CN110082283B - 一种大气颗粒物sem图像识别方法及*** - Google Patents
一种大气颗粒物sem图像识别方法及*** Download PDFInfo
- Publication number
- CN110082283B CN110082283B CN201910435938.9A CN201910435938A CN110082283B CN 110082283 B CN110082283 B CN 110082283B CN 201910435938 A CN201910435938 A CN 201910435938A CN 110082283 B CN110082283 B CN 110082283B
- Authority
- CN
- China
- Prior art keywords
- atmospheric
- function
- layer
- sample
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000001878 scanning electron micrograph Methods 0.000 title claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 69
- 239000012528 membrane Substances 0.000 claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 239000000126 substance Substances 0.000 claims abstract description 16
- 238000003384 imaging method Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 239000008277 atmospheric particulate matter Substances 0.000 claims abstract description 12
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000013497 data interchange Methods 0.000 claims abstract description 5
- 230000005284 excitation Effects 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 28
- 230000000694 effects Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 15
- 238000011160 research Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 239000013618 particulate matter Substances 0.000 claims description 13
- 239000011148 porous material Substances 0.000 claims description 12
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 11
- 239000000835 fiber Substances 0.000 claims description 11
- 239000000853 adhesive Substances 0.000 claims description 7
- 230000001070 adhesive effect Effects 0.000 claims description 7
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 7
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 7
- 229920002301 cellulose acetate Polymers 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000004417 polycarbonate Substances 0.000 claims description 6
- 229920000515 polycarbonate Polymers 0.000 claims description 6
- 239000010453 quartz Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000002265 prevention Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 75
- 238000012549 training Methods 0.000 description 36
- 238000012360 testing method Methods 0.000 description 15
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 14
- 229910052500 inorganic mineral Inorganic materials 0.000 description 13
- 239000011707 mineral Substances 0.000 description 13
- 235000010755 mineral Nutrition 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 239000000428 dust Substances 0.000 description 10
- 239000000443 aerosol Substances 0.000 description 8
- 229910052697 platinum Inorganic materials 0.000 description 7
- 239000012798 spherical particle Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 6
- 238000010894 electron beam technology Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000003245 coal Substances 0.000 description 4
- 239000010419 fine particle Substances 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 150000002500 ions Chemical class 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 238000004544 sputter deposition Methods 0.000 description 3
