TW202238527A - 基於頻譜影像之空氣汙染檢測方法 - Google Patents
基於頻譜影像之空氣汙染檢測方法 Download PDFInfo
- Publication number
- TW202238527A TW202238527A TW110109760A TW110109760A TW202238527A TW 202238527 A TW202238527 A TW 202238527A TW 110109760 A TW110109760 A TW 110109760A TW 110109760 A TW110109760 A TW 110109760A TW 202238527 A TW202238527 A TW 202238527A
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- image
- spectrum
- air pollution
- target object
- Prior art date
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 81
- 238000003915 air pollution Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000007613 environmental effect Effects 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000001831 conversion spectrum Methods 0.000 claims description 6
- 238000012314 multivariate regression analysis Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 25
- 238000005070 sampling Methods 0.000 description 10
- 239000002245 particle Substances 0.000 description 9
- 230000004044 response Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 201000006306 Cor pulmonale Diseases 0.000 description 1
- 208000004186 Pulmonary Heart Disease Diseases 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/64—Circuits for processing colour signals
- H04N9/67—Circuits for processing colour signals for matrixing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
- H04N23/84—Camera processing pipelines; Components thereof for processing colour signals
- H04N23/85—Camera processing pipelines; Components thereof for processing colour signals for matrixing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Spectrometry And Color Measurement (AREA)
- Sampling And Sample Adjustment (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measurement Of Radiation (AREA)
Abstract
一種基於頻譜影像之空氣汙染檢測方法，適用於檢測一待測環境彩色影像，由一電腦裝置來實施，該方法包含以下步驟：(A)根據一頻譜轉換矩陣及該待測環境彩色影像，獲得一對應該待測環境彩色影像的待測環境頻譜影像；(B)將該待測環境頻譜影像輸入一用以檢測一頻譜影像的空氣污染程度的空氣汙染檢測模型；及(C)產生一相關於該待測環境頻譜影像的空氣污染程度的檢測結果。
Description
本發明是有關於一種檢測方法，特別是指一種基於頻譜影像之空氣汙染檢測方法。
隨著科技日趨進步，工業發展帶來環境的破壞也愈來愈嚴重，使得在空氣中多出許多汙染物，這些汙染物可能為氣體、固體、液體懸浮物等，這些汙染物非常細小難以用肉眼去觀察出來，但對於人體的危害卻非常的大，根據世界衛生組織(WHO)估算，每年約有700萬人死於空氣汙染所導致的疾病，包括呼吸感染、慢性阻塞性肺病、心臟病等。有鑒於此，空氣汙染檢測也逐漸被重視。
