CN104462778A - 一种基于深度学习的pm2.5污染物测量方法 - Google Patents
一种基于深度学习的pm2.5污染物测量方法 Download PDFInfo
- Publication number
- CN104462778A CN104462778A CN201410645121.1A CN201410645121A CN104462778A CN 104462778 A CN104462778 A CN 104462778A CN 201410645121 A CN201410645121 A CN 201410645121A CN 104462778 A CN104462778 A CN 104462778A
- Authority
- CN
- China
- Prior art keywords
- value
- sample
- network
- layer
- sampled
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了属于计算机视觉和图像处理技术领域的一种基于深度学习的PM2.5污染物测量方法。该方法是首先利用已有的图像及其标注的PM2.5污染物的指标值,将全部N个样本I进行预处理,包括进行零均值处理和样本扩增;利用的深度学习网络将处理后的第i个样本Ii输入到网络中,训练用于测量PM2.5污染物的深度学习网络,然后将训练好的深度学习网络应用到需要测试的图像上,在输出层即可得到PM2.5污染物的预测指标值。本发明随着深度学习技术的发展,使卷积神经网络在计算机视觉领域的成功运用,使得通过图像对PM2.5污染物的测量得以实现。
Description
技术领域
本发明属于计算机视觉和图像处理技术领域,特别涉及一种基于深度学习的PM2.5污染物测量方法。
背景技术
在空气严重污染的情况下,室外可见度明显下降,通过传统图像处理的方式测量污染物浓度变得极其困难,而其主要的污染物PM2.5的测量目前主要依赖于数量有限的精密设备。随着深度学习技术的发展,尤其是卷积神经网络在计算机视觉领域的成功运用,使得通过图像对PM2.5污染物的测量得以实现。
发明内容
本发明的目的是提供一种基于深度学习的PM2.5污染物测量方法,其特征在于,包括步骤如下:
1)将全部N个样本I进行预处理,包括进行零均值处理和样本扩增;
2)利用的深度学习网络将处理后的第i个样本Ii输入到网络中,前两层为卷积层,每个卷积层后均有降采样层,对数据进行最大值-降采样;后两层为全连接层,其中最后一层为Soft-max层,由此输出与给定的PM2.5污染值Preal(i)对应的1-500维的特征Ppred(i);
3)通过优化下面的目标函数来训练网络:
4)当目标函数停止收敛或者网络训练迭代次数超过设定值M时,停止训练网络;
其中,降采样是采用一个大小为n*n的采样窗按照一定步长s扫描,先按行从左至右,再按列从上至下遍历整个卷积层大小为m*m的输出,扫描时在每个采样窗中,取其中n*n个值的最大值作为采样值,把每个采样值按照扫描次序组成一个(m/s)*(m/s)大小的降采样输出,特殊情况下步长s为1时,降采样的结果的尺寸与输入相同。
所述步骤1)中样本扩增包括样本翻转和尺度变换。
一种基于深度学习的PM2.5污染物测量方法,其特征在于,包括步骤如下:
1)将需要测试样本I进行预处理,包括进行零均值处理和样本的翻转及尺度变换处理;
2)利用深度卷积神经网络将处理后的样本I输入训练好到深度卷积神经网络中,在输出层得到500维的特征Ppred;
3)通过优化下面的目标函数来训练网络:
4)当目标函数停止收敛或者网络训练迭代次数超过设定值M时,停止训练网络;
5)利用输出得到500维的特征Ppred判断实际PM2.5污染值,即取该特征最大响应值所在列标,即为实际的PM2.5污染值。
本发明的有益效果是卷积神经网络在计算机视觉领域的成功运用,使得通过图像对PM2.5污染物的测量得以实现。
附图说明
图1为所采用的卷积神经网络结构图。
图2为算法流程图。
具体实施方式
本发明提供一种基于深度学习的PM2.5污染物测量方法。以下结合附图详细说明本发明,
图2所示为算法流程图,包括步骤如下:
1)将全部N个样本I进行预处理,包括进行零均值处理和样本扩增(包括样本翻转和尺度变换);
2)利用的深度学习网络(深度卷积神经网络)将处理后的第i个样本Ii输入到网络中,前两层为卷积层,每个卷积层后均有降采样层,对数据进行最大值-降采样;后两层为全连接层,其中最后一层为Soft-max层(如图1所示的采用的卷积神经网络结构图),由此输出与给定的PM2.5污染值Preal(i)对应的1-500维的特征Ppred(i);如果只有一个维度,其值为1,其余维度的值均为0,该维度所在的维度坐标即为给定的PM2.5值;
3)通过优化下面的目标函数来训练网络:
4)当目标函数停止收敛或者网络训练迭代次数超过设定值M时,停止训练网络;
5)利用输出得到1-500维的特征Ppred判断实际PM2.5污染值,即取该特征最大响应值所在列标即为实际的PM2.5污染值。
其中列标可以理解为特征响应值1-500维,最大值所在的维度数,即坐标,即为所预测的PM2.5值;如第100维度的响应值为0.9,其余维度的响应均小于0.9,则取最大响应值0.9所在的维度数100,即“列标”作为预测的PM2.5值。
实施例
1)将某图像数据集全部N个样本(如32*32RGB图像)I进行预处理,包括进行零均值处理、样本扩增(翻转和尺度变换等);
2)利用图1所示的深度卷积神经网络将处理后的第i个样本Ii输入到深度卷积神经网络中;前两层为卷积层,每个卷积层的卷积子个数均为64,卷积子的大小为5*5像素,卷积的步长均为1像素。卷积层后均接有降采样层对数据进行最大值-降采样(Max-pooling),降采样层的采样窗的大小均为3*3像素,用该采样窗遍历整个卷积层的输出(大小为32*32*64),采样步长为1像素,取采样窗中所有3*3像素中的最大值作为采样值。后两层为全连接层,其中第一层为1000节点,后一层为Soft-max层,具有500个节点,可以输出与给定的PM2.5污染值Preal(i)对应的500维的特征Ppred(i);