- 238000002083 X-ray spectrum Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000010881 fly ash Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 238000000550 scanning electron microscopy energy dispersive X-ray spectroscopy Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000010410 dusting Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- -1 i.e. Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000011236 particulate material Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 208000005069 pulmonary fibrosis Diseases 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 239000011163 secondary particle Substances 0.000 description 1
- 235000002639 sodium chloride Nutrition 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 229920002994 synthetic fiber Polymers 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000011882 ultra-fine particle Substances 0.000 description 1
- 238000004056 waste incineration Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N2015/1402—Data analysis by thresholding or gating operations performed on the acquired signals or stored data
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种大气颗粒物SEM图像识别方法及***,属于大气环境技术领域,其特征在于:所述大气颗粒物SEM图像识别方法至少包括:S1、采集含有PM2.5的大气颗粒物,并将大气颗粒物附着到滤膜上;S2、进行大气颗粒物SEM成像;S3、识别并分析大气颗粒物SEM图像;具体为:获得大量的PM2.5的SEM图像后,对颗粒物的形貌特征进行观察,并根据EDX能谱分析报告分析颗粒物的化学成分;S4、基于卷积神经网络的方法对大气颗粒物的形状进行识别与分类;通过采用上述技术方案:本发明将传统技术与图像处理技术相结合对大气颗粒物进行分类识别,可以为大气污染的源解析以及进行科学的控制防治提供有力的支持。
Description
技术领域
本发明属于大气环境技术领域,特别是涉及到一种大气颗粒物SEM图像识别方法及***。
背景技术
大气颗粒物(Atmospheric Particulate Matters)是指悬浮在地球大气中的微观固态或液态物质,其中空气动力学当量直径小于等于2.5μm的颗粒物称为PM2.5。其来源分为一次气溶胶(Primary aerosol)和二次气溶胶(Secondary aerosol)。一次气溶胶指的是颗粒物从排放源直接进入大气,包括煤燃烧、机动车排放、工业排放、土壤扬尘、海盐、植物花粉、孢子等。二次气溶胶指的由排放源排放的气体,在环境中经化学反应或物理过程转化成液态或固态的颗粒物。
由于PM2.5的粒径小,比表面积大,大部分是纳米尺度的类球与椭球形,能携带大量有毒有害物质并长时间停留在大气中,不仅是造成雾霾天气的主要原因,而且能通过呼吸***进入血液,从而对身体健康产生很大的影响。PM2.5是导致心血管发病率和死亡率的可变因素,并且会增加肺部纤维化的风险,死亡率与PM2.5的浓度存在正相关关系,导致全球每年会有超过三百万人过早死亡,其中主要分布在亚洲。大气中的PM2.5直接或者间接影响全球气候,不论是质量浓度还是成分浓度,PM2.5都在大气污染中占很大的比重,对PM2.5的研究已经成为全球大气污染防治的重要课题。
在全球关注大气污染问题背景下,中国正处于环境空气质量管理的关键阶段。在人口稠密的城市,工业发展和城市化导致了令人担忧的空气污染,对我国空气质量影响最大的污染物是PM2.5,主要由燃煤、汽车尾气、以及扬尘等因素形成,其中二次气溶胶形成复合型空气污染,严重影响空气能见度,危及人类身体健康。PM2.5不仅含有大量的有机和有毒的金属成分,而且容易通过呼吸***进入血液,对人类的身体健康有很大的威胁。
目前针对PM2.5已经有关于其质量浓度、化学成分、源解析、时空分布、区域传输以及形成机理等方面的研究,但将其与图像处理技术相结合对其进行分类识别,可以为大气污染防治的源解析以及进行科学的控制提供有力的支持。基于此,本发明提出利用SEM(scanning electron microscope)技术对PM2.5进行图像生成,并应用卷积神经网络对图像进行识别与分类。
发明内容
本发明针对现有技术中存在的上述技术问题,提供了一种大气颗粒物SEM图像识别方法及***,该大气颗粒物SEM图像识别方法及***基于PM2.5大气颗粒物的不同特征,应用SEM技术对其进行成像,基于卷积神经网络对大气颗粒物的SEM图像进行分析和分类。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:
本发明的第一发明目的是提供一种大气颗粒物SEM图像识别方法,至少包括:
S1、采集PM2.5大气颗粒物,并将大气颗粒物附着到滤膜上;
S2、进行大气颗粒物SEM成像;具体为:
S201、将上述滤膜制成样本:从收集的样品中选择相对均匀的部分剪裁下a*b的矩形块,并用有导电胶将矩形块粘附到铝质金属桩上;a和b为常数,比如a=5mm,b=10mm;
S202、由于滤膜不具备导电性,不利于扫描电子显微镜的观察,并且扫描电镜是靠电子束扫描物体表面来成像的。空气的存在会使的电子束变型,影响扫描效果,为获取高质量的二次电子图像,矩形块在真空条件下镀铂;最后,将镀铂后的矩形块放入样品台;
S203、使用高分辨率扫描电子显微镜和能谱分析仪(SEM-EDX)在每个样品上随机选择位置获取单颗粒的图像:每个样本清晰的显示在图像采集界面中;先随机选择样本,接着随机选择颗粒,然后调节扫描电镜的放大倍数和分辨率,当调节到目视较好效果时,点击拍摄获得大气颗粒的SEM(Scanning Electron Microscopy)图像;
S3、识别并分析大气颗粒物SEM图像;具体为:
获得大量的PM2.5的SEM图像后,对颗粒物的形貌特征进行观察,并根据EDX能谱分析报告分析颗粒物的化学成分;
S4、基于卷积神经网络的方法对大气颗粒物的形状进行识别与分类;具体为:
S401、神经网络的每一层节点到下一层节点是线性输出关系,不论有多少层都会是输入输出的线性关系,这样的网络逼近能力非常有限,对于计算量巨大的神经网络来说远远不足。引入非线性函数作为激励函数,节点的输出就不再是线性关系,从而能更好的拟合各种曲线,几乎可以逼近任意函数,神经网络表达能力就更强。本网络结构中使用了两种激励函数,Relu函数和softmax函数。选取Relu函数作为隐藏层激励函数,选取softmax函数作为最后输出层的激励函数;
S402、神经网络优化策略为Adam(Adaptive Moment Estimation)优化器;分析池化层和Dropout对防止网络过拟合的作用,Batch Normalization对网络层数据的归一化操作,损失函数选取交叉熵代价函数。最后选择四个卷积层,每一层的卷积核从前向后依次为3×3×8、5×5×16、3×3×32、3×3×32,卷积层的输出作为全神经层的输入,建立大气颗粒物形状特征识别与分类卷积神经网络模型。
进一步:所述S1具体为:
S101、首先将研究区域划分为若干个采样区域;
S102、利用采样设备定时或实时进行采样工作。
