Niska rozdzielczość przestrzenna obrazów od lat pozostaje jednym z głównych ograniczeń elektrycznej tomografii pojemnościowej. Jednym ze sposobów jej poprawy jest zwiększenie liczby elektrod w czujniku, co pozwala na gęstsze próbkowanie przestrzenne. Takie podejście ma jednak również istotną wadę: mniejsze elektrody oznaczają niższą pojemność międzyelektrodową, a w konsekwencji pogorszenie stosunku sygnału do szumu.

W artykule przedstawiono metodę poprawy rozdzielczości przestrzennej z wykorzystaniem jednorzędowego czujnika z 32 elektrodami oraz rekonstrukcji obrazów opartej na uczeniu maszynowym. Do rozwiązania problemu odwrotnego zastosowano sieć neuronową z warstwami w pełni połączonymi, której architekturę dobrano heurystycznie i wytrenowano na syntetycznym zbiorze danych. Wyniki oceniono zarówno dla danych symulowanych numerycznie, jak i dla rzeczywistych pomiarów. W układzie pomiarowym zastosowano rozwiązania umożliwiające pomiar pojemności rzędu pojedynczych femtofaradów przy wysokim stosunku sygnału do szumu. Do oceny rozdzielczości przestrzennej wykorzystano specjalnie przygotowane obiekty testowe, opracowane na potrzeby wyznaczania funkcji przenoszenia modulacji (MTF). Badania wykazały, że zwiększenie liczby elektrod do 32 w jednorzędowym czujniku prowadzi do poprawy rozdzielczości przestrzennej obrazów, pod warunkiem zapewnienia odpowiednio wysokiego stosunku sygnału do szumu.

Wyniki potwierdziły również, że sieć neuronowa wytrenowana na danych syntetycznych może być skutecznie stosowana do rekonstrukcji obrazów na podstawie rzeczywistych danych pomiarowych. Co szczególnie istotne, w obrazach uzyskanych z rzeczywistych pomiarów udało się wyraźnie rozróżnić pięć obiektów ułożonych w jednym rzędzie. Według wiedzy autorów odpowiada to najlepszej dotąd osiągniętej rozdzielczości przestrzennej w elektrycznej tomografii pojemnościowej.