We present a neural network architecture to determine the volume and complex permittivity of grain stored in metal bins. The neural networks output the grain height, cone angle and complex permittivity of the grain, using the input of experimental field data ( $S$ -parameters) from an electromagnetic imaging system consisting of 24 transceivers installed in the bin. Key for practical applications, the neural networks are trained on synthetic data sets but generate the parametric information using experimental data as input, without the use of calibration objects or open-short-load measurements. To accomplish this, we formulate a data normalization scheme that enables the use of a loss function that directly compares measured $S$ -parameters and simulation model fields. The normalization strategy and the ability to train on synthetic data means we do not need to collect experimental training data. We demonstrate the applicability of this synthetically trained neural network to experimental data from two different bin geometries, and discuss the ability of these neural networks to successfully infer parameters that can be used for grain inventory management. Our neural-network-based approach enables rapid inference, providing a more cost-effective long-term solution than existing optimization-based parametric inversion methods.

中文翻译：

---

使用基于神经网络的参数电磁反演的粮食库存管理

我们提出了一种神经网络架构来确定存储在金属箱中的谷物的体积和复介电常数。神经网络使用来自电磁成像系统的实验现场数据（$S$ -参数）的输入，输出谷物的谷物高度、锥角和复介电常数，该系统由安装在垃圾箱中的 24 个收发器组成。实际应用的关键是，神经网络在合成数据集上进行训练，但使用实验数据作为输入生成参数信息，而不使用校准对象或开路短路负载测量。为了实现这一点，我们制定了一个数据归一化方案，该方案能够使用直接比较测量的 $S$ 参数和仿真模型字段的损失函数。标准化策略和对合成数据进行训练的能力意味着我们不需要收集实验训练数据。我们展示了这种经过综合训练的神经网络对来自两种不同几何形状的实验数据的适用性，并讨论了这些神经网络成功推断可用于粮食库存管理的参数的能力。我们基于神经网络的方法可实现快速推理，提供比现有基于优化的参数反演方法更具成本效益的长期解决方案。并讨论这些神经网络成功推断可用于粮食库存管理的参数的能力。我们基于神经网络的方法可实现快速推理，提供比现有基于优化的参数反演方法更具成本效益的长期解决方案。并讨论这些神经网络成功推断可用于粮食库存管理的参数的能力。我们基于神经网络的方法可实现快速推理，提供比现有基于优化的参数反演方法更具成本效益的长期解决方案。