[发明专利]一种融合视觉信息丰富度和宽深度联合学习的细颗粒物实时监测方法

说明书

一种融合视觉信息丰富度和宽深度联合学习的细颗粒物实时监测方法属于智能环境感知领域，针对目前流行的基于电化学传感器的细颗粒物监测方法存在空间分布密度低、时间延迟等缺点。该方法将视觉信息丰富度测量与宽深度联合学习(VAWD)相结合，实现细颗粒物的实时监测。首先，细颗粒物浓度的增长会降低视觉信息丰富度，利用VAWD模型从变换空间中提取的三种特征来测量给定照片的视觉信息丰富度。其次，为了同时具备记忆和泛化的优点，设计了宽深度联合学习神经网络来学习上述提取特征与近地面的细颗粒物浓度之间的非线性映射。实验表明：提取的特征的有效性和VAWD模型相对于最先进的方法具有很大的优越性。

技术领域

本发明针对目前流行的基于电化学传感器的细颗粒物监测方法存在空间分布密度低、时间延迟等缺点，属于智能环境感知领域。

背景技术

随着工业化和城市化的不断快速发展，许多发展中国家的经济都实现了跨越式增长。然而，如此快速的工业化和城市化给生活环境带来了负面影响，特别是导致了严重的大气污染。细颗粒物作为大气污染的一种，不仅危害人类健康，而且降低能源利用效率。因此，细颗粒物监测及其后续控制在改善人类健康和能源利用方面发挥着关键作用，不断受到政府和公众的广泛关注。

细颗粒物的主流监测方法包括锥形元素的振荡微量天平方法，β-ray吸收法和重量法。锥形元素的振荡微量天平方法容易造成测量误差，降低测量精度；β-ray吸收法在测量过程中，很难使温度和湿度保持在一个恒定值；重量法虽然测量精度较高，但是也有一定的不足。以上三种方法都有明显的局限性，这使得这些监测方法不适用于人们高度期望的高密度空间分布的实时细颗粒物监测。为了解决上述问题，本发明设计了一种基于图像的实时细颗粒物浓度监测方法，该方法采用视觉信息丰富度和宽深度联合学习。

发明内容

本发明设计一种基于图像的实时细颗粒物浓度监测方法，首先进行视觉信息丰富度(VA)特征提取，通过计算熵来提取VA特征，然后开发一个有效的学习器，找到一个非线性函数，从给定照片中提取的特征映射到细颗粒物浓度的估计。VAWD的框架如图1所示。

本发明采用了如下的技术方案及实现步骤：

(1)VA特征提取

细颗粒物浓度升高的主要表现是使一张照片的视觉信息量降低，这主要体现在每张照图像的色调图(H)、饱和度图(S)和亮度图(V)中的像素值趋于一致。为更好地说明一张照片与细颗粒物浓度之间的关系，如图2所示，随着细颗粒物浓度的增加，色调图和饱和度图中的每个像素迅速下降到零，如图2-(2)和2-(3)中左半部分所示。同时，亮度图中的每个像素迅速上升到255，如图2-(4)中左半部分所示。显然，与RGB相比，HSV空间更能反映细颗粒物浓度增长引起的照片视觉信息丰富度的变化。

对于RGB格式的照片P_x,y，先将其从RGB空间转换为HSV空间:

V_x,y＝max{R_x,y,G_x,y,B_x,y} (1)