一种基于U2-Net模型的电阻抗成像方法

电阻抗成像(EIT)是一种实现场域内电导率分布情况图像重建的成像技术。传统的电阻抗成像算法成像精度较低,为解决此问题,提出一种基于U2-Net深度学习模型的新型电阻抗图像重建方法。首先,以U2-Net模型为基础,创新地提出了拼接层(CAT)的概念用于数据扩展,使得U2-Net的输入层结构简单,运算速度快;其次,使用仿真数据集对该网络进行训练,使用验证集选择最优的模型参数,结果表明,提出的算法测量精度高、鲁棒性好,在仿真数据集的表现优于其他算法。最后,提出一种新的EIT成像质量评价指标:中心和面积误差(CAE)用于验证算法在实验中的表现,实验结果表明,所提算法的CAE为4.975,对于目标物的中心和面积预测更为准确,成像效果优于其他对比算法。