一种基于改进U-Net模型的电磁层析成像算法

为解决电磁层析成像(electromagnetic tomography,EMT)传统成像算法由于逆问题的不适定性和病态性导致重建图像质量差的问题,提出了一种基于改进U-Net深度网络模型的新型电磁层析成像方法.首先,以U-Net深度网络模型为基础,加入残差模块使网络提取更多特征信息并避免网络训练时梯度消失的问题;其次在此结构上引入注意力机制来提升重要特征信息,抑制无用的特征信息,加强对缺陷边缘和形状特征的权重分配.通过仿真和金属缺陷检测实验评估了本文所提出算法的性能,并与线性反投影算法和共轭梯度算法进行了对比.仿真实验和金属缺陷检测实验结果表明:本文提出的算法在精确率、召回率和F1-Score分别达到88.41％、90.38％和89.38％,重建图像对于缺陷位置和形状的预测更为准确.