現有的空氣汙染檢測方法大多為手動採樣法，其是以特定形狀之採樣器抽取空氣並經過慣性微粒分徑器，再將粒徑小於或等於2.5微米（µm）之細懸浮微粒（PM2.5）收集於濾紙上，且濾紙在採樣前後必須在特定溫度與濕度環境中調理後秤重，以決定所收集之PM2.5微粒之淨重，再除以24小時之採樣總體積即得微粒24小時之質量濃度。
手動採樣法的氣體收集方式，在採樣前後秤重的過程中，必須小心處理濾紙以避免因濾紙破損或所採集到的微粒自濾紙上散失而造成誤差，且採樣流率變異可能改變採樣頭的微粒分選粒徑特徵，此誤差會受到採樣期間入口採樣流率變異以及空氣中微粒粒徑分布影響。
為了改善手動採樣法的問題，在由Z. He, X. Ye, K. Gu, and J. Qiao等人所著作的參考文獻(” Learn to predict PM2. 5 concentration with image contrast-sensitive features”, in 2018 37th Chinese Control Conference (CCC), 2018: IEEE, pp. 4102-4106.)中，提出了一種基於影像對比度敏感特徵的PM2.5預測模型，該技術從由相機拍攝的彩色影像中提取了兩種類型的特徵，並用於估計PM2.5濃度。通過使用具有自適應學習率的梯度下降算法來訓練其參數，以建立遞歸模糊神經網路模型。
然而，現在用於訓練的彩色影像光波範圍狹窄，且缺乏頻譜資訊，忽略了空氣汙染物的光學特性，使得所訓練出來的模型之精準度不高。
因此，本發明的目的，即在提供一種更為精準的空氣汙染檢測方法。
於是，本發明基於頻譜影像之空氣汙染檢測方法，適用於檢測一待測環境彩色影像，由一電腦裝置來實施，該方法包含一步驟(A)、一步驟(B)，及一步驟(C)。
在該步驟(A)中，該電腦裝置根據一頻譜轉換矩陣及該待測環境彩色影像，獲得一對應該待測環境彩色影像的待測環境頻譜影像。
在該步驟(B)中，該電腦裝置將該待測環境頻譜影像輸入一用以檢測一頻譜影像的空氣污染程度的空氣汙染檢測模型。
在該步驟(C)中，該電腦裝置產生一相關於該待測環境頻譜影像的空氣污染程度的檢測結果。
本發明之功效在於：藉由該電腦裝置根據該頻譜轉換矩陣及該待測環境彩色影像，獲得具有較豐富的頻譜訊息的該待測環境頻譜影像，使得該空氣汙染檢測模型在根據該待測環境頻譜影像進行分類時有更多的特徵能夠提取或選擇，以提升檢測結果的精準度及顯著性。
在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。
本發明基於頻譜影像之空氣汙染檢測方法的一實施例，適用於檢測一待測環境彩色影像，是由一電腦裝置1執行，該電腦裝置1包含一儲存單元11及一電連接該儲存單元11的處理單元12。
該儲存單元11儲存多張訓練環境彩色影像、多個分別對應該等訓練環境彩色影像的空氣污染程度標籤一相關於一目標物的目標物彩色影像，及一相關於該目標物的目標物反射頻譜資料。值得注意的是，在本實施例中，該目標物為標準24色卡(x-rite classic, 24 color checker)，標準24色卡包含了最主要的顏色（藍、綠、紅、灰）與在自然界中常見的顏色，該等訓練環境彩色影像及該目標物彩色影像是由例如但不限於空拍機所拍攝，且為在一標準紅綠藍(standard Red Green Blue, sRGB)色彩空間的8位元影像。該目標物反射頻譜資料是由例如但不限於光譜儀（Spectrometer）所量測，其波長範圍為380~780nm，且頻譜解析度為1nm。該等空氣污染程度標籤是依據細懸浮微粒(PM2.5)指標將該等訓練環境彩色影像標註為良好(Good)、普通(Moderate)及嚴重(Severe)。
本發明基於頻譜影像之空氣汙染檢測方法的一實施例包含一頻譜轉換矩陣計算程序、一建模程序及一檢測程序，是由圖1所示的該電腦裝置1的該實施例來實現。
參閱圖1、2，以下說明本發明基於頻譜影像之空氣汙染檢測方法的該實施例之該頻譜轉換矩陣計算程序的步驟流程。
在步驟21中，該處理單元12將該目標物彩色影像及該目標物反射頻譜資料轉換至一CIE 1931XYZ色彩空間，以獲得一對應該目標物彩色影像的目標物轉換影像，及一對應該目標物反射頻譜資料的目標物轉換頻譜資料。
該處理單元12係根據下式獲得該目標物轉換影像：
，
，
，
，
其中，
、
，及
分別表示該目標物彩色影像之每一像素在該標準紅綠藍色彩空間的紅色值、綠色值，及藍色值，
、
，及
分別表示該目標物轉換影像之每一像素在該CIE 1931XYZ色彩空間的
X值、
Y值，及
Z值，(
，
，
)表示一特定標準光源的白點（White point）值，(
，
，
)表示在該目標物彩色影像拍攝環境光源的白點值。
值得注意的是，在該標準紅綠藍色彩空間中，該特定標準光源例如為CIE標準光源D65(CIE Standard Illuminant D65)，由於該目標物彩色影像拍攝環境光源與該特定標準光源不同，故需要透過一色適應轉換矩陣