3)通过优化下面的目标函数来训练网络:
4)当目标函数停止收敛或者网络训练迭代次数超过设定值M(例如M=100)时,停止训练网络;
5)利用输出得到500维的特征Ppred判断实际PM2.5污染值,即取该特征最大响应值所在列标即为实际的PM2.5污染值(如,Ppred的最大响应值在第26维度,则认为实际的PM2.5污染值为26。
Claims (3)
1.一种基于深度学习的PM2.5污染物测量方法,其特征在于,包括步骤如下:
1)将全部N个样本I进行预处理,包括进行零均值处理和样本扩增;
2)利用的深度学习网络将处理后的第i个样本Ii输入到深度学习网络中,前两层为卷积层,每个卷积层后均有降采样层,对卷积层的输出进行最大值-降采样后两层为全连接层,其中最后一层为Soft-max层,由此输出与给定的PM2.5污染值Preal(i)对应的1-500维的特征Ppred(i);
3)通过优化下面的目标函数来训练网络:
4)当目标函数停止收敛或者网络训练迭代次数超过设定值M时,停止训练网络;
其中,降采样是采用一个大小为n*n的采样窗按照一定步长s扫描:先按行从左至右,再按列从上至下遍历整个卷积层大小为m*m的输出,扫描时在每个采样窗中,取其中n*n个值的最大值作为采样值,把每个采样值按照扫描次序组成一个(m/s)*(m/s)大小的降采样输出,特殊情况下步长s为1时,降采样的结果的尺寸与输入相同。
2.根据权利要求1所述一种基于深度学习的PM2.5污染物测量方法,其特征在于,所述步骤1)中样本扩增包括样本翻转和尺度变换。
3.一种基于深度学习的PM2.5污染物测量方法,其特征在于,包括步骤如下:
1)将需要测试样本I进行预处理,包括进行零均值处理和样本的翻转及尺度变换处理;
2)利用深度卷积神经网络将处理后的样本I输入训练好到深度卷积神经网络中,在输出层得到500维的特征Ppred;
3)通过优化下面的目标函数来训练网络:
4)当目标函数停止收敛或者网络训练迭代次数超过设定值M时,停止训练网络;
5)利用输出得到500维的特征Ppred判断实际PM2.5污染值,即取该特征最大响应值所在列标,即为实际的PM2.5污染值;
其中列标理解为:特征响应值有1-500维,最大值所在的维度数,即坐标,即为所预测的PM2.5值;若第100维度的响应值为0.9,其余维度的响应均小于0.9,则取最大响应值0.9所在的维度数100,即“列标”作为预测的PM2.5值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410645121.1A CN104462778A (zh) | 2014-11-06 | 2014-11-06 | 一种基于深度学习的pm2.5污染物测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410645121.1A CN104462778A (zh) | 2014-11-06 | 2014-11-06 | 一种基于深度学习的pm2.5污染物测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104462778A true CN104462778A (zh) | 2015-03-25 |
Family
ID=52908807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410645121.1A Pending CN104462778A (zh) | 2014-11-06 | 2014-11-06 | 一种基于深度学习的pm2.5污染物测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104462778A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787482A (zh) * | 2016-02-26 | 2016-07-20 | 华北电力大学 | 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 |
CN106295516A (zh) * | 2016-07-25 | 2017-01-04 | 天津大学 | 基于图像的雾霾pm2.5值估计方法 |
CN106682569A (zh) * | 2016-09-28 | 2017-05-17 | 天津工业大学 | 一种基于卷积神经网络的快速交通标识牌识别方法 |
CN106779054A (zh) * | 2016-12-31 | 2017-05-31 | 中国科学技术大学 | 一种基于雾天图像的pm2.5估计方法 |
CN107044947A (zh) * | 2017-05-02 | 2017-08-15 | 山西大学 | 一种基于图像特征的pm2.5污染指数的识别方法 |
CN107533754A (zh) * | 2015-04-28 | 2018-01-02 | 高通股份有限公司 | 在深度卷积网络中降低图像分辨率 |
CN109087277A (zh) * | 2018-06-11 | 2018-12-25 | 北京工业大学 | 一种基于图像特征和集成神经网络的空气细颗粒物pm2.5测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN103824049A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联神经网络的人脸关键点检测方法 |
-
2014
- 2014-11-06 CN CN201410645121.1A patent/CN104462778A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN103824049A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联神经网络的人脸关键点检测方法 |
Non-Patent Citations (3)
Title |
---|
王敏等: "基于BP人工神经网络的城市PM2.5浓度空间预测", 《环境污染与防治》 * |
郑毅等: "基于深度信念网络的PM2.5预测", 《山东大学学报(工学版)》 * |
陈先昌: "基于卷积神经网络的深度学习算法与应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107533754A (zh) * | 2015-04-28 | 2018-01-02 | 高通股份有限公司 | 在深度卷积网络中降低图像分辨率 |
CN107533754B (zh) * | 2015-04-28 | 2021-06-25 | 高通股份有限公司 | 在深度卷积网络中降低图像分辨率 |
CN105787482A (zh) * | 2016-02-26 | 2016-07-20 | 华北电力大学 | 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 |
CN106295516A (zh) * | 2016-07-25 | 2017-01-04 | 天津大学 | 基于图像的雾霾pm2.5值估计方法 |
CN106682569A (zh) * | 2016-09-28 | 2017-05-17 | 天津工业大学 | 一种基于卷积神经网络的快速交通标识牌识别方法 |
CN106779054A (zh) * | 2016-12-31 | 2017-05-31 | 中国科学技术大学 | 一种基于雾天图像的pm2.5估计方法 |
CN106779054B (zh) * | 2016-12-31 | 2018-05-29 | 中国科学技术大学 | 一种基于雾天图像的pm2.5估计方法 |
CN107044947A (zh) * | 2017-05-02 | 2017-08-15 | 山西大学 | 一种基于图像特征的pm2.5污染指数的识别方法 |
CN107044947B (zh) * | 2017-05-02 | 2019-11-19 | 山西大学 | 一种基于图像特征的pm2.5污染指数的识别方法 |
CN109087277A (zh) * | 2018-06-11 | 2018-12-25 | 北京工业大学 | 一种基于图像特征和集成神经网络的空气细颗粒物pm2.5测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104462778A (zh) | 一种基于深度学习的pm2.5污染物测量方法 | |
US11333796B2 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN106780612B (zh) | 一种图像中的物体检测方法及装置 | |
CN104020475B (zh) | 一种基于机载LiDAR数据的电力线提取及建模方法 | |
CN111998860B (zh) | 自动驾驶定位数据校验方法、装置、电子设备及存储介质 | |
US9625611B2 (en) | Method for detecting zonal underground target in mountain land based on ridge heat radiation correction | |
CN109948547A (zh) | 城市绿地景观评价方法、装置、存储介质及终端设备 | |
CN104504389A (zh) | 一种基于卷积神经网络的卫星云量计算方法 | |
CN105700525B (zh) | 基于Kinect传感器深度图机器人工作环境不确定性地图构建法 | |
WO2011023247A1 (en) | Generating raster image representing road existence probability based on probe measurements | |
CN110232445B (zh) | 一种基于知识蒸馏的文物真伪鉴定方法 | |
CN104034733A (zh) | 基于双目视觉监测与表面裂纹图像识别的寿命预测方法 | |
CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及*** | |
CN107909192B (zh) | 土壤重金属含量的估测方法及装置 | |
CN109682303A (zh) | 基于bim技术的曲线pc轨道梁精密三维检测方法 | |
CN106295491A (zh) | 车道直线检测方法及装置 | |
CN112927565A (zh) | 提升机坪综合航迹监视数据精度的方法、装置及*** | |
CN107992873A (zh) | 目标检测方法及装置、存储介质、电子设备 | |
CN105046691A (zh) | 一种基于正交消失点的相机自标定方法 | |
CN105004846B (zh) | 一种监测高浑浊海水浊度的卫星遥感方法 | |
CN103983239B (zh) | 基于车道等宽线的测距方法 | |
Hong et al. | Line‐laser‐based visual measurement for pavement 3D rut depth in driving state | |
CN115239733B (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
CN105321157B (zh) | 被动微波亮温数据降尺度方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150325 |
|
RJ01 | Rejection of invention patent application after publication |