Aviso: O site da UTFPR está sendo reestruturado. Você está visitando a nossa página antiga.

Neste momento de transição, algumas atualizações estão sendo realizadas na nova versão, disponível aqui

Você está aqui: Página Inicial curitiba Estrutura do Câmpus Diretorias Diretoria de Pesquisa e Pós-Graduação Mestrado e Doutorado CPGEI Edital de Defesas 2018 CPGEI (Mestrado): Hector Lise de Moura - 22/02/18

CPGEI (Mestrado): Hector Lise de Moura - 22/02/18

Defesa Pública de Mestrado do Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
Quando 22/02/2018
das 13h30 até 16h30
Onde Sede Central: Sala C-301
Nome do Contato Daniel Rodrigues Pipa
Participantes Prof. Daniel Rodrigues Pipa , Dr. Orientador - UTFPR
Prof. Marco José da Silva , Dr. Co-orientador - UTFPR
Banca examinadora:
Prof. Daniel Rodrigues Pipa , Dr. Presidente - UTFPR
Prof. Giovanni Alfredo Guarneri , Dr. - UTFPR
Prof. Leonardo Tomazeli Duarte, Dr. - UNICAMP
Adicionar evento ao calendário vCal
iCal

Reconstrução de Imagens em Tomografia de Capacitân\-cia Elétrica por Representações Esparsas

Resumo: A Tomografia de Processos é uma importante ferramenta para diversos setores da indústria. Tal importância vem da necessidade de obter informações sobre determinada propriedade física em regiões de complicado acesso, por exemplo, o interior de um duto. A tomografia é uma ferramenta muito versátil, podendo ser adaptada para investigar diversas propriedades físicas. Entre as diversas modalidades tomográficas está a elétrica, conhecida como Tomografia de Impedância Elétrica (EIT). A EIT pode ainda ser dividida em duas partes: Tomografia de Resistência Elétrica (ERT) e Tomografia de Capacitância Elétrica (ECT). Enquanto a ERT é capaz de distinguir materiais condutivos de não-condutivos, a ECT é capaz de diferenciar dois materiais não-condutivos pela sua permissividade elétrica. A modalidade de tomografia elétrica possui vantagens como: baixo tempo de aquisição, baixo custo e não-radioatividade. Os principais desafios enfrentados na tomografia elétrica são: a dependência da trajetória do campo em relação ao meio (efeito de Campo Mole) e a pouca quantidade de eletrodos disponíveis para medições devido às dimensões dos mesmos. Em decorrência do efeito de campo mole, a soma da contribuição individual de cada pixel em uma região é diferente da contribuição real da região, em outras palavras, é um problema não-linear. Devido a pequena quantidade de eletrodos, em geral 8 ou 12, reconstruir uma imagem com resolução prática é um problema mal-posto. Muitos métodos foram propostos para contornar essas dificuldades, grande parte se baseia em um modelo linearizado do sistema e na resolução de um problema inverso. Neste trabalho é proposto um método de reconstrução de imagens com regularização esparsa, no qual busca-se reconstruir uma imagem composta de poucos elementos de uma base redundante. Esses elementos são aprendidos a partir de sinais de treinamento e usados como entrada para um modelo de ECT. As respostas, em capacitância, desse modelo formam uma matriz de sensibilidade redundante. Tal matriz pode ser interpretada como uma linearização por partes do problema direto. Para validação desse algoritmo foram realizados experimentos em escoamentos bifásicos ar-água. Os sinais de treinamento foram obtidos com o uso de um sensor de ECT em conjunto com um sensor wire-mesh capacitivo. Os resultados obtidos demonstram a capacidade do método proposto em reconstruir imagens a partir de 8 medições de capacitância.
Palavras-chave: Reconstrução de Imagens, Tomografia de Capacitância Elétrica, Representações Esparsas, Aprendizagem de Dicionário

Image Reconstruction on Electrical Capacitance Tomography with Sparse Representations

Abstract: Process Tomography is an important tool for many sectors of industry. Such importance comes from the necessity of obtaining knowledge of physical properties from hard reaching places, as the interior of a solid object or pipe. Tomography is a very versatile tool, it can be adapted for investigating different physical properties. Among the many tomographic modalities is the electrical, know as Electrical Impedance Tomography (EIT). The EIT can also be divided in two: Electrical Resistance Tomography (ERT) and Electrical Capacitance Tomography (ECT). While the ERT is capable of distinguishing conducting materials from non-conducting ones, the ECT is capable of distinguishing two non-conducting materials by their electrical permittivity. The electrical modality has advantages such as: low acquisition time, low cost and non-radioactive. The main challenges of electrical tomography are: dependency of the trajectory of the field in the medium (effect know as Soft-Field) and the low number of electrodes available for measurement due to their sizes. As a result of the soft-field effect, the sum of individual contributions of small discrete segments in a given region is different from the contribution of the entire region as one. In other words, the relation between the electrical property and the electrical measurements are non-linear. Due to the small number of measuring electrodes, commonly 8 or 12, reconstructing images with practical resolution is an ill-posed problem. In order to overcome these obstacles, many methods were proposed and the majority are based on the resolution of an inverse problem of a linear model. This work proposes a method of image reconstruction with sparse inducing regularization that seeks to obtain an image representation with only few elements of a redundant basis. The elements of this basis are obtained from training images and used as input of an ECT simulation. The output capacitances of the model make up the columns of a redundant sensitivity matrix. Such matrix can be viewed as a piecewise linearization of the direct problem. For validation purposes, experimental tests were conducted on two-phase flows (air-water). The training signals were obtained from an experiment with a capacitive wire-mesh sensor along with an ECT sensor. The results obtained show that the proposed method is capable of reconstructing images from a set of only 8 capacitance measurements.
Keywords: Image Reconstruction, Electrical Capacitance Tomography, Sparse Representations, Dictionary Learning

Lista de publicações:

MOURA, H. L. de et al. Image reconstruction algorithms using overcomplete dictionaries for ECT sensor. In: World Congress on Industrial Process Tomography. Iguassu. Falls: [s.n.], 2016. p. 1–9.

MOURA, H. L. de et al. Image Reconstruction for Electrical Capacitance Tomography Through Redundant Sensitivity Matrix. IEEE Sensors Journal, v. 17, n. 24, p. 8157–8165, dec 2017. ISSN 1530-437X.

Ações do documento