（Chromatic Adaptation）將該特定標準光源的白點值轉換為在該目標物彩色影像拍攝環境光源的白點值。
該處理單元12係根據下式獲得該目標物轉換頻譜資料：
，
，
，
，
其中，
、
，及
分別表示該目標物彩色影像之每一像素的頻譜在該CIE 1931XYZ色彩空間的
X值、
Y值，及
Z值，
為該目標物反射頻譜資料之波長，為該
為該目標物彩色影像拍攝時之光源頻譜，
為該目標物之頻譜值，
、
，
及為該CIE 1931XYZ色彩空間之配色函數。
在步驟22中，該處理單元12根據該目標物轉換影像獲得一變數矩陣。值得注意的是，該變數矩陣是根據相機可能會造成誤差的因素所分析得到的，而造成誤差的因素例如分別為：相機非線性響應、相機暗電流、濾色片分色不精確，及色彩偏移(例如白平衡)。
相關於相機非線性響應的一相機非線性響應矩陣
，例如被定義如下式：
，
暗電流通常為固定值，並不會隨著進光量改變，因此給予一常數當作暗電流之貢獻，一相機暗電流矩陣
例如被定義如下式：
，
其中，
a為任意常數。
在濾色片分色不精確與色彩偏移部分，可視為色彩在配色上發生問題，且由於相機之影像已轉換至該CIE 1931XYZ色彩空間，因此需要考慮
、
，及
值之間的關係，一色彩偏移矩陣
例如被定義如下式：
，
最後根據該相機非線性響應矩陣、該相機暗電流矩陣，及該色彩偏移矩陣可獲得該變數矩陣
V，該變數矩陣
V如下式所示：
在步驟23中，該處理單元12根據該目標物轉換頻譜資料及該變數矩陣，獲得一校正係數矩陣。該處理單元12係根據下式進行多變量回歸分析(Multiple regression analysis)獲得該校正係數矩陣：
，
其中，
為一相關於該目標物轉換頻譜資料的目標物轉換頻譜矩陣，
V為該變數矩陣，
pinv([
V])為該變數矩陣的反矩陣。
在步驟24中，該處理單元12根據該變數矩陣及該校正係數矩陣，獲得一對應該目標物轉換影像的目標物校正影像。該處理單元12係根據下式獲得該目標物校正影像：
，
其中，
為一包括該目標物校正影像所有像素在該CIE 1931XYZ色彩空間的
X值、
Y值，及
Z值的目標物校正影像矩陣，
C為該校正係數矩陣，
V為該變數矩陣。
在步驟25中，該處理單元12根據該目標物反射頻譜資料及該目標物校正影像，獲得該頻譜轉換矩陣。
搭配參閱圖3，詳細而言，步驟25包括以下子步驟：
在步驟251中，該處理單元12將該目標物反射頻譜資料進行主成分分析(Principal components analysis, PCA)，以獲得多個目標主成分分數（Principal component scores）及多個目標主成分特徵值，其中在本實施例中，該等目標主成分分數及該等目標主成分特徵值例如為前十二組主成分的主成分分數及主成分特徵值，其中這十二組主成分已能解釋 99.9964854 %的數據變異程度，但不以此為限。
在步驟252中，該處理單元12將該等目標主成分分數及該目標物校正影像進行多變量回歸分析，以獲得該頻譜轉換矩陣。該處理單元12係根據下式進行多變量回歸分析獲得該頻譜轉換矩陣
M：
，
其中，
為一包括該等目標主成分分數的主成分分數矩陣，
，
、
，及
分別為該目標物校正影像之每一像素在該CIE 1931XYZ色彩空間的
X值、
Y值，及
Z值。
參閱圖1、4，以下說明本發明基於頻譜影像之空氣汙染檢測方法的該實施例之該建模程序的步驟流程。
在步驟31中，該處理單元12根據該頻譜轉換矩陣及該等訓練環境彩色影像，獲得多張分別對應該等訓練環境彩色影像的訓練環境頻譜影像。
在步驟32中，該處理單元12將該等訓練環境頻譜影像進行一降維處理，以獲得多筆分別對應該等訓練環境頻譜影像的降維資料。值得注意的是，在本實施例中，該降維處理可為3維卷積自編碼(3D-Convolution Autoencoder)或主成分分析，但不以此為限。
在步驟33中，該處理單元12根據該等降維資料及該等空氣污染程度標籤利用一機器學習演算法，建立一用以檢測一頻譜影像的空氣污染程度的空氣汙染檢測模型。值得注意的是，該機器學習例如為卷積神經網路（Convolutional Neural Network, CNN），在本實施例中是以VGG-16進行訓練，但不以此為限。
參閱圖1、5，以下說明本發明基於頻譜影像之空氣汙染檢測方法的該實施例之該檢測程序的步驟流程。
在步驟41中，該處理單元12根據該頻譜轉換矩陣及該待測環境彩色影像，獲得一對應該待測環境彩色影像的待測環境頻譜影像。
搭配參閱圖6，詳細而言，步驟41包括以下子步驟：
在步驟411中，該處理單元12將該待測環境彩色影像轉換至該CIE 1931XYZ色彩空間，以獲得一對應該待測環境彩色影像的待測環境轉換影像。
在步驟412中，該處理單元12根據該待測環境轉換影像及該頻譜轉換矩陣獲得該待測環境頻譜影像。該處理單元12係根據下式獲得該待測環境頻譜影像：
，
其中，
為一包括該待測環境頻譜影像所有像素在該CIE 1931XYZ色彩空間的
X值、
Y值，及
Z值的待測環境頻譜影像矩陣，EV為該等目標主成分特徵值，
，
、
，及
