Research on algorithm for restoration of large aperture and thick pinhole imaging based on neural network
-
摘要: 为了更好地获取低强度辐射源空间分布图像，提出一种使用神经网络算法将大孔径厚针孔退化图像复原的方法。建立了孔径5 mm、10 mm、15 mm的厚针孔模型，获得了3600个汉字形状辐射源的厚针孔退化图像集。基于DnCNN神经网络模型，建立了大孔径厚针孔退化图像复原神经网络，并与维纳滤波、Lucy-Richardson这些传统算法进行了比较。在考虑噪声影响后，利用迁移学习理论，对原神经网络模型进行迁移训练，再对含噪大孔径厚针孔退化图像进行复原。神经网络算法复原的RMSE明显低于传统方法，迁移学习显著减小了噪声的影响。证明了神经网络算法在大孔径厚针孔退化图像复原领域的优越性，并验证了神经网络方法复原含噪大孔径厚针孔退化图像的可行性。Abstract: To obtain the spatial distribution image of low intensity radiation source better, a method is proposed to restore large aperture thick pinhole degraded image using neural network algorithm. The thick pinhole model of 5 mm, 10 mm and 15 mm apertures is established, and the degenerate image sets of thick pinhole for the shape radiation source of 3600 Chinese characters are obtained. Based on the DnCNN neural network model, the neural network for image restoration with large aperture and thick pinhole is obtained, and compared with traditional algorithms such as Wiener filter and Lucy Richardson. After considering the influence of noise, the original neural network model is trained by means of transfer learning theory, and then the degraded image of large aperture pinhole with noise is restored. The RMSE of neural network algorithm is significantly lower than that of the traditional one, and the effect of noise is greatly improved by transfer learning. This paper proves the superiority of neural network algorithm in the field of image restoration with large aperture and thick pinhole, and verifies the feasibility of neural network method to restore the large aperture thick pinhole degraded image with noise.
-
Key words:
- large thick aperture /
- neural network /
- image reconstruction /
- transfer learning
-
托卡马克装置是一种对等离子体物理机制及其特性进行研究的重要装置。中国环流三号（HL-3）己实现了1 MA等离子体高约束模电流放电实验，随着物理实验的深入，电子回旋（ECRH）加热系统将开展高参数、长脉冲物理研究[1-4]。阴极高压电源为回旋管提供能量[5-8]，要求电源满足80 kV/50 A/100 s的输出能力。HL-3装置现有高压电源的能量来源于300 MV·A脉冲发电机组，输出电压频率为70～110 Hz，脉宽为10 s。电源模块运行脉宽5 s，采用自然冷却方式。基于以上因素，现有高压电源系统无法满足高参数物理、长脉冲物理实验需求。为满足ECRH加热系统的需求，采用国家电网6 kV供电及脉冲阶梯调制（PSM）技术设计了一套新型高压电源[9-11]。与HL-3现有高压电源相比，电网供电时，模块充电过程会产生较大浪涌电流冲击造成交流侧开关过流无法正常工作。同时，电网稳态供电相比脉冲发电机组脉冲供电，增加了电源运行风险。针对本套电网供电高压电源，本文提出采用在模块中设计软启电路并在模块中增加控制及监测点来解决电源浪涌影响及运行风险，文中简要介绍了开关电源的设计，重点针对模块的控制、监测需求设计了模块控制器；同时，采用微控制器与可编程逻辑门阵列设计了电源控制系统，并根据控制、监测多输入/输出端口的需求，采用IIC总线扩展IO方式完成电源的软启控制及状态监测，减少可编程逻辑门阵列及数据传输链路。通过假负载测试，验证了电源及控制系统的性能。