更进一步:所述采样设备包括BGI-PQ200精细颗粒物采样器和/或2050型中流量PM2.5采样器,采样滤膜为石英纤维滤膜、0.8μm孔径醋酸纤维素滤膜和0.1μm孔径聚碳酸酯滤膜三种滤膜中的一种或多种。
本发明的第二发明目的是提供一种大气颗粒物SEM图像识别***,至少包括:
采集模块,采集PM2.5大气颗粒物,并将大气颗粒物附着到滤膜上;
SEM成像模块,进行大气颗粒物SEM成像;具体为:
首先将上述滤膜制成样本:从收集的样品中选择相对均匀的部分剪裁下a*b的矩形块,并用有导电胶将矩形块粘附到铝质金属桩上;a和b为常数,比如a=5mm,b=10mm;
由于滤膜不具备导电性,不利于扫描电子显微镜的观察,并且扫描电镜是靠电子束扫描物体表面来成像的。空气的存在会使的电子束变型,影响扫描效果,为获取高质量的二次电子图像,矩形块在真空条件下镀铂;最后,将镀铂后的矩形块放入样品台;
使用高分辨率扫描电子显微镜和能谱分析仪(SEM-EDX)在每个样品上随机选择位置获取单颗粒的图像:每个样本清晰的显示在图像采集界面中。先随机选择样本,接着随机选择颗粒,然后调节扫描电镜的放大倍数和分辨率,当调节到目视效果较好时,点击拍摄获得大气颗粒的SEM(Scanning Electron Microscopy)图像。
识别分析模块,识别并分析大气颗粒物SEM图像;具体为:
获得一定数量(比如1000)的PM2.5的SEM图像后,对颗粒物的形貌特征进行观察,并根据EDX能谱分析报告分析颗粒物的化学成分;
识别分类模块,基于卷积神经网络的方法对大气颗粒物的形状进行识别与分类;具体为:
1.激励函数的选取
神经网络的每一层节点到下一层节点是线性输出关系,不论有多少层都会是输入输出的线性关系,这样的网络逼近能力非常有限,对于计算量巨大的神经网络来说远远不足。如果我们引入非线性函数作为激励函数,节点的输出就不再是线性关系,从而能更好的拟合各种曲线,几乎可以逼近任意函数,神经网络表达能力就更强。本发明的网络结构中使用了两种激励函数,Relu函数和softmax函数。Relu是修正线性单元(The RectifiedLinear Unit)的简称,在卷积神经网络中使用的最多,在网络的参数传递过程中能解决梯度弥散问题,Relu函数在大于0时导数为1,求梯度非常简单,可以很大程度的提升梯度下降的收敛速度。其缺点是比较脆弱,在训练过程中,可能会导致神经节点的死亡情况,比如先有一个很大的梯度经过神经单元,权重更新后,经过此节点的数据不足以激活它,那么经过此节点的数据将永远是0。Relu函数的解析式为(1):
Relu=max(0,x) (1)
其中:x为输入数据
在搭建神经网络的过程中有很多激励函数可供选择,比如sigmoid、tanh、softplus、Relu等,选取以上四个激励函数分别测试其对于本发明中样本的影响,发现sigmoid函数对于颗粒物的识别效果不理想,训练集的训练速度缓慢而且准确率不佳,测试集的表现也不稳定。tanh函数在训练集上表现良好,其准确率也达到预期,但是测试集的准确率与训练集差别较大,有明显的过拟合现象。softplus函数对于训练集的识别效果也很优秀,但是测试集出现明显的波动,效果不好。Relu函数在本网络中的表现十分良好,不光测试集的识别率比其他三种函数都高,训练集的表现也优秀,没有明显的波动,识别效果也很理想。所以最终在搭建的网络中隐藏层中选择了Relu函数作为激活函数。
在深度学习中,softmax是一个很重要的激励函数,尤其在多分类网络中被经常使用。主要将输出进行归一化处理,保证多分类的概率总和正好为1。假设模型要预测的分类数为C,全连接网络的输出为a1,a2,...ac,对于每一个样本,如式(2)它属于类别i的概率为:
其中:C为分类数,全连接网络的输出为a1,a2,...ac,yi为属于类别i的概率。
分情况讨论,当i=j时,如式(4):
当i≠j时如式(5):
当我们对loss进行权重更新时,先定义yi的概率如式(6):
对每个权重矩阵求偏导时,应用链式求导法则,得到式(7):
在全神经网络层的输出层之前需要使用softmax函数对输出进行归一化处理,保证多分类的概率总和正好为1。
2.优化策略选择
随机梯度下降算法(Stochastic Gradient Descent,SGD)是最普通的优化器,其梯度更新规则不同于梯度下降算法在每次更新时对每个样本进行梯度更新导致计算梯度时会出现冗余,SGD每次进行一次梯度更新基本没有冗余。假设从一批训练样本n中随机选取一个样本is,模型参数为W,代价函数为J(W),梯度为ΔJ(W),学习率为ηt,随机梯度下降算法更新参数表达式如式(8):
其中W为模型参数,ηt为学习率,ΔJ(W)为梯度,J(W)为代价函数
虽然SGD需要很多次迭代,但是梯度计算速度快,对于噪声有很好的抗噪性。在大量数据集中,训练速度很快,但是随机选择梯度的同时会引入噪声,使得权值更新的方向不定,可能会陷入局部最优解。Momentum动量优化方法,是在随机梯度下降法的基础上引入一个积攒历史梯度信息动量来加速参数优化。在训练集中取出大小为n的样本{X(1),X(2),...,X(n)},对应的真实值分别为Y(i),Momentum优化表达式如式(9):
其中,vt表示t时刻积攒的加速度,α表示动力大小,一般取值为0.9,Wt表示t时刻的模型参数。引入动量主要解决了SGD的随机梯度引入噪声问题和收敛过程中来回摆动比较大的问题,可以加速SGD并且抑制震荡。当前权值的改变不再是孤立的,而是会受到之前权值动量的影响,从而加快参数收敛的速度。RMSprop通过使用指数加权平均消除梯度下降中的摆动,并被证明是一种有效且实用的深度神经网络优化算法。RMSprop算法可以表示为式(10):
其中,Wt表示t次迭代模型的参数,gt=ΔJ(Wt)表示t次迭代代价函数W的梯度大小,E|g2|t表示前t次的梯度平方的均值,α表示动力值,η0表示全局初始学习率。ε是一个很小的数,避免分母为0。Adam算法(Adaptive Moment Estimation)是一种计算每个参数的自适应学习率的方法,其动量并入了梯度一阶矩的估计,包括偏置修正,修正原点初始化的一阶矩和二阶矩估计。算法策略可以表示为式(11):
mt=β1mt-1+(1-β1)gt
其中,mt和vt分别为一阶动量项和二阶动量项,β1,β2为动力值大小,分别为各自的修正值,Wt表示t次迭代模型的参数,gt=ΔJ(Wt)表示t次迭代代价函数W的梯度大小,ε是一个很小的数,避免分母为0。Adam优化器对于网络模型的训练表现良好,在训练速度和准确率上表现都很优秀,模型相对稳定,误差较小,是本发明模型测试中综合参数最好的一款优化器。所以最终选择Adam优化器作为发明中神经网络的优化策略。
3.采用Dropout和池化减少和防止网络过拟合
过拟合是指在模型参数拟合过程中,由于模型将训练数据中的误差也进行很好的拟合,导致模型泛化能力弱,训练样本中表现得过于优越,测试集的拟合效果不佳。为了防止过拟合,Dropout就是让神经网络在前向传播的时候,让某个神经元的激活值以一定的概率停止工作,也就是将这个神经元的激活值变为0,使模型不会太依赖某些局部的特征。Dropout是非常有效的减少过拟合的方法,在一定程度上达到正则化的效果。
在卷积神经网络训练图像过程中,图像像素点过多,计算压力会非常大,我们需要减少像素点并且不影响图像整体质量,通常会加池化层在卷积层之后,池化层可以非常有效地减小参数矩阵的尺寸,从而减少卷积过程中的计算量,也有防止过拟合的作用。池化层的输入是上一个卷积层的输出,选择最大池化,取一小块区域中的最大值,即使图像稍有平移或者变化,池化后的结果不受影响,一定程度上防止过拟合。池化层一般没有参数,所以反向传播的时候,只需对输入参数求导,不需要进行权值更新。如果模型中不加入池化层,网络的训练速度会非常慢,随着网络层数的加深,计算量巨大,训练模型将变的很艰难。
4.采用Batch Normalization对网络层数据归一化