分別為該待測環境頻譜影像之每一像素在該CIE 1931XYZ色彩空間的
X值、
Y值，及
Z值。
要特別注意的是，步驟41中該處理單元12獲得該待測環境頻譜影像的方式，與步驟31中獲得該等訓練環境頻譜影像相同，故在此不加以贅述步驟31詳細過程。
在步驟42中，該處理單元12將該待測環境頻譜影像輸入該空氣汙染檢測模型。
在步驟43中，該處理單元12產生一相關於該待測環境頻譜影像的空氣污染程度的檢測結果。
綜上所述，本發明基於頻譜影像之空氣汙染檢測方法，藉由該處理單元12根據該頻譜轉換矩陣及該待測環境彩色影像，獲得具有較豐富的頻譜訊息的該待測環境頻譜影像，使得該空氣汙染檢測模型在根據該待測環境頻譜影像進行分類時有更多的特徵能夠提取或選擇，以提升檢測結果的精準度及顯著性，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
1:電腦裝置
11:儲存單元
12:處理單元
21~25:步驟
251、252:步驟
31~33:步驟
41~43:步驟
411、412:步驟
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：
圖1是一方塊圖，說明用以實施本發明基於頻譜影像之空氣汙染檢測方法的一實施例的一電腦裝置；
圖2是一流程圖，說明本發明基於頻譜影像之空氣汙染檢測方法的該實施例之一頻譜轉換矩陣計算程序；
圖3是一流程圖，輔助說明圖2步驟25之子步驟；
圖4是一流程圖，說明本發明基於頻譜影像之空氣汙染檢測方法的該實施例之一建模程序；
圖5是一流程圖，說明本發明基於頻譜影像之空氣汙染檢測方法的該實施例之一檢測程序；及
圖6是一流程圖，輔助說明圖5步驟41之子步驟。
41~43:步驟
Claims (10)
- 一種空氣汙染檢測方法，適用於檢測一待測環境彩色影像，由一電腦裝置來實施，該方法包含以下步驟： (A)根據一頻譜轉換矩陣及該待測環境彩色影像，獲得一對應該待測環境彩色影像的待測環境頻譜影像； (B)將該待測環境頻譜影像輸入一用以檢測一頻譜影像的空氣污染程度的空氣汙染檢測模型；及 (C)產生一相關於該待測環境頻譜影像的空氣污染程度的檢測結果。
- 如請求項1所述的空氣汙染檢測方法，該電腦裝置儲存一相關於一目標物的目標物彩色影像及一相關於該目標物的目標物反射頻譜資料，在步驟(A)之前還包含以下步驟： (D)將該目標物彩色影像及該目標物反射頻譜資料轉換至一CIE 1931 XYZ色彩空間，以獲得一對應該目標物彩色影像的目標物轉換影像，及一對應該目標物反射頻譜資料的目標物轉換頻譜資料； (E)根據該目標物轉換影像獲得一變數矩陣； (F)根據該目標物轉換頻譜資料及該變數矩陣，獲得一校正係數矩陣； (G)根據該變數矩陣及該校正係數矩陣，獲得一對應該目標物轉換影像的目標物校正影像； (H)根據該目標物反射頻譜資料及該目標物校正影像，獲得該頻譜轉換矩陣。
- 如請求項2所述的空氣汙染檢測方法，該目標物彩色影像在一標準紅綠藍色彩空間，其中，在步驟(D)中，該電腦裝置根據下式獲得該目標物轉換影像：，
，
，
， 其中，
、
，及
分別表示該目標物彩色影像之每一像素在該標準紅綠藍色彩空間的紅色值、綠色值，及藍色值，
、
，及
分別表示該目標物轉換影像之每一像素在該CIE 1931XYZ色彩空間的 X值、 Y值，及 Z值，(
，
，
)表示一特定標準光源的白點值，(
，
，
)表示在該目標物彩色影像拍攝環境光源的白點值； 該電腦裝置根據下式獲得該目標物轉換頻譜資料：
，
，
，
， 其中，
、
，及
分別表示該目標物彩色影像之每一像素的頻譜在該CIE 1931XYZ色彩空間的 X值、 Y值，及 Z值，
為該目標物反射頻譜資料之波長，為該
為該目標物彩色影像拍攝時之光源頻譜，
為該目標物之頻譜值，
、
，
及為該CIE 1931XYZ色彩空間之配色函數。
- 如請求項2所述的空氣汙染檢測方法，其中，在步驟(E)中，該變數矩陣 V如下式：其中，
、，及分別為該目標物轉換影像之每一像素在該CIE 1931XYZ色彩空間的 X值、 Y值，及 Z值， a為任意常數。 - 如請求項2所述的空氣汙染檢測方法，其中，在步驟(F)中，該電腦裝置根據下式獲得該校正係數矩陣 C：， 其中，
為一相關於該目標物轉換頻譜資料的目標物轉換頻譜矩陣， V為該變數矩陣， pinv([ V])為該變數矩陣的反矩陣。
- 如請求項2所述的空氣汙染檢測方法，其中，在步驟(G)中，該電腦裝置根據下式獲得該目標物校正影像：， 其中，
為一包括該目標物校正影像所有像素在該CIE 1931XYZ色彩空間的 X值、 Y值，及 Z值的目標物校正影像矩陣， C為該校正係數矩陣， V為該變數矩陣。
- 如請求項2所述的空氣汙染檢測方法，其中，步驟(H)還包括以下子步驟： (H-1)將該目標物反射頻譜資料進行主成分分析，以獲得多個目標主成分分數；及 (H-2)將該等目標主成分分數及該目標物校正影像進行多變量回歸分析，以獲得該頻譜轉換矩陣。
- 如請求項7所述的空氣汙染檢測方法，其中，在步驟(H-2)中，該電腦裝置根據下式獲得該頻譜轉換矩陣 M：， 其中，
為一包括該等目標主成分分數的主成分分數矩陣，
，
、
，及
分別為該目標物校正影像之每一像素在該CIE 1931XYZ色彩空間的 X值、 Y值，及 Z值。
- 如請求項7所述的空氣汙染檢測方法，其中，在步驟(H-1)還獲得多個目標主成分特徵值，在步驟(A)包括以下子步驟： (A-1)將該待測環境彩色影像轉換至該CIE 1931XYZ色彩空間，以獲得一對應該待測環境彩色影像的待測環境轉換影像； (A-2)根據該待測環境轉換影像及該頻譜轉換矩陣獲得該待測環境頻譜影像，該電腦裝置根據下式獲得該待測環境頻譜影像：， 其中，
為一包括該待測環境頻譜影像所有像素在該CIE 1931XYZ色彩空間的 X值、 Y值，及 Z值的待測環境頻譜影像矩陣， M為該頻譜轉換矩陣，EV為該等目標主成分特徵值，
，
、
，及
分別為該待測環境頻譜影像之每一像素在該CIE 1931XYZ色彩空間的 X值、 Y值，及 Z值。
- 如請求項1所述的空氣汙染檢測方法，該電腦裝置儲存多張訓練環境彩色影像及多個分別對應該等訓練環境彩色影像的空氣污染程度標籤，在步驟(B)之前還包含以下步驟： (I)根據該頻譜轉換矩陣及該等訓練環境彩色影像，獲得多張分別對應該等訓練環境彩色影像的訓練環境頻譜影像； (J)將該等訓練環境頻譜影像進行一降維處理，以獲得多筆分別對應該等訓練環境頻譜影像的降維資料；及 (K)根據該等降維資料及該等空氣污染程度標籤利用一機器學習演算法，建立該空氣汙染檢測模型。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110109760A TWI777458B (zh) | 2021-03-18 | 2021-03-18 | 基於頻譜影像之空氣汙染檢測方法 |
| US17/382,988 US11962949B2 (en) | 2021-03-18 | 2021-07-22 | Method of air pollution estimation based on spectral image processing |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110109760A TWI777458B (zh) | 2021-03-18 | 2021-03-18 | 基於頻譜影像之空氣汙染檢測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI777458B TWI777458B (zh) | 2022-09-11 |
| TW202238527A true TW202238527A (zh) | 2022-10-01 |
Family
ID=83284082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110109760A TWI777458B (zh) | 2021-03-18 | 2021-03-18 | 基於頻譜影像之空氣汙染檢測方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11962949B2 (zh) |
| TW (1) | TWI777458B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078778B (zh) * | 2023-10-16 | 2024-01-26 | 四川邕合科技有限公司 | 基于大数据的智慧园区空气质量检测方法及检测终端 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105445204A (zh) * | 2015-12-07 | 2016-03-30 | 太原理工大学 | 一种基于镜头蓝色光波分析的空气质量等级判别方法 |
| TW201910742A (zh) * | 2017-07-26 | 2019-03-16 | 大光科技股份有限公司 | 氣體影像偵測系統 |
| CN108052980B (zh) * | 2017-12-21 | 2021-05-14 | 南京理工大学 | 基于图像的空气质量等级检测方法 |
| US11160605B2 (en) * | 2017-12-28 | 2021-11-02 | Cilag Gmbh International | Surgical evacuation sensing and motor control |
| US11304745B2 (en) * | 2017-12-28 | 2022-04-19 | Cilag Gmbh International | Surgical evacuation sensing and display |
| US11529187B2 (en) * | 2017-12-28 | 2022-12-20 | Cilag Gmbh International | Surgical evacuation sensor arrangements |
| US20190201594A1 (en) * | 2017-12-28 | 2019-07-04 | Ethicon Llc | Method of sensing particulate from smoke evacuated from a patient, adjusting the pump speed based on the sensed information, and communicating the functional parameters of the system to the hub |
| US11144779B2 (en) * | 2018-10-16 | 2021-10-12 | International Business Machines Corporation | Real-time micro air-quality indexing |
| TW202109471A (zh) * | 2019-08-29 | 2021-03-01 | 研能科技股份有限公司 | 監視及氣體偵測資訊通報系統 |
-
2021
- 2021-03-18 TW TW110109760A patent/TWI777458B/zh active
- 2021-07-22 US US17/382,988 patent/US11962949B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| TWI777458B (zh) | 2022-09-11 |
| US11962949B2 (en) | 2024-04-16 |
| US20220303516A1 (en) | 2022-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229561B (zh) | 一种基于深度学习的颗粒产品缺陷检测方法 | |
| WO2020024127A1 (zh) | 骨龄评估与身高预测模型、其***及其预测方法 | |
| CN104572538B (zh) | 一种基于k‑pls回归模型的中医舌图像颜色校正方法 | |
| JP7320704B2 (ja) | 学習装置、検査装置、学習方法および検査方法 | |
| CN101426150B (zh) | 视频图像质量测评的方法和*** | |
| CN111242123A (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
| CN106991679A (zh) | 一种基于云平台尿检试纸生理指标量化识别方法 | |
| JP7078175B2 (ja) | 検査装置及び方法 | |
| CN110781889B (zh) | 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法 | |
| JP7412556B2 (ja) | 目標コーティング中の効果顔料を識別する方法及び装置 | |
| TWI672637B (zh) | 自體免疫抗體免疫螢光影像型態識別方法 | |
| CN106127234B (zh) | 基于特征字典的无参考图像质量评价方法 | |
| WO2021208423A1 (zh) | 一种基于pca学习的显卡接口机器测试方法 | |
| CN117152152B (zh) | 检测试剂盒的生产管理***及方法 | |
| CN108395986A (zh) | 基于深度学习的人类***状瘤病毒自动分型检测装置 | |
| WO2024021359A1 (zh) | 基于图像脑敏感数据的建成环境主导色测度方法和*** | |
| CN116849612B (zh) | 一种多光谱舌象图像采集分析*** | |
| CN113298780A (zh) | 一种基于深度学习的儿童骨龄评估方法及*** | |
| CN114663821A (zh) | 基于视频高光谱成像技术的产品质量实时无损检测方法 | |
| TWI777458B (zh) | 基於頻譜影像之空氣汙染檢測方法 | |
| CN110874576B (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
| CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
| CN107576600A (zh) | 一种抹茶粒度等级的快速检测方法 | |
| CN116824171A (zh) | 中医高光谱舌象图像波段的选择方法及相关装置 | |
| CN114187292B (zh) | 棉纺纸筒的异常检测方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GD4A | Issue of patent certificate for granted invention patent |