[发明专利]一种基于单幅图像估计空气质量的方法

说明书

本发明公开了一种基于单幅图像估计空气质量的方法，包括：采集已知空气质量指数的任意场景图像，建立数据库并进行扩充，得到空气质量等级为“优良”、“轻度污染”和“重度污染”三个等级的图像数据库；选取卷积神经网络经典模型——Alexnet模型作为本发明的空气质量模型，并利用Imagenet大数据进行预训练，提高深层特征差异性；预训练完成后，将本发明采集的场景图像库代入空气质量分类模型进行微调；微调完成后，将测试训练集图像空气质量分类模型进行场景空气质量分类；本发明首次提出利用场景图像信息进行空气质量估计，该方法无需任何测量仪器及人工辅助，分类准确率较高，且有较强的实时性，为未来大气污染监测技术的发展提供了新思路。

技术领域

本发明属于图像处理技术领域，涉及一种图像解析空气质量方法。

背景技术

随着我国的经济和社会的高速发展，城市一体化进程加快，工业规模也在迅速扩大，特别是煤和石油的持续使用，空气中存在着过多的颗粒物、二氧化硫和二氧化氮等有害污染物，空气污染环境问题越来越严峻，已经到了直接影响到生态环境和人类健康的地步。作为目前来说国际上最受关注的问题，空气污染不仅成为了诸多研究方向的研究热点，而且目前社会大众对该方面的问题也更加关注。空气质量已经成为了评价一个区域生活品质和舒适度的重要因素，值得全社会讨论和重视。

用于空气质量检测的直接量测方法包括光散射法(Journal of AppliedMeteorology,1970,9(9):86-103)、锥形元件震荡微天平法(Journal of the Air&WasteManagement Association,1991,41(8):1079-1083)等方法。此类方法大多受到颗粒物吸附水汽而产生变化的影响，且成本高昂(最便宜的光学测量系统单价也在上万元)，因而不适宜于大批量配置。为此，研究学者结合不同的数据来源，做出了一定的探索，如S.Vardoulakis提出利用高斯羽状模型、计算流体动力学模型、流转街道模型等估计空气质量(Atmospheric

Environment,2003,37(2):155-182)。微软亚洲研究院的郑宇博士通过结合气象信息、城市路网、交通流量等建立空气质量模型，可估算出任何一个角落一公里乘一公里细粒度的空气质量(Proceedings of the 19th ACM SIGKDD international conference onKnowledge discovery and data mining,ACM,2013:1436-1444)。这些方法虽然能得到较准确的结果，但对采集数据量级要求较高，无法实时性检测且普适性较差。

综上所述，现有空气质量检测技术不仅成本高，精度低，而且可推广性较低。而视觉特征作为空气质量最为直观的反映，与对应的空气质量息息相关。如果我们深入研究两者之间的关系，有望从视觉特征推导出对应的空气质量等级。

发明内容

本发明要解决的问题是：现有空气质量检测技术存在不足，如检测成本高、精度易受影响、局限性大、可推广性较低且实时性差等。因此需要一种低成本、无须人工干预、简单易实施的空气质量实时检测方法。

本发明的技术方案为：本发明设计了一种基于卷积神经网络的空气质量估计算法，卷积神经网络包含若干卷积层、池化层、激活层、全连接层及一个分类输出层，首先利用Imagenet大数据集对卷积神经网络进行预训练，再依靠场景数据库对网络参数进行微调，最后输入测试数据样本进行测试，得到最后的空气质量分类结果；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；不同等级场景图像示意如图1图2图3所示；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；