独立同分布假设是机器学习领域的重要假设,假设训练数据和测试数据满足相同分布,能够加速模型训练,提升模型精度。Batch Normalization就是在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布。深度神经网络的输入值随着网络深度的加深,其分布逐渐发生偏移或者变动,整体分布逐渐向非线性函数取值区间的上下限两端靠近,这导致反向传播时低层神经网络的梯度会消失,使得深层神经网络收敛越来越慢。Batch Normalization就是通过规范化手段,把每层神经网络的分布强行拉回到标准正态分布,避免梯度消失问题产生。Batch Normalization步骤主要为:
求训练数据的均值如式(12):
其中μB为均值,m为数据个数,xi为输入数据。
求训练数据的方差如式(13):
其中δB代表方差,xi为输入数据。
使用求得的均值和方差归一化处理获得0-1分布如式(14),
其中ε是为了避免除数为0时所使用的微小正数。
尺度变换和偏移如式(15):其中γ是尺度因子,β是平移因子。
反向传播过程如下如式(16):
Batch Normalization在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布,如果没有此操作,测试集的训练曲线会随着训练次数的增多而出现下降,原因是输入不是相同的分布,导致反向传播过程中梯度的消失,网络的训练效果会变差,
5.损失函数选择为交叉熵代价函数
交叉熵代价函数的解析式如下式(17):
其中,x表示样本,n表示样本总和。计算参数w的梯度如下式(18):
其中σ′(z)=σ(z)(1-σ(z)),公式中σ(z)-y表示输出值与实际值之间的误差,所以误差越大参数调整的越快。
本发明中对于卷积神经网络的激励函数,选取Relu函数作为隐藏层激励函数,选取softmax函数作为最后输出层的激励函数;神经网络优化策略为Adam优化器;分析池化层和Dropout对防止网络过拟合的作用,Batch Normalization对网络层数据的归一化操作,损失函数选取交叉熵代价函数;最后选择四个卷积层,每一层的卷积核从前向后依次为3×3×8、5×5×16、3×3×32、3×3×32,卷积层的输出作为全神经层的输入,建立大气颗粒物形状特征识别与分类卷积神经网络模型。
进一步:所述采集模块的工作过程具体为:
首先将研究区域划分为若干个采样区域;
然后利用采样设备定时或实时进行采样工作。
更进一步:所述采样设备包括BGI-PQ200精细颗粒物采样器和/或2050型中流量PM2.5采样器,采样滤膜为石英纤维滤膜、0.8μm孔径醋酸纤维素滤膜和0.1μm孔径聚碳酸酯滤膜三种滤膜中的一种或多种。
本发明具有的优点和积极效果是:
通过采用上述技术方案,本发明的技术方案主要包括以下几部分内容:大气颗粒物的采集、基于扫描电镜的大气颗粒物SEM成像、大气颗粒物SEM图像的识别与分析、大气颗粒物形状特性的识别与分类方法。目前PM2.5的研究主要针对其质量浓度、化学成分、源解析、时空分布、区域传输以及形成机理等。研究方法有基于化学手段的全样本分析,借助物理仪器的单样本颗粒物分析,分析SEM图像进行单颗粒物识别,运用图像处理技术对高分辨率图像进行PM2.5浓度预测,依据气象检测站提供的气象参数使用机器学习的方法进行预测等。其中带能谱的扫描电子显微镜-能量色散X射线光谱是目前最重要的单颗粒分析手段,扫描电子显微镜可以观察颗粒物的微观形貌特征,X射线光谱可以获得单颗粒物的化学信息。卷积神经网络作为图像分类识别的重要研究方法,在图像识别领域比传统方法有很大的优势。本发明主要针对PM2.5的单颗粒物,区别以往的仅仅通过观察颗粒物的微观形貌特性和根据能谱分析颗粒物的化学信息,将卷积神经网络与PM2.5颗粒物的SEM图像相结合,采用图像处理的方法对PM2.5颗粒进行分类。本发明提出基于卷积神经网络对PM2.5的SEM图像进行分类识别的研究方法,通过采集的大量PM2.5样本,挑选出4种典型的颗粒物,通过卷积神经网络对其进行分类识别,达到理想的分类效果,为大气污染防治的源解析以及对污染进行科学的控制提供有力的技术支持。
附图说明:
图1是本发明优选实施例中建立的大气颗粒物形状特征识别与分类卷积神经网络模型;
图中fiber代表纤维状颗粒、spherical代表球形颗粒物、floc代表絮状颗粒物、mineral代表矿物质颗粒物;
图2是本发明的训练样本和测试样本的识别率曲线;
Epoch代表训练次数,train_acc代表训练样本识别率,evalu_acc代表测试样本识别率;
图3是本发明的训练样本和测试样本的误差曲线;
Epoch代表训练次数,train_loss代表训练样本误差,evalu_loss代表测试样本误差;
图4是采用本发明优选实施例对球形颗粒物(Spherical)、絮状颗粒物(Floc)、矿物质颗粒物(Mineral)和纤维状颗粒物(Fiber)4类形状颗粒物的识别率。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下:
本发明公开了一种大气颗粒物SEM图像识别方法,依次包括:
步骤一、大气颗粒物的采集,
针对研究区域采取多点和多时段采样方法进行大气颗粒物源的采集,比如针对区域内的区位功能不同可以分为工业区、居民区,以及地方的特定区域进行大气颗粒物源的采集。为了得到更加可靠和全面的研究区域的大气颗粒物数据信息,理论上应该持续进行采集,但这需投入大量的人力和物力,本发明针对某一时间段内的大气颗粒物的数据进行采集。
大气颗粒物的采集设备包括BGI-PQ200精细颗粒物采样器和2050型中流量PM2.5采样器,而采样滤膜为石英纤维滤膜、0.8μm孔径醋酸纤维素滤膜和0.1μm孔径聚碳酸酯滤膜三种滤膜。
步骤二、基于扫描电镜的大气颗粒物SEM成像,
大气颗粒物采样后,含有PM2.5的颗粒物附着在了滤膜上,在成像前需做进一步的处理。先将采集的PM2.5颗粒物的滤膜制作成观察用的样本,其方法是在滤膜上随机选取一定尺寸的区域并裁剪下来,然后使用导电胶将其粘在铝制的SEM样本桩上;由于滤膜不具备导电性,不利于扫描电子显微镜的观察,需要将样本放入喷罐中,在真空条件下,利用离子溅射法在样本表面镀一层铂;此后,将样本桩放入扫描电子显微镜中,在高真空模式下,得到高放大倍数的PM2.5的SEM图像。
步骤三、大气颗粒物SEM图像的识别与分析,
获得大量的PM2.5的SEM图像后,对颗粒物的形貌特征进行观察,并根据EDX能谱分析报告分析颗粒物的化学成分。
步骤四、大气颗粒物形状特性的识别与分类方法,
在对得到大气颗粒物形貌特征进行观察后,本发明设计一种基于卷积神经网络的方法对大气颗粒物的形状进行识别与分类。对于卷积神经网络的激励函数,选取Relu函数作为隐藏层激励函数和softmax函数作为最后输出层的激励函数;而关于神经网络的的优化策略的选择了Adam优化器;分析了池化层和Dropout对防止网络过拟合的作用,BatchNormalization对网络层数据的归一化操作,损失函数选取交叉熵代价函数。最后选择四个卷积层,每一层的卷积核从前向后依次为3×3×8、5×5×16、3×3×32、3×3×32,卷积层的输出作为全神经层的输入,建立大气颗粒物形状特征识别与分类卷积神经网络模型如图1所示。
一种大气颗粒物SEM图像识别***,包括:
大气颗粒物的采集模块,
针对研究区域采取多点和多时段采样方法进行大气颗粒物源的采集,比如针对区域内的区位功能不同可以分为工业区、居民区,以及地方的特定区域进行大气颗粒物源的采集。为了得到更加可靠和全面的研究区域的大气颗粒物数据信息,理论上应该持续进行采集,但这需投入大量的人力和物力,本发明针对某一时间段内的大气颗粒物的数据进行采集。
大气颗粒物的采集设备包括BGI-PQ200精细颗粒物采样器和2050型中流量PM2.5采样器,而采样滤膜为石英纤维滤膜、0.8μm孔径醋酸纤维素滤膜和0.1μm孔径聚碳酸酯滤膜三种滤膜。
基于扫描电镜的大气颗粒物SEM成像模块,
