[發(fā)明專利]一種基于單幅圖像估計(jì)空氣質(zhì)量的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810047540.3
• 申請(qǐng)日: 2018-01-18
• 公開(kāi)（公告）號(hào): CN108376397A
• 公開(kāi)（公告）日: 2018-08-07
• 發(fā)明（設(shè)計(jì)）人: 謝斌;李沁
• 申請(qǐng)（專利權(quán)）人: 中南大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G01N21/17
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于單幅圖像估計(jì)空氣質(zhì)量的方法，本發(fā)明的技術(shù)方案為：場(chǎng)景圖像采集，本發(fā)明采集墨跡天氣軟件中的實(shí)景圖像并進(jìn)行了擴(kuò)充；圖像預(yù)處理，統(tǒng)一將數(shù)據(jù)圖像縮放為固定尺寸；為提高訓(xùn)練精度和速度，將訓(xùn)練圖像減去均值再訓(xùn)練；構(gòu)建空氣質(zhì)量分類模型；將Imagenet大數(shù)據(jù)代入空氣質(zhì)量分類模型進(jìn)行預(yù)訓(xùn)練；將本發(fā)明采集的場(chǎng)景圖像庫(kù)代入預(yù)訓(xùn)練完成的空氣質(zhì)量分類模型進(jìn)行微調(diào)；將待分類場(chǎng)景圖像代入微調(diào)完成的空氣質(zhì)量分類模型實(shí)現(xiàn)場(chǎng)景空氣質(zhì)量分類；具體過(guò)程如下：

步驟1：場(chǎng)景圖像采集，本發(fā)明采集墨跡天氣軟件中的實(shí)景圖像并進(jìn)行了擴(kuò)充；該數(shù)據(jù)集包含了3個(gè)空氣質(zhì)量等級(jí)，分別是：優(yōu)良、輕度污染及重度污染；由于數(shù)據(jù)量較小，不符合深度學(xué)習(xí)的要求，故需進(jìn)行擴(kuò)充；

步驟2：圖像預(yù)處理，統(tǒng)一將數(shù)據(jù)圖像縮放為固定尺寸；為提高訓(xùn)練精度和速度，將訓(xùn)練圖像減去均值再訓(xùn)練；

步驟3：構(gòu)建空氣質(zhì)量分類模型；卷積神經(jīng)網(wǎng)絡(luò)主要包括卷積層、池化層、激活層、全連接層及輸出層。本發(fā)明選取Alexnet網(wǎng)絡(luò)模型作為空氣質(zhì)量分類模型；空氣質(zhì)量分類網(wǎng)絡(luò)模型共有8層，其中前5層為卷積-池化層，后邊3層為全連接層，最后的一個(gè)全連接層的輸出是具有1000個(gè)輸出的輸出層；在每一個(gè)卷積-池化層以及全連接層后緊跟的操作是激活操作；卷積層卷積操作公式為：

其中l(wèi)表示第l層，j表示卷積層的第j個(gè)核，M表示卷積核所在區(qū)域，k表示卷積核，b表示偏置，x表示特征圖對(duì)應(yīng)位置的值，f表示激活函數(shù)；

在卷積神經(jīng)網(wǎng)絡(luò)中常用的池化(下采樣)運(yùn)算有：最大池化、均值池化和高斯池化；在卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)過(guò)程中，池化層的設(shè)計(jì)只需要定義池化窗口的大小、池化方法和步長(zhǎng)；本發(fā)明使用最大池化過(guò)程，表達(dá)式為：

式中是第i個(gè)輸出圖像上,第m行第n列上的神經(jīng)元,其由第i個(gè)輸入圖像上大小為s×s的區(qū)域池化而成；

本發(fā)明中所用激活層表達(dá)式為：

y＝f_ReLU(x)＝max(x,0) (3)

式中x和y分別為輸入和輸出；

本發(fā)明中所用全連接層表達(dá)式為：

式中，y^j是一個(gè)輸出向量中的第j個(gè)神經(jīng)元,xⁱ是輸入向量中的第i個(gè)神經(jīng)元，w是一個(gè)全連層中的權(quán)重參數(shù),b是偏置參數(shù)；

