Hybrid machine learning in electrical impedance tomography

• Autorzy: Rymarczyk Tomasz , Kłosowski Grzegorz , Guzik Mirosław , Niderla Konrad , Lipski Jerzy

Identyfikatory

DOI

10.15199/48.2021.12.35

Warianty tytułu

PL

Hybrydowe uczenie maszynowe w impedancyjnej tomografii elektrycznej

• Języki publikacji: EN

Abstrakty

EN

Artificial intelligence plays an increasingly important role in industrial tomography. In industry, various types of tomography can be used, where one of the criteria for classification may be a physical phenomenon. Thus, it is possible to distinguish computed tomography, impedance tomography, ultrasound tomography, capacitance tomography, radio-tomographic imaging, and others. The research described in this paper focuses on the EIT method used to imaging reactors' interior and industrial vessels. Inside the tested reactor, there may be a liquid of various densities containing solid inclusions or gas bubbles. The presented research presents the concept of transforming measurements into tomographic images using many known, homogeneous methods simultaneously. It is assumed that there is no single method of solving the inverse problem for all possible measurement cases. Depending on the specifics of the studied case, various methods generate reconstructions that differ in terms of accuracy and resolution. The presented research proves that the proposed approach justifies the increase in computational complexity, ensuring higher quality of tomographic images.

PL

W tomografii przemysłowej coraz większą rolę odgrywa sztuczna inteligencja. W przemyśle można stosować różne rodzaje tomografii, gdzie jednym z kryteriów podziału może być wykorzystywane zjawisko fizyczne. W ten sposób można wyróżnić tomografię komputerową, tomografię impedancyjną, tomografię ultradźwiękową, tomografię pojemnościową, obrazowanie radio-tomograficzne i inne. Opisywane w niniejszym opracowaniu badania skupiają się na metodzie EIT Wykorzystywanej do obrazowania wnętrza reaktorów i zbiorników przemysłowych. Wewnątrz badanego reaktora może znajdować się ciecz o różnej gęstości, zawierająca wtrącenia stałe lub pęcherze gazu. W prezentowanych badaniach przedstawiono koncepcję przekształcania pomiarów na obrazy tomograficzne wykorzystującą wiele znanych, homogenicznych metod jednocześnie. Przyjęto założenie, że nie istnieje jedna metoda rozwiązania problemu odwrotnego dla wszystkich możliwych przypadków pomiarowych. W zależności od specyfiki badanego przypadku różne metody generują rekonstrukcje zróżnicowane pod względem dokładności i rozdzielczości. Zaprezentowane badania udowadniają, że proponowane podejście uzasadnia wzrost złożoności obliczeniowej zapewniając wyższą jakość obrazów tomograficznych.

Słowa kluczowe

EN

electrical tomography; machine learning; industrial tomography

PL

tomografia elektryczna; uczenie maszynowe; tomografia przemysłowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2021
• Tom: R. 97, nr 12
• Strony: 169--172
• Opis fizyczny: Bibliogr. 11 poz., rys., tab.

Twórcy

autor

Rymarczyk Tomasz

• University of Economics and Innovation in Lublin
• Research and Development Center Netrix S.A.

• https://orcid.org/W+tomografii+przemys%C5%82owej+coraz+wi%C4%99ksz%C4%85+rol%C4%99+odgrywa+sztuczna+inteligencja.+W+przemy%C5%9Ble+mo%C5%BCna+stosowa%C4%87+r%C3%B3%C5%BCne+rodzaje++tomografii%2C+gdzie+jednym+z+kryteri%C3%B3w+podzia%C5%82u+mo%C5%BCe+by%C4%87+wykorzystywane+zjawisko+fizyczne.+W+ten+spos%C3%B3b+mo%C5%BCna+wyr%C3%B3%C5%BCni%C4%87+tomografi%C4%99+komputerow%C4%85%2C++tomografi%C4%99+impedancyjn%C4%85%2C+tomografi%C4%99+ultrad%C5%BAwi%C4%99kow%C4%85%2C+tomografi%C4%99+pojemno%C5%9Bciow%C4%85%2C+obrazowanie+radio-tomograficzne+i+inne.+Opisywane+w+niniejszym++opracowaniu+badania+skupiaj%C4%85+si%C4%99+na+metodzie+EIT+Wykorzystywanej+do+obrazowania+wn%C4%99trza+reaktor%C3%B3w+i+zbiornik%C3%B3w+przemys%C5%82owych.+Wewn%C4%85trz++badanego+reaktora+mo%C5%BCe+znajdowa%C4%87+si%C4%99+ciecz+o+r%C3%B3%C5%BCnej+g%C4%99sto%C5%9Bci%2C+zawieraj%C4%85ca+wtr%C4%85cenia+sta%C5%82e+lub+p%C4%99cherze+gazu.+W+prezentowanych+badaniach++przedstawiono+koncepcj%C4%99+przekszta%C5%82cania+pomiar%C3%B3w+na+obrazy+tomograficzne+wykorzystuj%C4%85c%C4%85+wiele+znanych%2C+homogenicznych+metod+jednocze%C5%9Bnie.++Przyj%C4%99to+za%C5%82o%C5%BCenie%2C+%C5%BCe+nie+istnieje+jedna+metoda+rozwi%C4%85zania+problemu+odwrotnego+dla+wszystkich+mo%C5%BCliwych+przypadk%C3%B3w+pomiarowych.+W++zale%C5%BCno%C5%9Bci+od+specyfiki+badanego+przypadku+r%C3%B3%C5%BCne+metody+generuj%C4%85+rekonstrukcje+zr%C3%B3%C5%BCnicowane+pod+wzgl%C4%99dem+dok%C5%82adno%C5%9Bci+i+rozdzielczo%C5%9Bci.++Zaprezentowane+badania+udowadniaj%C4%85%2C+%C5%BCe+proponowane+podej%C5%9Bcie+uzasadnia+wzrost+z%C5%82o%C5%BCono%C5%9Bci+obliczeniowej+zapewniaj%C4%85c+wy%C5%BCsz%C4%85+jako%C5%9B%C4%87+obraz%C3%B3w++tomograficznych.

autor

Kłosowski Grzegorz

• University of Economics and Innovation in Lublin

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

autor

Guzik Mirosław

• University of Economics and Innovation in Lublin

• https://orcid.org/0000-0003-3351-9039

autor

Niderla Konrad

• University of Economics and Innovation in Lublin

• https://orcid.org/0000-0003-1280-0622

autor

Lipski Jerzy

• Lublin University of Technology

• https://orcid.org/0000-0002-2542-2950

Bibliografia

• [1] Rymarczyk, T.; Kłosowski, G. Innovative methods of neural reconstruction for tomographic images in maintenance of tank industrial reactors. Eksploat. i Niezawodn. -- Maint. Reliab. (2019), 21, 261–267.
• [2] Rymarczyk T.: New Methods to Determine Moisture Areas by Electrical Impedance Tomography, International Journal of Applied Electromagnetics and Mechanics, 52, 79-87, 2016
• [3] Rymarczyk, T.; Kozłowski, E.; Kłosowski, G.; Niderla, K. Logistic Regression for Machine Learning in Process Tomography. Sensors (2019), 19, 3400, doi:10.3390/s19153400.
• [4] 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, doi:10.1007/s10035-018- 0809-y.
• [5] 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. 6. Kłosowski, G.; Rymarczyk, T.; Wójcik, D.; Skowron, S.; Cieplak, T.; Adamkiewicz, P. The Use of Time-Frequency Moments as Inputs of LSTM Network for ECG Signal Classification. Electronics (2020), 9, 1452, doi:10.3390/electronics9091452.
• [7] 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, doi:10.1108/COMPEL-12- 2016-0530.
• [8] Sekulska-Nalewajko, J.; Gocławski, J.; Korzeniewska, E. A method for the assessment of textile pilling tendency using optical coherence tomography. Sensors (Switzerland) (2020), 20, 1–19, doi:10.3390/s20133687.
• [9] Korzeniewska, E.; Sekulska-Nalewajko, J.; Gocawski, J.; Droż Dż, T.; Kiebasa, P. Analysis of changes in fruit tissue after the pulsed electric field treatment using optical coherence tomography. EPJ Appl. Phys. (2020), 91, 30902, doi:10.1051/epjap/2020200021.
• [10] Chen, B.; Abascal, J.; Soleimani, M. Extended Joint Sparsity Reconstruction for Spatial and Temporal ERT Imaging. Sensors (2018), 18, 4014, doi:10.3390/s18114014.
• [11] Adler, A.; Lionheart, W.R.B. Uses and abuses of EIDORS: an extensible software base for EIT. Physiol. Meas. (2006), 27, S25–S42, doi:10.1088/0967-3334/27/5/S03.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).