Warianty tytułu
Zalety konwolucyjnej sieci neuronowej w porównaniu z perceptronem wielowarstwowym w tomografii elektrycznej
Języki publikacji
Abstrakty
This article deals with the optimization of the artificial neural network (ANN) architecture in order to improve the quality of tomographic imaging. During the research, many variants of predictive models were tested, differing in the number of neurons, the number and type of layers, learning algorithm, transfer functions, overfitting prevention methods, etc. As a result of comparing the results in the form of reconstruction images obtained with reference images, the optimal architecture of the neural network was selected. Noteworthy is the original approach of training separate ANNs for each image voxel separately. As a result, the model consists of many independently trained, single-output ANNs that form a structure referred to as a multiple neural network (MNN).
Niniejszy artykuł dotyczy problematyki optymalizacji architektury sztucznej sieci neuronowej (SSN) w celu podniesienia jakości obrazowania tomograficznego. W trakcie badań testowano wiele wariantów modeli predykcyjnych, różniących się liczbą neuronów, liczbą i rodzajem warstw, algorytmem uczenia, funkcjami transferowymi, metodami zapobiegania przeuczeniu itp. W wyniku porównania rezultatów w postaci uzyskanych obrazów rekonstrukcyjnych z obrazami referencyjnymi wybrano optymalną architekturę sieci neuronowej. Na uwagę zasługuje oryginalne podejście polegające na trenowaniu osobnych ANN dla każdego woksela obrazu z osobna. W rezultacie model składa się z wielu niezależnie trenowanych, jednowyjściowych SSN, które tworzą strukturę określoną jako wielokrotna sieć neuronowa (WSN).
Czasopismo
Rocznik
Tom
Strony
142--145
Opis fizyczny
Bibliogr. 16 poz., rys., tab.
Twórcy
autor
- WSEI University, Projektowa 4, Lublin, Poland, tomasz.rymarczyk@netrix.com.pl
- Research and Development Center Netrix S.A.
autor
- Lublin University of Technology, Nadbystrzycka 38A, Lublin, Poland, g.klosowski@pollub.pl
autor
- Lublin University of Technology, Nadbystrzycka 38A, Lublin, Poland, konrad.niderla@wsei.lublin.pl
Bibliografia
- [1] Kłosowski G, Rymarczyk T, Cieplak T, Niderla K, Skowron Ł. Quality assessment of the neural algorithms on the example of EIT-UST hybrid tomography. Sensors (Switzerland) 2020;20. https://doi.org/10.3390/s20113324.
- [2] Rymarczyk T, Kłosowski G. Innovative methods of neural reconstruction for tomographic images in maintenance of tank industrial reactors. Eksploatacja i Niezawodnosc -- Maintenance and Reliability 2019;21:261–7.
- [3] Nordin N, Idroas M, Zakaria Z, Ibrahim MN. Tomographic image reconstruction of monitoring flaws on gas pipeline based on reverse ultrasonic tomography. 2014 5th International Conference on Intelligent and Advanced Systems (ICIAS), IEEE; 2014, p. 1–6.https://doi.org/10.1109/ICIAS.2014.6869445.
- [4] Soleimani M. Super-sensing through industrial process tomography. Philosophical Transactions: Mathematical, Physical and Engineering Sciences 2016;374:1–5.
- [5] 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 2020;22:138–47. https://doi.org/10.17531/ein.2020.1.16.
- [6] Xin LP, Yu B, Yu J. A novel control for a continuous stirred tank reactor. Chinese Control Conference, CCC, vol. 2021- July, 2021. https://doi.org/10.23919/CCC52363.2021.9549663.
- [7] Wang M. Industrial tomography: systems and applications. Woodhead Publishing; 2015. https://doi.org/https://doi.org/10.1016/C2013-0-16466-5.
- [8] Tian G, Yang B, Dong M, Zhu R, Yin F, Zhao X, et al. The effect of temperature on the microbial communities of peak biogas production in batch biogas reactors. Renew Energy 2018;123:15–25. https://doi.org/10.1016/J.RENENE.2018.01.119.
- [9] Kozlowski E, Rymarczyk T, Cieplak T, Klosowski G, Tchorzewski P. Application of logistic regression to image reconstruction in EIT. 2019 International Interdisciplinary PhD Workshop (IIPhDW 2019), 2019, p. 80–3. https://doi.org/10.1109/IIPHDW.2019.8755407.
- [10] Korzeniewska E, Sekulska-Nalewajko J, Gocławski J, Dróżdż T, Kiełbasa P. Analysis of changes in fruit tissue after the pulsed electric field treatment using optical coherence tomography. The European Physical Journal Applied Physics 2020;91:30902. https://doi.org/10.1051/EPJAP/2020200021.
- [11] 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 2019;42:680–90. https://doi.org/10.1177/0142331219857374.
- [12] Rymarczyk T, Kłosowski G, Hoła A, Sikora J, Wołowiec T, Tchórzewski P, et al. Comparison of Machine Learning Methods in Electrical Tomography for Detecting Moisture in Building Walls. Energies (Basel) 2021;14:2777. https://doi.org/10.3390/en14102777.
- [13] Yuen B, Dong X, Lu T. Inter-Patient CNN-LSTM for QRS Complex Detection in Noisy ECG Signals. IEEE Access 2019;7:169359–70. https://doi.org/10.1109/ACCESS.2019.2955738.
- [14] Kłosowski G, Rymarczyk T, Niderla K, Rzemieniak M, Dmowski A, Maj M. Comparison of machine learning methods for image reconstruction using the LSTM classifier in industrial electrical tomography. Energies (Basel) 2021;14. https://doi.org/10.3390/en14217269.
- [15] Wajman R, Banasiak R, Babout L. On the Use of a Rotatable ECT Sensor to Investigate Dense Phase Flow: A Feasibility Study. Sensors 2020, Vol 20, Page 4854 2020;20:4854. https://doi.org/10.3390/S20174854.
- [16] Fabijańska A, Banasiak R. Graph convolutional networks for enhanced resolution 3D Electrical Capacitance Tomography image reconstruction. Appl Soft Comput 2021;110:107608. https://doi.org/10.1016/J.ASOC.2021.107608.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.baztech-1f2d2e36-86f1-43ae-84ed-71fb5a51450a