大气颗粒物采样后,含有PM2.5的颗粒物附着在了滤膜上,在成像前需做进一步的处理。先将采集的PM2.5颗粒物的滤膜制作成观察用的样本,其方法是在滤膜上随机选取一定尺寸的区域并裁剪下来,然后使用导电胶将其粘在铝制的SEM样本桩上;由于滤膜不具备导电性,不利于扫描电子显微镜的观察,需要将样本放入喷罐中,在真空条件下,利用离子溅射法在样本表面镀一层铂;此后,将样本桩放入扫描电子显微镜中,在高真空模式下,得到高放大倍数的PM2.5的SEM图像。
识别分析模块,大气颗粒物SEM图像的识别与分析,
获得大量的PM2.5的SEM图像后,对颗粒物的形貌特征进行观察,并根据EDX能谱分析报告分析颗粒物的化学成分。
识别分类模块,大气颗粒物形状特性的识别与分类方法,
在对得到大气颗粒物形貌特征进行观察后,本发明设计一种基于卷积神经网络的方法对大气颗粒物的形状进行识别与分类。对于卷积神经网络的激励函数,选取Relu函数作为隐藏层激励函数和softmax函数作为最后输出层的激励函数;而关于神经网络的的优化策略的选择了Adam优化器;分析了池化层和Dropout对防止网络过拟合的作用,BatchNormalization对网络层数据的归一化操作,损失函数选取交叉熵代价函数。最后选择四个卷积层,每一层的卷积核从前向后依次为3×3×8、5×5×16、3×3×32、3×3×32,卷积层的输出作为全神经层的输入,建立大气颗粒物形状特征识别与分类卷积神经网络模型。
下面以青岛市黄岛区大气颗粒物PM2.5的识别与分类为例对上述所提方法进行解释。
1、针对研究区域选取了7个地点进行大气颗粒物样本的采集,该7个地点,其包括了工业区、居民区、城乡结合区、文教区等,可以综合代表整个研究区域。
根据黄岛主城区的气候状况,采样时时间分别为2016年夏季、秋季,2017年春季和秋季及2018年春季和冬季,每次样品采集时间为2-5h。由此得到了黄岛区大气颗粒物的样本数据。
2、将采集含有PM2.5的大气颗粒物的滤膜制作成观察用的样本,在滤膜上随机选取大小5mm×10mm的区域裁剪下来,使用导电胶将其粘在铝制的SEM样本桩上,然后将样本放入喷罐中,由于滤膜不具备导电性,不利于扫描电子显微镜的观察,并且扫描电镜是靠电子束扫描物体表面来成像的。空气的存在会使的电子束变型,影响扫描效果,因此需要在真空条件下,利用离子溅射法在样本表面镀一层铂,最后,将样本桩放入扫描电子显微镜(为美国FEI Nova Nano SEM 450)中,在低电压加速下,能样品表面的污染物清晰可见,而加高电压下,图像表面的污染物减少。因此选取加高压,加速电压为20kV。放大倍数20万倍,获得PM2.5的SEM图像。
通过对大量PM2.5颗粒物的SEM图像的分析,发现了4类形状特征明显的颗粒物,分别是球形颗粒物、絮状颗粒物、矿物质颗粒物和纤维状颗粒物。
(1)球形颗粒物,一般为燃煤飞灰,因其光滑的球形特征,是PM2.5颗粒物中容易辨识的一类。主要来源是煤炭燃烧、生物质燃烧或垃圾焚烧,形成机制是固体飞灰在高温条件下熔融所致。其粒度半径一般为微米级,表面也可吸附其他超细颗粒物或二次颗粒物。
(2)絮状颗粒物,由大量30-50nm的圆形颗粒聚集在一起形成,形态特征一般表现为链状和簇状,而圆形颗粒大多为类球与椭球形,表面比较光滑,结构紧密,聚集成链状和簇状,主要来源为机动车的尾气排放,排放的细小颗粒在空气中吸附其他元素经过二次转化凝结而成。
(3)矿物质颗粒物,一般来自于扬尘和二次大气化学反应的产物。扬尘主要有道路扬尘、土壤扬尘、建筑扬尘和工业扬尘等,形态特征一般表现为矿物质形态或者规则的块状,形态多样,辨别起来较为困难。矿物质形态的颗粒物来源于地球表面的风沙扬尘中的细小颗粒物,规则的颗粒物一般来自大气中的化学反应,颗粒物在反应中生成石膏等规则形矿物。
(4)纤维状颗粒物,其形态特征为明显的纤维状,表面光滑,长度较长;一般来自于纤维状的矿物质、植物纤维和空气中飘散的人工纤维,多数属于一次气溶胶的范围,不是在大气中经过二次化学反应转化而来。
3、根据上述建立的大气颗粒物形状特征识别与分类卷积神经网络,对球形颗粒物、絮状颗粒物、矿物质颗粒物和纤维状颗粒物4类形状颗粒物进行识别与分类。本发明通过分析激励函数sigmoid、tanh、softplus、relu和softmax函数并分析其反向传播过程,分别使用以上激励函数训练网络,最终选取了Relu函数作为隐藏层激励函数和softmax函数作为最后输出层的激励函数。然后分析各优化策略的利弊,比如SGD优化器、Adagrade优化器、RMSprop优化器、Adam优化器,最后选择了本网络训练效果较好的Adam优化器作为网络的优化策略。分析了池化层和Dropout对防止网络过拟合的作用,Batch Normalization对网络层数据的归一化操作,损失函数选取交叉熵代价函数。具体建立的大气颗粒物形状特征识别与分类卷积神经网络模型如图1所示。
4、通过所建立的图1所示的卷积神经网络模型,对球形颗粒物、絮状颗粒物、矿物质颗粒物和纤维状颗粒物4类形状颗粒物进行识别与分类,本网络共有4个卷积层,输入数据为带标识的四类颗粒物图像,每一层的卷积核从前向后依次为3×3×8、5×5×16、3×3×32、3×3×32,卷积层的输出作为全神经层的输入,全神经层的节点个数设置为64个,最终输出层将颗粒物分为4类。将实验样本分为训练样本和测试样本,通过搭建的神经网络对样本进行训练和测试,其识别效果如图2所示,训练样本的识别率达到99.5%,测试样本的识别率达到98%左右,误差函数曲线如图3。如图4所示四类颗粒物中球形颗粒物(Spherical)识别率达到98%,絮状颗粒物(Floc)的识别率达到98%,矿物质颗粒物(Mineral)的识别率为97%,纤维状颗粒物(Fiber)的识别率为99%,这表明本网络结构对于大气颗粒物样本的识别率效果显著,达到了理想的分类效果。
以上对本发明的实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进,均应仍归属于本发明的专利涵盖范围之内。
Claims (2)
1.一种大气颗粒物SEM图像识别方法,其特征在于,至少包括:
S1、采集PM2.5大气颗粒物,并将大气颗粒物附着到滤膜上;具体为:
S101、首先将研究区域划分为若干个采样区域;
S102、利用采样设备定时或实时进行采样工作;所述采样设备包括BGI-PQ200精细颗粒物采样器和/或2050型中流量PM2.5采样器,采样滤膜为石英纤维滤膜、0.8μm孔径醋酸纤维素滤膜和0.1μm孔径聚碳酸酯滤膜三种滤膜中的一种或多种;
S2、进行大气颗粒物SEM成像;具体为:
S201、将上述滤膜制成样本:从上述样品上剪裁下5mmx10mm的矩形块,并用有导电胶粘附到铝质金属桩上;
S202、矩形块在真空条件下镀铂,将镀铂后的矩形块放入样品台;
S203、使用高分辨率扫描电子显微镜和能谱分析仪在每个样品上随机选择位置获取单颗粒的图像:将上述图像显示在图像采集界面中,先随机选择样本,接着随机选择颗粒,然后调节扫描电镜的放大倍数和分辨率,调节完毕后,点击拍摄获得大气颗粒的SEM图像;
S3、识别并分析大气颗粒物SEM图像;具体为:
获得一定数量的大气颗粒物的SEM图像后,对颗粒物的形貌特征进行观察,并根据EDX能谱分析报告分析颗粒物的化学成分;
S4、基于卷积神经网络的方法对大气颗粒物的形状进行识别与分类;具体为:
S401、引入非线性函数作为激励函数,节点的输出为非线性关系,对于卷积神经网络的激励函数,选取Relu函数作为隐藏层激励函数,选取softmax函数作为最后输出层的激励函数;其中:
Relu函数的解析式为:
Relu=max(0,x) (1)
其中:x为输入数据;
针对softmax函数,假设模型要预测的分类数为C,全连接网络的输出为a1,a2,...ac,对于每一个样本,式(2)属于类别i的概率为:
其中:C为分类数,全连接网络的输出为a1,a2,...ac,yi为属于类别i的概率;
当i=j时,得式(4):
当i≠j时,得式(5):
当对loss进行权重更新时,先定义yi的概率如式(6):
