基于正电子湮灭技术的密闭腔内流场状态识别与3D成像研究

The key problems about how to apply the positron annihilation technology in industrial fields will be studied in this project, the fluid state in the inclosed cavity will be recognized, and the 3D image reconstruction of flow state will be realized. The main contents are as follows. First, in order to realize the sampling data sparsity, the feature enhancement algorithms of the positron-reconstructed images in dynamic sampling mode will be studied, including time of flight algorithm, spatial line of response rearrangement, signal filtering and scatter correction etc. Second, classification of random forest in deep learning will be discussed to realize the recognition of flow state, including slice-based weak classifier framework, multi-location and multi-directional γ-photon slice flow pattern combination criteria and so on. Finally, the super-resolution reconstruction algorithm will be studied to achieve the super-resolution imaging of flow state, including laminar and turbulent. The research findings of this project can be used for the nondestructive testing and imaging of flow field in the inclosed cavities such as the pipes, containers and chambers; and provide a theoretical basis for the development of industrial γ-photon instrument.

本项目面向国防和工业需求，研究正电子湮灭γ光子成像技术应用于工业领域时需要解决的关键问题，实现对金属致密材料构成的密闭腔内流体状态（层流、紊流）的识别和3D图像重建。主要研究内容：1)动态采样正电子图像特征增强算法研究，包括飞行时间算法、空间响应线重排、相关滤波和散射校正等，实现采样数据的稀疏化；2)深度学习中随机森林等分类机制研究，包括基于γ光子切片图的弱分类器构架，多位置多流向切片图的流态组合判据等，实现层流紊流的识别；3)超分辨率重建算法研究，包括流态γ光子3D成像，层流和部分紊流的超分辨率成像。本项目的研究成果可用于对发动机、工业设备中的密闭管道以及容器、腔室等内部的流体状态进行无扰、无损检测和成像，并为开发工业用γ光子探测成像仪器提供理论依据。

正电子发射断层成像（Positron Emission Tomography, PET）技术是一种非破坏性成像检测手段，通过接收正电子湮灭产生的γ光子来反映被检测件内部状态。由于γ光子的强穿透力和抗干扰能力，PET技术能够在恶劣工况下对高端复杂金属设备的密闭腔体进行无损化、可视化、动态化的内部实时检测。本项目针对PET技术在流场动态检测应用中的短扫描时间、高质量重建等关键需求展开研究，分别完成了以下研究内容：.1）动态采样正电子图像特征增强算法方面，通过引入飞行时间信息，提出了基于list-mode数据的TOF-PET图像重建算法；针对高密度金属材质造成大量散射光子的问题，研究了基于轨迹映射的γ光子单次散射校正方法、基于空间分布拟合的γ光子多次散射校正方法和补偿性单次散射模拟校正方法。.2）示踪粒子流场检测方面，提出了一种基于时间串流的PET算法，仿真和实验结果表明了该算法对于粒子跟踪的有效性；研究了轨迹中心线提取与轨迹平滑算法，改善轨迹图像连续显示时的抖动现象。.3）标记核素到流体进行流态检测方面，使用深度学习构建了三种网络实现对低计数投影数据的直接重建，分别为可以直接对低计数正弦图进行重建的端到端的深度神经网络FBP-CNN、一种无需反投影计算的网络结构CED-PET、通过投影域自适应过程实现无监督学习的深度重建网络CycleCED-PET，仿真和实验结果表明了所构建网络在流态检测应用中的有效性。.本项目的研究为高端装备内部流场的动态监测提供了一种新的无损检测手段，为PET技术应用于工业领域的动态检测奠定了重要基础。.

内容获取失败，请点击重试