7604-8559

autor

Oleszek Michał

• Netrix S.A., Research and Development Center, Związkowa 26, 20-148 Lublin

• https://orcid.org/0000-0002-8979-9650

Bibliografia

• [1] Rymarczyk T., Kłosowski G., Hoła A., Hoła J., Sikora J., Tchórzewski P., Skowron Ł., Historical Buildings Dampness Analysis Using Electrical Tomography and Machine Learning Algorithms, Energies, 14 (2021), No. 5, 1307.
• [2] Hoła, A. Methodology for the in Situ Testing of the Moisture Content of Brick Walls: An Example of Application. Archives of Civil and Mechanical Engineering, 20 (2020), No. 3, doi:10.1007/s43452-020-00120-3.
• [3] Kłosowski G., Rymarczyk T., Kania K., Świć A., Cieplak T., Maintenance of industrial reactors supported by deep learning driven ultrasound tomography, Eksploatacja i Niezawodnosc – Maintenance and Reliability; 22 (2020), No 1, 138–147.
• [4] Rymarczyk T., Niderla K. Kozłowski E. Król K., Wyrwisz J. Skrzypek-Ahmed S., Gołąbek P., Logistic Regression with Wave Preprocessing to Solve Inverse Problem in Industrial Tomography for Technological Process Control, Energies, 14 (2021), No. 23, 8116.
• [5] Kania, W., Wajman, R., Ckript: a new scripting language forweb applications, Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 12 (2022), No. 2, 4-9.
• [6] Rymarczyk, T.; Kłosowski, G.; Hoła, A.; Sikora, J.; Wołowiec, T.; Tchórzewski, P.; Skowron, S. Comparison of Machine Learning Methods in Electrical Tomography for Detecting Moisture in Building Walls. Energies (Basel), 14 (2021), 2777, doi:10.3390/en14102777.
• [7] Koulountzios P., Aghajanian S., Rymarczyk T., Koiranen T., Soleimani M., An Ultrasound Tomography Method for Monitoring CO2 Capture Process Involving Stirring and CaCO3 Precipitation, Sensors, 21 (2021), No. 21, 6995.
• [8] Kania K., Rymarczyk T., Mazurek M., Skrzypek-Ahmed S., Guzik M., Oleszczuk P., Optimisation of Technological Processes by Solving Inverse Problem through Block-Wise-Transform-Reduction Method Using Open Architecture Sensor Platform, Energies, 14 (2021), No. 24, 8295.
• [9] Styła, M., Adamkiewicz, P., Hybrid navigation system for indoor use. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 12 (2022), No. 1, 10-14.
• [10] Korzeniewska, E., Sekulska-Nalewajko, J., Gocawski, J., Drożdż, T., Kiebasa, P., Analysis of changes in fruit tissue after the pulsed electric field treatment using optical coherence tomography, EPJ Applied Physics, 91 (2020), No. 3, 30902.
• [11] Korzeniewska, E., Krawczyk, A., Mróz, J., Wyszyńska, E., Zawiślak, R., Applications of smart textiles in post-stroke rehabilitation, Sensors (Switzerland), 20 (2020), No. 8, 2370.
• [12] Rymarczyk, T.; Kozłowski, E.; Kłosowski, G. Electrical Impedance Tomography in 3D Flood Embankments Testing – Elastic Net Approach. Transactions of the Institute of Measurement and Control, 42 (2019), 680–690, doi:10.1177/0142331219857374.
• [13] Fabijańska, A.; Banasiak, R. Graph Convolutional Networks for Enhanced Resolution 3D Electrical Capacitance Tomography Image Reconstruction. Appl Soft Comput, 110 (2021), 107608, doi:10.1016/J.ASOC.2021.107608.
• [14] Tang, H.; Xu, C.; Han, X. Electrical Resistance TomographyImage Reconstruction Based on One-Dimensional Multi-Branch Convolutional Neural Network Combined with Attention Mechanism. Flow Measurement and Instrumentation, 84 (2022) , 102140, doi:10.1016/J.FLOWMEASINST.2022.102140.
• [15] Dimas, C.; Sotiriadis, P.P. Electrical Impedance Tomography Image Reconstruction for Adjacent and Opposite Strategy Using FEMM and EIDORS Simulation Models. 2018 7th International Conference on Modern Circuits and Systems Technologies, MOCAST 2018, (2012) 1–4, doi:10.1109/MOCAST.2018.8376604.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).