对每个权重矩阵求偏导时,应用链式求导法则,得到式(7):
在全神经网络层的输出层之前使用softmax函数对输出进行归一化处理,保证多分类的概率总和正好为1;
S402、神经网络优化策略为Adam优化器;分析池化层和Dropout对防止网络过拟合的作用,Batch Normalization对网络层数据的归一化操作,损失函数选取交叉熵代价函数;最后选择四个卷积层,每一层的卷积核从前向后依次为3×3×8、5×5×16、3×3×32、3×3×32,卷积层的输出作为全神经层的输入,建立的大气颗粒物形状特征识别与分类卷积神经网络模型。
2.一种大气颗粒物SEM图像识别***,其特征在于:至少包括:
采集模块,采集PM2.5大气颗粒物,并将大气颗粒物附着到滤膜上;具体为:
首先将研究区域划分为若干个采样区域;
然后利用采样设备定时或实时进行采样工作;所述采样设备包括BGI-PQ200精细颗粒物采样器和/或2050型中流量PM2.5采样器,采样滤膜为石英纤维滤膜、0.8μm孔径醋酸纤维素滤膜和0.1μm孔径聚碳酸酯滤膜三种滤膜中的一种或多种;
SEM成像模块,进行大气颗粒物SEM成像;具体为:
首先将上述滤膜制成样本:从上述样品上剪裁下矩形块,并用有导电胶粘附到铝质金属桩上;
然后将矩形块在真空条件下镀铂,将镀铂后的矩形块放入样品台;
最后使用高分辨率扫描电子显微镜和能谱分析仪在每个样品上随机选择位置获取单颗粒的图像:将上述图像显示在图像采集界面中,先随机选择样本,接着随机选择颗粒,然后调节扫描电镜的放大倍数和分辨率,调节完毕后,点击拍摄获得大气颗粒的SEM图像;
识别分析模块,识别并分析大气颗粒物SEM图像;具体为:
获得一定数量的大气颗粒物的SEM图像后,对颗粒物的形貌特征进行观察,并根据EDX能谱分析报告分析颗粒物的化学成分;
识别分类模块,基于卷积神经网络的方法对大气颗粒物的形状进行识别与分类;具体为:
引入非线性函数作为激励函数,节点的输出为非线性关系,对于卷积神经网络的激励函数,选取Relu函数作为隐藏层激励函数,选取softmax函数作为最后输出层的激励函数;
其中:
Relu函数的解析式为:
Relu=max(0,x) (1)
其中:x为输入数据;
针对softmax函数,假设模型要预测的分类数为C,全连接网络的输出为a1,a2,...ac,对于每一个样本,式(2)属于类别i的概率为:
其中:C为分类数,全连接网络的输出为a1,a2,...ac,yi为属于类别i的概率;
当i=j时,得式(4):
当i≠j时,得式(5):
当对loss进行权重更新时,先定义yi的概率如式(6):
对每个权重矩阵求偏导时,应用链式求导法则,得到式(7):
在全神经网络层的输出层之前使用softmax函数对输出进行归一化处理,保证多分类的概率总和正好为1;
神经网络优化策略为Adam优化器;分析池化层和Dropout对防止网络过拟合的作用,Batch Normalization对网络层数据的归一化操作,损失函数选取交叉熵代价函数;最后选择四个卷积层,每一层的卷积核从前向后依次为3×3×8、5×5×16、3×3×32、3×3×32,卷积层的输出作为全神经层的输入,建立的大气颗粒物形状特征识别与分类卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435938.9A CN110082283B (zh) | 2019-05-23 | 2019-05-23 | 一种大气颗粒物sem图像识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435938.9A CN110082283B (zh) | 2019-05-23 | 2019-05-23 | 一种大气颗粒物sem图像识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110082283A CN110082283A (zh) | 2019-08-02 |
CN110082283B true CN110082283B (zh) | 2021-12-14 |
Family
ID=67421612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910435938.9A Active CN110082283B (zh) | 2019-05-23 | 2019-05-23 | 一种大气颗粒物sem图像识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110082283B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198151A (zh) * | 2020-01-15 | 2020-05-26 | 湖南城市学院 | 一种大气颗粒物采集分析装置及其收集和分析方法 |
CN113112447A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于vgg卷积神经网络的隧道围岩级别智能判定方法 |
CN113112446A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于残差卷积神经网络的隧道围岩级别智能判定方法 |
CN112069876A (zh) * | 2020-07-20 | 2020-12-11 | 广东海洋大学 | 基于自适应带微分梯度优化的手写体识别方法 |
CN112731410B (zh) * | 2020-12-25 | 2021-11-05 | 上海大学 | 一种基于cnn的水下目标声呐探测方法 |
CN114323873A (zh) * | 2022-01-14 | 2022-04-12 | 慈兴集团有限公司 | 一种轴承表面颗粒物成分的检测方法 |
CN115147399A (zh) * | 2022-07-29 | 2022-10-04 | 济南大学 | 水泥微观图像像素点的元素含量预测方法及*** |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1301894A1 (en) * | 2000-04-24 | 2003-04-16 | International Remote Imaging Systems, Inc. | Multi-neural net imaging apparatus and method |
CN101718674A (zh) * | 2009-12-14 | 2010-06-02 | 昆明理工大学 | 一种测量散粒物料颗粒形状参数的方法 |
CN101799393A (zh) * | 2010-01-28 | 2010-08-11 | 天津大学 | 柴油机排放颗粒物微观结构特征自动定量评价方法 |
CN105784556A (zh) * | 2016-05-07 | 2016-07-20 | 北京工业大学 | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及*** |
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 |
CN107657249A (zh) * | 2017-10-26 | 2018-02-02 | 珠海习悦信息技术有限公司 | 多尺度特征行人重识别的方法、装置、存储介质及处理器 |
WO2018039497A1 (en) * | 2016-08-26 | 2018-03-01 | Spheryx, Inc. | Holographic characterization using hu moments |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108399469A (zh) * | 2018-01-31 | 2018-08-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习和数值天气预报的天气现象预报方法 |