1. 电源设计
1.1 电源主回路设计
电子回旋高压电源主回路设计如图1所示，电源由6 kV国家电网提供输入功率，整个电源系统由交流输入接触柜、三个高压单元、控制系统等组成，其中每个高压单元包括一台三相多绕组变压器及42个开关电源模块，每台变压器副边引出42个绕组为开关电源模块供电。电源根据设定电压计算需要投入的整流模块数量，然后依次延时交错控制模块内部IGBT的导通，建立高压，并根据设定的电压值与输出电压值实时调整模块投入数目实现电源80 kV/100 s范围调节，满足电子回旋加热系统实验需求。
1.2 开关电源模块主回路设计
开关电源模块主回路如图2所示，主要包括软启回路、整流桥、IGBT开关、扼流电感、直流支撑电容、能量泄放回路、续流二极管等组成，支持脉冲发电机供电及电网供电。脉冲发电机组供电时，C、T接线端与多绕组变压器副边绕组相连；电网供电时，R、T接线端与多绕组变压器副边相连，通过远程/手动控制软启开关KM1对模块整流滤波电容进行充电，根据直流支撑电容电压的阈值检测实现KM2开关的闭合，完成模块软启控制，减小模块充电过程浪涌电流冲击的影响。扼流电感L的主要作用是抑制输出电流的快速变化。
1.3 开关电源模块控制器设计
为了能够满足电网及脉冲发电机组供电时模块的控制及保护等需求，模块控制器设计如图3所示，模块通过5根光纤信号实现模块的控制与状态监测，分别为kfault（综合故障），kigbt（IGBT开关），reset（模块复位），softEn（软启使能），chargeC（模块充电完成）。
直流电压采用取样电阻方法获得、电流采用霍尔电流传感器方法获得，经过比较器（LM293DR）与设定的阈值完成过压、充电完成、过流判断。交流电流信号来源于电流互感器，经过整流桥（BS6）整流及滤波后与比较器设定的阈值完成交流过流判断。通过判断安装在模块绝缘基板上的温度开关的节点状态实现过温判断。过压、过流、过温、充电完成等开关量信号的时间控制通过改变比较器的反馈电阻阻值进行调整，由比较器的迟滞效应功能实现。开关量信号及IGBT故障信号一方面经过达林顿管（NCV1413）反相处理，送给LED指示板电路进行显示；另一方面，将故障信号经过二极管LMDL914搭建的“或逻辑”处理得到kfault信号。
软启控制模块具有手动/远程两种控制方式，由两个HF115F继电器模块实现。无交流过流信号且有软启控制信号时，KM1 relay常开触点闭合，接入220 V交流电信号控制KM1软启开关。检测到充电完成信号且无交流电流过流时，KM2 relay常开触点闭合，接入220 V交流电信号，KM2直通开关闭合，模块完成软启。“与逻辑”电路由二极管B5819搭建实现。KM1 relay和KM2 relay继电器只对交流侧故障信号动作，不对直流侧故障信号动作。
IGBT是开关电源模块的核心器件，采用ACPL-331J作为其驱动芯片，并选取金升阳的QA01电源模块作为驱动芯片的电源。有kigbt驱动信号且无kfault信号时，通过控制驱动芯片的阴极引脚电平（CATHODE）控制输出，输出信号再经过MJD44H11和MJD45H11这两个NPN与PNP三极管搭建的推挽电路（push-pull）进行信号放大后控制IGBT。
2. 电源控制系统设计
2.1 硬件结构设计
如图2所示，控制器需要对模块进行复位、软启、驱动控制，对模块运行故障状态、充电状态监测，因此整个控制器需要多个输入/输出（IO）端口才能满足要求。从控制、通讯、数据访问（CODAC）设计角度出发，控制系统的结构如图4所示。
控制器由意法半导体的STM32H743单片机及Xilinx公司的XC7A35T 可编程逻辑门阵列（FPGA）搭建，通过串行外围设备接口总线（SPI）进行数据交互，实物平台如图5所示。模块的软启使能、充电状态及综合故障状态监测使用PCF8574A芯片，在单片机上通过集成电路总线（IIC）扩展IO口的方式实现，通过改变芯片的A2A1A0地址，两组IIC总线即可实现128路信号的读写控制。IGBT驱动控制及模块复位控制由FPGA实现。PCF8574A芯片兼容5 V TTL电平，为了简化设计的复杂度及统一设计接口，光电转换箱（optical-electric）均采用5 V电平标准，通过对FPGA的控制及驱动信号进行电平转换即满足设计要求。复位箱（reset）对复位信号进行转发，对电源模块进行复位操作。
控制器支持远程/本地两种控制方式。本地控制采用33.33 cm的RGB LCD液晶屏，通过FFC排线与单片机的TFT LCD接口相连；远程控制通过上位机进行操作，采用TCP/IP协议进行数据传输，通过TP-Link光纤收发器模块实现光信号与网络信号转换，中间采用多模光纤作为信号传输介质。远程/本地控制均可实现控制参数的配置、状态监测和数据交互等功能。
