CN104462778A - 一种基于深度学习的pm2.5污染物测量方法 - Google Patents

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I_i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

一种基于深度学习的PM2.5污染物测量方法

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I_i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P_real(i)对应的1-500维的特征P_pred(i)；

3)通过优化下面的目标函数来训练网络：

$\arg \min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|P_{\mathrm{real}\left(i\right)}-P_{\mathrm{pred}\left(i\right)}\left|\right|}^2---\left(1\right)$

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P_pred；

3)通过优化下面的目标函数来训练网络：

$\arg \min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|P_{\mathrm{real}\left(i\right)}-P_{\mathrm{pred}\left(i\right)}\left|\right|}^2---\left(1\right)$

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P_pred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I_i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P_real(i)对应的1-500维的特征P_pred(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：

$\arg \min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|P_{\mathrm{real}\left(i\right)}-P_{\mathrm{pred}\left(i\right)}\left|\right|}^2$

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P_pred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I_i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P_real(i)对应的500维的特征P_pred(i)；

3)通过优化下面的目标函数来训练网络：

$\arg \min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|P_{\mathrm{real}\left(i\right)}-P_{\mathrm{pred}\left(i\right)}\left|\right|}^2$

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P_pred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，P_pred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I_i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P_real(i)对应的1-500维的特征P_pred(i)；

3)通过优化下面的目标函数来训练网络：

$\arg \min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|P_{\mathrm{real}\left(i\right)}-P_{\mathrm{pred}\left(i\right)}\left|\right|}^2---\left(1\right)$

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P_pred；

3)通过优化下面的目标函数来训练网络：

$\arg \min \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|P_{\mathrm{real}\left(i\right)}-P_{\mathrm{pred}\left(i\right)}\left|\right|}^2---\left(1\right)$

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P_pred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。