本發(fā)明中所用的輸出層表達(dá)式為：

式中，pⁱ是第i類的輸出比例，xⁱ是輸入的第i個(gè)神經(jīng)元，K是總類數(shù)；

步驟4：將Imagenet大數(shù)據(jù)代入空氣質(zhì)量分類模型進(jìn)行預(yù)訓(xùn)練；Imagenet是一個(gè)圖像數(shù)據(jù)集，包含1500萬(wàn)張圖像，2萬(wàn)多個(gè)名詞對(duì)象的標(biāo)注；本發(fā)明選取其中1000類圖像作為訓(xùn)練數(shù)據(jù)，分別輸入第n層卷積神經(jīng)網(wǎng)絡(luò)，提取卷積層中m個(gè)卷積核對(duì)應(yīng)的m張待分類圖像的特征，要說(shuō)明的是第n層卷積神經(jīng)網(wǎng)絡(luò)包括第n層卷積-池化層和第n層激活層；然后將這m張歸一化特征圖像輸入至第n+1層中重復(fù)執(zhí)行上述操作；當(dāng)輸入至全連接層時(shí)，每個(gè)神經(jīng)元都與前一層的每個(gè)神經(jīng)元相連；輸入圖像經(jīng)過(guò)多層的卷積、池化等操作后已呈現(xiàn)出高層特征，全連接層利用該特征對(duì)場(chǎng)景圖像進(jìn)行空氣質(zhì)量分類；在訓(xùn)練過(guò)程中，輸入圖像通過(guò)前向傳遞方法得到訓(xùn)練誤差，再通過(guò)反向傳播算法更新各層神經(jīng)元的參數(shù)值；將Imagenet測(cè)試數(shù)據(jù)代入空氣質(zhì)量分類模型進(jìn)行測(cè)試，若分類準(zhǔn)確率達(dá)90％，則網(wǎng)絡(luò)訓(xùn)練成功，預(yù)訓(xùn)練過(guò)程停止；反向傳播算法與梯度下降法結(jié)合，通過(guò)計(jì)算卷積神經(jīng)網(wǎng)絡(luò)中代價(jià)函數(shù)對(duì)所有參數(shù)的梯度來(lái)更新參數(shù)值，使得代價(jià)函數(shù)不斷減小，實(shí)現(xiàn)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；代價(jià)函數(shù)計(jì)算公式為：

式中Y_loss是代價(jià)值，和Y^j分別是第j個(gè)神經(jīng)元真實(shí)標(biāo)簽和輸出的值，k是輸出神經(jīng)元的總數(shù)。

網(wǎng)絡(luò)各層的權(quán)重和偏置變化值計(jì)算公式為：

式中為參數(shù)變化值，α為基礎(chǔ)學(xué)習(xí)率；

步驟5：將本發(fā)明采集的場(chǎng)景圖像庫(kù)代入步驟4訓(xùn)練完成的空氣質(zhì)量分類模型進(jìn)行微調(diào)；微調(diào)過(guò)程就是用訓(xùn)練好的參數(shù)初始化自己的網(wǎng)絡(luò)，然后用自己的數(shù)據(jù)接著訓(xùn)練，參數(shù)的調(diào)整方法與反向傳播訓(xùn)練過(guò)程一樣。在本發(fā)明中，要求場(chǎng)景空氣質(zhì)量分類網(wǎng)絡(luò)待初始化的層數(shù)、類型及層的設(shè)置參數(shù)等均與預(yù)訓(xùn)練模型相同，但輸出層分類類別需要改為本數(shù)據(jù)庫(kù)中空氣質(zhì)量的類別個(gè)數(shù)；

步驟6：將待分類場(chǎng)景圖像代入步驟5微調(diào)完成的空氣質(zhì)量分類模型實(shí)現(xiàn)場(chǎng)景空氣質(zhì)量分類。