2.2 控制算法及流程
系统控制流程图如图6所示。首先通过上位机或液晶屏配置控制参数（如输出电压值，电压建立时间，投入模式等），然后等待开通信号。系统接收到启动信号后，首先根据预设的电压值计算出前馈投入的模块数目，随后根据电源工作模式建立高压。在开环工作模式，电源根据设置的电压建立时间值参数开始逐个投入前馈模块建立高压直至实验结束。在闭环工作模式，当电源依次延时投入的模块数目与前馈投入模块数目相等时，立即进入闭环反馈阶段。在闭环反馈周期（200 μs)内，电压采集值Vfed与电压给定值Vref相比较，根据比较结果与单模块输出电压值的商值，对投入的电源模块数进行增加、减小、保持操作，使电源的输出电压在可控裕度范围。正常放电结束或有故障信号时，结束此次放电实验，等待下次启动信号来临。电源支持上位机设置电源输出宽度或外部触发信号调节电源运行时间，两种运行方式均可实现（0～100 s）可调。
3. 实验结果
由于负载要求且真载调试需要多系统配合，首先选择在电阻性假负载上完成电源性能测试，高压电源测试平台如图7所示。结合实际使用情况及现场供电情况，电源测试条件：使用干式升压变压器（380 V～3 kV）将380 V市电升至6 kV后连接到多绕组变压器，然后将开关电源模块的电网供电端（R、T端）与副边绕组相连。在该测试条件下，对单模块的输出电压、电源输出电压及电流、过流保护等进行了相关测试，所有测试信号均由泰克示波器测量所得。
图8为远程控制模块充电过程中模块直流侧电容的电压变化波形。模块控制器充电完成的电容电压阈值设值为600 V，从图中可以看出，软启过程中，电压值缓慢爬升，达到设定的充电阈值后，电容电压快速达到平顶电压。通过控制模块软启电路对模块进行充电，可以有效缓解直流侧充电过冲及电流过冲。
图9为在4 kΩ负载阻值下进行电源输出电压、电流及脉宽测试波形。CH1为输出电流，由霍尔传感器测量，电流变比为20∶1。CH2为输出电压，由分压器测量，电压变比为
10000 ∶1。从图中可以看出，在电网供电下，电源经过反馈调节，电源输出电压达80 kV及电流20 A，脉宽运行时间为100 s。由于市电带载能力及假负载散热问题，无法完成电源输出电流的测试。图10为过流保护测试波形，电压输出设定值为60 kV，电流保护值设为10 A，电阻阻值选择4 kΩ。其中CH1为输出电压，CH2为输出电流，CH3为输出过流信号。从图中可以看出，当电流值达到10 A时，过流保护装置立即送出过流信号，控制器立即封锁脉冲，此时输出电压达到4 kV后快速关断。
4. 结 论
HL-3高压电源按照300 MV·A脉冲发电机组供电标准设计，无法满足电子回旋系统开展高参数物理研究，因此采用PSM技术研制了一套高压电源系统。在开关电源模块的设计上，通过改变模块交流接线端接线类型实现供电类型切换，同时，在模块内置软启回路，避免直流侧电压过冲或电流过冲对电网的影响。针对电源多个模块的多路控制、监测需求，选用单片机及可编程逻辑门阵列的架构。考虑所需要IO口的数目多，根据实时性的需求分析，将模块的软启控制、充电状态及模块综合故障状态监测在单片机端实现，采用PCF8574A芯片，通过外扩IO的方式实现信号的读写控制；在可编程逻辑门阵列中完成控制信号的处理、算法的实现。通过在搭建的测试条件下测试，电源模块及控制器满足设计要求，电源实现输出电压80 kV,输出电流20 A，运行时间100 s的测试。下一步的工作带10 kV电网电压及负载，测试电源系统的动态响应能力。
-
图 7 10mm孔径厚针孔退化图像添加噪声
Figure 7. 10 mm aperture thick pinhole degraded image adds noise
表 1 测试数据平均RMSE
Table 1. RMSE of test data
aperture/mm average RMSE 5 16.6067 10 30.4662 15 35.3384 
下载: 导出CSV
表 2 测试数据平均RMSE
Table 2. Comparison of average RMSE of test data
aperture/mm average RMSE Wiener filtering Lucy-Richardson neural network 5 46.654 6 48.316 8 16.781 9 10 48.873 6 50.161 2 31.144 2 15 50.613 4 50.845 5 36.294 7 注：加粗字体为每行最优值。
下载: 导出CSV
-