CN108898180A (zh) * | 2018-06-28 | 2018-11-27 | 中国人民解放军国防科技大学 | 一种面向单颗粒冷冻电镜图像的深度聚类方法 |
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 |
CN109145962A (zh) * | 2018-07-31 | 2019-01-04 | 南京信息工程大学 | 一种基于数字图像的大气参数反演观测方法 |
CN109242821A (zh) * | 2018-07-17 | 2019-01-18 | 深圳大学 | 基于图像质量评价的空气质量评价方法、***、设备及存储介质 |
CN109255340A (zh) * | 2018-10-29 | 2019-01-22 | 东北大学 | 一种融合多种改进vgg网络的人脸识别方法 |
CN109447977A (zh) * | 2018-11-02 | 2019-03-08 | 河北工业大学 | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 |
CN208607123U (zh) * | 2017-07-14 | 2019-03-15 | 株式会社堀场制作所 | 分析装置和*** |
CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
CN109523013A (zh) * | 2018-10-15 | 2019-03-26 | 西北大学 | 一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法 |
CN109558787A (zh) * | 2018-09-28 | 2019-04-02 | 浙江农林大学 | 一种基于卷积神经网络模型的竹林害虫识别方法 |
CN109614851A (zh) * | 2018-10-26 | 2019-04-12 | 上海市环境监测中心(上海长三角区域空气质量预测预报中心) | 大气污染颗粒物形态参数的图像检测方法 |
CN109637664A (zh) * | 2018-11-20 | 2019-04-16 | 平安科技(深圳)有限公司 | 一种bmi评测方法、装置及计算机可读存储介质 |
CN109685249A (zh) * | 2018-11-24 | 2019-04-26 | 上海师范大学 | 基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法 |
CN109740481A (zh) * | 2018-12-26 | 2019-05-10 | 山东科技大学 | 基于跳跃连接的cnn与lstm结合的房颤信号分类方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200224A (zh) * | 2014-08-28 | 2014-12-10 | 西北工业大学 | 基于深度卷积神经网络的无价值图像去除方法 |
CN105512289B (zh) * | 2015-12-07 | 2018-08-14 | 郑州金惠计算机***工程有限公司 | 基于深度学习和哈希的图像检索方法 |
CN105354572B (zh) * | 2015-12-10 | 2018-10-12 | 苏州大学 | 一种基于简化卷积神经网络的车牌自动识别*** |
CN106384080A (zh) * | 2016-08-31 | 2017-02-08 | 广州精点计算机科技有限公司 | 一种基于卷积神经网络的表观年龄估计方法及装置 |
CN106503654A (zh) * | 2016-10-24 | 2017-03-15 | 中国地质大学(武汉) | 一种基于深度稀疏自编码网络的人脸情感识别方法 |
CN106897739B (zh) * | 2017-02-15 | 2019-10-22 | 国网江苏省电力公司电力科学研究院 | 一种基于卷积神经网络的电网设备分类方法 |
-
2019
- 2019-05-23 CN CN201910435938.9A patent/CN110082283B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1301894A1 (en) * | 2000-04-24 | 2003-04-16 | International Remote Imaging Systems, Inc. | Multi-neural net imaging apparatus and method |
CN101718674A (zh) * | 2009-12-14 | 2010-06-02 | 昆明理工大学 | 一种测量散粒物料颗粒形状参数的方法 |
CN101799393A (zh) * | 2010-01-28 | 2010-08-11 | 天津大学 | 柴油机排放颗粒物微观结构特征自动定量评价方法 |
CN105784556A (zh) * | 2016-05-07 | 2016-07-20 | 北京工业大学 | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 |
WO2018039497A1 (en) * | 2016-08-26 | 2018-03-01 | Spheryx, Inc. | Holographic characterization using hu moments |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及*** |
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 |
CN208607123U (zh) * | 2017-07-14 | 2019-03-15 | 株式会社堀场制作所 | 分析装置和*** |
CN107657249A (zh) * | 2017-10-26 | 2018-02-02 | 珠海习悦信息技术有限公司 | 多尺度特征行人重识别的方法、装置、存储介质及处理器 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108399469A (zh) * | 2018-01-31 | 2018-08-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习和数值天气预报的天气现象预报方法 |
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 |
CN108898180A (zh) * | 2018-06-28 | 2018-11-27 | 中国人民解放军国防科技大学 | 一种面向单颗粒冷冻电镜图像的深度聚类方法 |
CN109242821A (zh) * | 2018-07-17 | 2019-01-18 | 深圳大学 | 基于图像质量评价的空气质量评价方法、***、设备及存储介质 |
CN109145962A (zh) * | 2018-07-31 | 2019-01-04 | 南京信息工程大学 | 一种基于数字图像的大气参数反演观测方法 |
CN109558787A (zh) * | 2018-09-28 | 2019-04-02 | 浙江农林大学 | 一种基于卷积神经网络模型的竹林害虫识别方法 |
CN109523013A (zh) * | 2018-10-15 | 2019-03-26 | 西北大学 | 一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法 |
