Application of gaussian kernel with regard to correlations for image reconstruction in electrical tomography

• Autorzy: Rymarczyk Tomasz , Kozłowski Edward , Adamkiewicz Przemysław , Sikora Jan

Identyfikatory

DOI

10.15199/48.2019.05.14

Warianty tytułu

PL

Zastosowanie jądra gaussowskiego z uwzględnieniem korelacji do rekonstrukcji obrazu w tomografii elektrycznej

• Języki publikacji: EN

Abstrakty

EN

The article presents the application of support methods Vector Machine for Regression and Support Vector Machine for Regression with a modified correlation kernel in electrical impedance tomography. Statistical methods have been used to reconstruct imaging. In addition, a model was created that analyses similar objects of different sizes. It learns about a smaller object, but we recognize a larger object. The paper shows how to make an analysis for such cases.

PL

W artykule przedstawiono aplikację opartą na metodach maszyna wektorów nośnych do regresji i maszyna wektorów nośnych do regresji z zmodyfikowanym jądrem korelacji w elektrycznej tomografii impedancyjnej. Metody statystyczne zostały wykorzystana do rekonstrukcji obrazuj. Dodatkowo stworzono model, który analizuje podobne obiekty o różnych rozmiarach. Uczy się na obiekcie o mniejszych gabarytach, natomiast rozpoznajemy obiekt o większym rozmiarze. W pracy pokazano w jaki sposób dokonywać analizę dla takich przypadków.

Słowa kluczowe

EN

electrical tomography; inverse problem; SVR; Gaussian kernel

PL

tomografia elektryczna; zagadnienie odwrotne; SVR; jądro Gaussa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2019
• Tom: R. 95, nr 5
• Strony: 55--58
• Opis fizyczny: Bibliogr. 17 poz., rys.

Twórcy

autor

Rymarczyk Tomasz

• University of Economics and Innovation in Lublin, ul. Projektowa 4, 20-209 Lublin
• Netrix S.A., Research and Development Center, Związkowa 26, 20-148 Lublin

autor

Kozłowski Edward

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

autor

Adamkiewicz Przemysław

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

autor

Sikora Jan

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

Bibliografia

• [1] Wajman R., Fiderek P., Fidos H., Sankowski D., Banasiak R., Metrological evaluation of a 3D electrical capacitance tomography measurement system for two-phase flow fraction determination, Measurement Science and Technology, 24 (2013), no. 6, 065302.
• [2] Kryszyn, J., Wanta, D. M. & Smolik, W. T. Gain Adjustment for Signal-to-Noise Ratio Improvement in Electrical Capacitance Tomography System EVT4, IEEE Sensors Journal, 17 (2017), no. 24, 8107-8116
• [3] Rymarczyk T., Sikora J., Applying industrial tomography to control and optimization flow systems, Open Physics 16 (2018), 332–345
• [4] 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. Archives of Electrical Engineering, 65 (2016), no. 4, 657-669
• [5] Polakowski, K., Filipowicz, S. F., Sikora, J. & Rymarczyk, T. Quality of imaging in multipath tomography. Prz. Elektrotechniczny 85 (2009), no. 12, 134–136
• [6] Mazurkiewicz, D. Maintenance of belt conveyors using an expert system based on fuzzy logic. Archives of Civil and Mechanical Engineering, 15 (2015); no. 2., 412-418
• [7] Kłosowski, G., Kozłowski, E. & Gola, A. Integer Linear Programming in Optimization of Waste After Cutting in the Furniture Manufacturing. International Conference on Intelligent Systems in Production Engineering and Maintenance, 20 (2018), no. 3, 425-434
• [8] Rymarczyk, T. & Kłosowski, G. Application of neural reconstruction of tomographic images in the problem of reliability of flood protection facilities. Eksploatacja i Niezawodność - Maintenance and Reliability, 20 (2018), no. 3, 425–434
• [9] Psuj, G. Multi-Sensor Data Integration Using Deep Learning for Characterization of Defects in Steel Elements. Sensors, 18 (2018), 292
• [10] Lopato, P., Chady, T., Sikora, R., Gratkowski, S. & Ziolkowski, M. Full wave numerical modelling of terahertz systems for nondestructive evaluation of dielectric structures. COMPEL - The international journal for computation and mathematics in electrical and electronic engineering, 32 (2013), no. 3, 736–749
• [11] Rymarczyk, T., Kłosowski, G. & Kozłowski, E. A NonDestructive System Based on Electrical Tomography and Machine Learning to Analyze the Moisture of Buildings, Sensors, (18) 2018, 2285
• [12] Adler A., Lionheart W.R.B., Uses and abuses of EIDORS: an extensible software base for EIT, Physiological Measurement 27 (2006), 25-42
• [13] Filipowicz S.F., Rymarczyk T., Measurement Methods and Image Reconstruction in Electrical Impedance Tomography, Przeglad Elektrotechniczny, 88 (2012), no. 6, 247-250
• [14] Dusek, J., Hladky, D. & Mikulka, J. Electrical impedance tomography methods and algorithms processed with a GPU. In PIERS Proceedings, 2017, 1710-1714
• [15] Vapnik V (1998). Statistical Learning Theory. Wiley, New York
• [16] Karatzoglou A, Meyer D, Hornik K (2006), "Support Vector Mashines in R", Journal of Statistical Software, 15(9), 1– 28.URL https://www.jstatsoft.org/article/view/v015i09
• [17] Scholkopf B, Smola A (2002). Learning with Kernels. MIT Press

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).