[1] Berzins G J, Han K S. Pinhole imaging of a test fuel element at the Transient Reactor Test Facility[J]. Nucl Sci Eng, 1978, 65(1): 29-40. [2] Bohlin H, Brack F E, M Erveňák, et al. Radiative characterization of supersonic jets and shocks in a laser-plasma experiment[J]. Plasma Physics and Controlled Fusion, 2021, 63: 045026. doi: 10.1088/1361-6587/abe526 [3] 李勤, 王毅, 刘云龙, 等. 针孔法测量X光源焦斑尺寸[J]. 强激光与粒子束, 2021, 33:044007. (Li Qin, Wang Yi, Liu Yunlong, et al. X-ray spot size measurement with pinhole[J]. High Power Laser and Particle Beams, 2021, 33: 044007 doi: 10.11884/HPLPB202133.200132 [4] 宋顾周, 朱宏权, 韩长材, 等. 杆箍缩二极管X射线焦斑的测量[C]//中国核科学技术进展报告——中国核学会2009年学术年会论文集. 2009: 7Song Guzhou, Zhu Hongquan, Han Changcai, et al. X-ray spot measurement for rod-pinch diode radiographic source[C]//Progress Report on China Nuclear Science & Technology — Proceedings of the 2009 Annual Conference of the Chinese Nuclear Society. 2009: 3519-3525 [5] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. Computer Science, 2014. [6] He K , Zhang X , Ren S , et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016: 770-778. [7] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[M]. IEEE Computer Society, 2014. [8] Kai Z, Zuo W, Chen Y, et al. Beyond a Gaussian denoiser: Residual learning of deep CNN for image denoising[J]. IEEE Transactions on Image Processing, 2016, 26(7): 3142-3155. [9] 姚志明, 段宝军, 马继明, 等. 大孔径厚针孔成像数值模拟研究[J]. 原子能科学技术, 2019, 53(2):379-384. (Yao Zhiming, Duan Baojun, Ma Jiming, et al. Numerical simulation of large thick aperture imaging[J]. Atomic Energy Science and Technology, 2019, 53(2): 379-384 doi: 10.7538/yzk.2018.youxian.0294 [10] Pan S J, Qiang Y. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1345-1359. doi: 10.1109/TKDE.2009.191 [11] 付晓峰, 吴俊, 牛力. 小数据样本深度迁移网络自发表情分类[J]. 中国图象图形学报, 2019, 24(5):93-101. (Fu Xiaofeng, Wu Jun, Niu Li. Classification of small spontaneous expression database based on deep transfer learning network[J]. Journal of Image and Graphics, 2019, 24(5): 93-101 [12] 汤鹏杰, 谭云兰, 李金忠. 融合图像场景及物体先验知识的图像描述生成模型[J]. 中国图象图形学报, 2017, 22(9):1251-1260. (Tang Pengjie, Tan Yunlan, Li Jinzhong. Image description based on the fusion of scene and object category prior knowledge[J]. Journal of Image and Graphics, 2017, 22(9): 1251-1260 doi: 10.11834/jig.170052 -
下载:
点击查看大图
计量
- 文章访问数: 840
- HTML全文浏览量: 399
- PDF下载量: 49
- 被引次数: 0