CN109614851A (zh) * | 2018-10-26 | 2019-04-12 | 上海市环境监测中心(上海长三角区域空气质量预测预报中心) | 大气污染颗粒物形态参数的图像检测方法 |
CN109255340A (zh) * | 2018-10-29 | 2019-01-22 | 东北大学 | 一种融合多种改进vgg网络的人脸识别方法 |
CN109447977A (zh) * | 2018-11-02 | 2019-03-08 | 河北工业大学 | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 |
CN109637664A (zh) * | 2018-11-20 | 2019-04-16 | 平安科技(深圳)有限公司 | 一种bmi评测方法、装置及计算机可读存储介质 |
CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
CN109685249A (zh) * | 2018-11-24 | 2019-04-26 | 上海师范大学 | 基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法 |
CN109740481A (zh) * | 2018-12-26 | 2019-05-10 | 山东科技大学 | 基于跳跃连接的cnn与lstm结合的房颤信号分类方法 |
Non-Patent Citations (2)
Title |
---|
Classification of volcanic ash particles using a convolutional neural network and probability;Daigo Shoji 等;《Scientific Reports》;20180525;第8卷;第3页第1-2段,第5页第4段,第6页1-2段 * |
不同典型区域机动车源大气颗粒物的形貌与组分特征研究;梅丛蔚;《中国优秀硕士学位论文全文数据库工程科技I辑》;20190215(第2期);第2章第16页第2段,第17页第1段,第3章第22页第3段,第28页第5段,第33页第1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110082283A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082283B (zh) | 一种大气颗粒物sem图像识别方法及*** | |
Chen et al. | Predict the effect of meteorological factors on haze using BP neural network | |
Zhang et al. | Review of receptor-based source apportionment research of fine particulate matter and its challenges in China | |
CN108268935B (zh) | 一种基于时序循环神经网络的pm2.5浓度值预测方法及*** | |
de Gennaro et al. | Neural network model for the prediction of PM10 daily concentrations in two sites in the Western Mediterranean | |
Karaca et al. | Distant source contributions to PM10 profile evaluated by SOM based cluster analysis of air mass trajectory sets | |
de Miranda et al. | Characterisation of aerosol particles in the São Paulo Metropolitan Area | |
Shao et al. | A review of atmospheric individual particle analyses: Methodologies and applications in environmental research | |
CN109187287A (zh) | 基于稳定元素粒径分布信息的大气颗粒物来源解析方法 | |
CN104568686A (zh) | 一种箱体内亚微米颗粒物沉积系数及平均凝并系数的测试***及方法 | |
CN105512485B (zh) | 一种估算细颗粒物及其前体物环境容量的新方法 | |
Rose et al. | A spatial relationship between carbonaceous particles in lake sediments and sulphur deposition | |
Dall’Osto et al. | Fine iron aerosols are internally mixed with nitrate in the urban European atmosphere | |
CN112132336B (zh) | 一种pm2.5浓度的季度预测方法 | |
CN113281231B (zh) | 路网扬尘颗粒物排放量动态监测分析方法 | |
Chen et al. | Characteristics and source attribution of PM2. 5 during 2016 G20 Summit in Hangzhou: efficacy of radical measures to reduce source emissions | |
Yin et al. | Identification and classification of atmospheric particles based on SEM images using convolutional neural network with attention mechanism | |
CN104568691A (zh) | 一种超细微粒数量排放因子的测试***及方法 | |
Naoe et al. | Mixing properties of submicrometer aerosol particles in the urban atmosphere—with regard to soot particles | |
CN109376903B (zh) | 一种基于博弈神经网络的pm2.5浓度值预测方法 | |
Koren et al. | On the relation between size and shape of desert dust aerosol | |
Xu et al. | Variations of particulate matter retention by foliage after wind and rain disturbance | |
Rose et al. | The characterisation of carbonaceous fly-ash particles from major European fossil-fuel types and applications to environmental samples | |
CN116297375A (zh) | 一种气溶胶有机物化学特性和粒径分布的检测方法 | |
Li et al. | Computer-controlled scanning electron microscope: Methodologies and application scenarios in atmospheric particle research |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |