[发明专利]一种基于单幅图像估计空气质量的方法

权利要求书

1.一种基于单幅图像估计空气质量的方法，本发明的技术方案为：场景图像采集，本发明采集墨迹天气软件中的实景图像并进行了扩充；图像预处理，统一将数据图像缩放为固定尺寸；为提高训练精度和速度，将训练图像减去均值再训练；构建空气质量分类模型；将Imagenet大数据代入空气质量分类模型进行预训练；将本发明采集的场景图像库代入预训练完成的空气质量分类模型进行微调；将待分类场景图像代入微调完成的空气质量分类模型实现场景空气质量分类；具体过程如下：

步骤1：场景图像采集，本发明采集墨迹天气软件中的实景图像并进行了扩充；该数据集包含了3个空气质量等级，分别是：优良、轻度污染及重度污染；由于数据量较小，不符合深度学习的要求，故需进行扩充；

步骤2：图像预处理，统一将数据图像缩放为固定尺寸；为提高训练精度和速度，将训练图像减去均值再训练；

步骤3：构建空气质量分类模型；卷积神经网络主要包括卷积层、池化层、激活层、全连接层及输出层。本发明选取Alexnet网络模型作为空气质量分类模型；空气质量分类网络模型共有8层，其中前5层为卷积-池化层，后边3层为全连接层，最后的一个全连接层的输出是具有1000个输出的输出层；在每一个卷积-池化层以及全连接层后紧跟的操作是激活操作；卷积层卷积操作公式为：

其中l表示第l层，j表示卷积层的第j个核，M表示卷积核所在区域，k表示卷积核，b表示偏置，x表示特征图对应位置的值，f表示激活函数；

在卷积神经网络中常用的池化(下采样)运算有：最大池化、均值池化和高斯池化；在卷积神经网络设计过程中，池化层的设计只需要定义池化窗口的大小、池化方法和步长；本发明使用最大池化过程，表达式为：

式中是第i个输出图像上,第m行第n列上的神经元,其由第i个输入图像上大小为s×s的区域池化而成；

本发明中所用激活层表达式为：

y＝f_ReLU(x)＝max(x,0) (3)

式中x和y分别为输入和输出；

本发明中所用全连接层表达式为：

式中，y^j是一个输出向量中的第j个神经元,xⁱ是输入向量中的第i个神经元，w是一个全连层中的权重参数,b是偏置参数；

本发明中所用的输出层表达式为：

式中，pⁱ是第i类的输出比例，xⁱ是输入的第i个神经元，K是总类数；

步骤4：将Imagenet大数据代入空气质量分类模型进行预训练；Imagenet是一个图像数据集，包含1500万张图像，2万多个名词对象的标注；本发明选取其中1000类图像作为训练数据，分别输入第n层卷积神经网络，提取卷积层中m个卷积核对应的m张待分类图像的特征，要说明的是第n层卷积神经网络包括第n层卷积-池化层和第n层激活层；然后将这m张归一化特征图像输入至第n+1层中重复执行上述操作；当输入至全连接层时，每个神经元都与前一层的每个神经元相连；输入图像经过多层的卷积、池化等操作后已呈现出高层特征，全连接层利用该特征对场景图像进行空气质量分类；在训练过程中，输入图像通过前向传递方法得到训练误差，再通过反向传播算法更新各层神经元的参数值；将Imagenet测试数据代入空气质量分类模型进行测试，若分类准确率达90％，则网络训练成功，预训练过程停止；反向传播算法与梯度下降法结合，通过计算卷积神经网络中代价函数对所有参数的梯度来更新参数值，使得代价函数不断减小，实现对卷积神经网络的训练；代价函数计算公式为：

式中Y_loss是代价值，和Y^j分别是第j个神经元真实标签和输出的值，k是输出神经元的总数。

网络各层的权重和偏置变化值计算公式为：

式中为参数变化值，α为基础学习率；

步骤5：将本发明采集的场景图像库代入步骤4训练完成的空气质量分类模型进行微调；微调过程就是用训练好的参数初始化自己的网络，然后用自己的数据接着训练，参数的调整方法与反向传播训练过程一样。在本发明中，要求场景空气质量分类网络待初始化的层数、类型及层的设置参数等均与预训练模型相同，但输出层分类类别需要改为本数据库中空气质量的类别个数；

步骤6：将待分类场景图像代入步骤5微调完成的空气质量分类模型实现场景空气质量分类。