基于图像的雾霾PM2.5值估计方法与流程

本发明属于计算机视觉领域、支持向量回归及深度学习方法、环保技术，具体讲，涉及基于图像的雾霾PM2.5值估计方法。

背景技术：

工业的发展，大大的提高人们的生活品质，但是随之而来的问题就是，大量的灰尘、硫酸、硝酸等颗粒物组成的气溶胶——雾霾，对人们的生活产生一定的负面影响。PM2.5是指大气中空气动力学粒径小于或等于2.5微米的颗粒物，也成为可入肺颗粒物，其粒径小，富含大量的有毒、有害物质。近年来，国际上多所研究院及高校，如：微软研究院、中科院等，对雾霾进行研究。传统检测PM2.5的方法，如NAQPMS系统(中科院大气物理研究所嵌套网格空气质量预报模式系统)，该模式考虑了两种人为排放的前体物(甲苯以及其他芳香烃)和四种生物排放的前体物(异戊二烯、单萜等)通过光化学反应生成二次有机产物SOA的过程。该方法已在全国多个省市地区投入使用，并取得较好的效果(王自发，谢付莹等.嵌套网格空气质量预报模式系统的发展和应用[J]，大气科学，2006,30(5)；111-115)。此检测PM2.5值的方法，精准度高，但是其雾霾检测仪器存在成本高、易被污染、系统维护困难等问题。

技术实现要素：

为克服现有技术的不足，本发明提出一种精确鲁棒的通过雾霾图像估计PM2.5的方法，更加方便精确地估计拍摄图像当地的PM2.5值。为达到上述目的，本发明采取的技术方案基于图像的雾霾PM2.5值估计方法，包括以下步骤：

1)利用手持相机和霾表对天空或者半天空采集雾霾图像及记录其对应的PM2.5值，PM2.5为细颗粒物又称细粒、细颗粒；

2)利用VGG-NET的fc7层对采集到的图像进行特征提取，得到特征矩阵A，VGG-NET为含有19层的深度卷积神经网络，fc7层为VGG-NET的倒数第二个全连接层，特征矩阵A是由VGG-NET多次的卷积、池化得到的；

3)将特征矩阵A及其对应的PM2.5值数据作为训练集U；

4)利用交叉验证算法将步骤2)得到的特征矩阵A以及其对应的PM2.5值寻找最佳参数c和g，c是惩罚系数，g是核函数的半径；

5)由步骤4)得到的最佳c、g和步骤3)得到的训练集U，通过支持向量回归SVR(Support Vector Regression)进行训练，得到训练模型；

6)用户通过手机等摄影设备对着全天空或者半天空采集一张测试图片，上传至服务器端；

7)在服务器端，系统通过VGG-NET的fc7层对由步骤6)用户采集到的图片进行特征提取，得到特征向量T；

8)通过步骤5)得到的训练模型以及结合步骤7)得到的特征向量T，进行PM2.5值的预测。

9)将由步骤8)得到的PM2.5的预测值返回给用户客户端。

其中，步骤2)具体步骤细化为：

2-1)将训练集图像和训练集图像的尺寸设置为224×224；

2-2)将步骤2-1)设置好的图片送入VGG-NET中进行特征提取，第一到十六层均为3x3的卷积层，其中第一二层的过滤器为64个，三四层的过滤器为128个，五到八层的过滤器为256个，九到十六层过滤器为512个，得到特征图feature maps；

$x_j^l={\Σ}_{i\∈M_j}{x}_i^{l-1}*k_{ij}^l+b_j^l---\left(1\right)$

其中，M_j表示选择的输入特征图的集合，l是层数，i表示为x方向的序列号，j表示y方向的序列号，即(i,j)指的是卷积核的位置，表示为第l层(i，j)位置上卷集核的参数，b为偏置项，为特征图feature maps；

2-3)在第二三层中间，四五层中间，八九层中间，十六十七层中间，均有下采样操作maxpool，即对邻域内特征点取最大，

$x_j^l={\mathrm{\β}}_j^{l}down\left(x_i^{l-1}\right)+b_j^l---\left(2\right)$

其中，down(.)为下采样函数，l是层数，i表示为x方向的序列号，j表示y方向的序列号，即(i,j)指的是卷积核的位置，为特征图feature maps，每个输出特征图都对应一个属于自己的乘性偏置β和一个加性偏置b。

本发明的特点及有益效果是：

本发明方法避免了现有测量仪器价格昂贵、因损坏导致对空气质量检测出现误差的问题，利用手机等便携单相机设备，方便快捷地采集测试当地的全天空或半天空远景图像，通过提取图像的深度特征并进行支持向量回归，实现了由图像对当前空气质量的检测，从而更加方便精确地估计当前空气PM2.5值，具体来说具有以下特点：

1、采集设备成本低且便携；

2.操作简单，易于实现；

3、通过深度学习提取了深层特征；

4、可根据单相机拍摄的单张雾霾图像估计PM2.5值；

本发明可以采用手机实现当地雾霾精准估计。所提出的方法具有很好的实用性：用户可以通过拍摄全天空或者半天空图像上传至服务器端，在服务器端，系统对用户上传的图像进行特征提取，支持向量回归，从而精准的估计出当地的PM2.5值。

附图说明：

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的基于图像的雾霾PM2.5值估计方法的流程图；

图2为一张测试图像，通过汉王霾表测试的当地PM2.5值结果为236.57，通过本发明方法得到的预测结果为235.48；

图3为本发明实施例采用不同核函数下的预测结果比较，其中横坐标为测试图的序列号，纵坐标为PM2.5值。

具体实施方式

为了降低成本和复杂度、方便检测，本发明采用一种基于VGG-NET的特征提取，通过支持向量回归的方法，对图片进行PM2.5估计，提高人们对雾霾的认知与重视程度。通过本发明训练出来的模型，用户可直接通过手机拍摄图像，并且得到精准的PM2.5值，此发明在天气评估、交通运输等领域有着广泛的应用前景。

本发明基于成熟的深度学习网络，方便快捷地提取深层特征，进行支持向量回归，训练出模型。所提出的方法具有很好的鲁棒性：对于新的图片，能很好的估计出其PM2.5值。效果好，方便快捷。

本发明的基于图像的雾霾PM2.5值估计方法，其特征在于包括以下步骤：

1)手持一台相机和汉王霾表对着天空或者半天空采集雾霾图像及记录其对应的PM2.5值，PM2.5为细颗粒物又称细粒、细颗粒；

2)利用VGG-NET的fc7层对采集到的图像进行特征提取，得到特征矩阵A，VGG-NET为含有19层的深度卷积神经网络，fc7层为VGG-NET的倒数第二个全连接层，特征矩阵A是由VGG-NET多次的卷积、池化得到的，推导公式如下；

2-1)将训练集图像和训练集图像的尺寸设置为224x224；

2-2)将步骤2-1)设置好的图片送入VGG-NET中进行特征提取，第一到十六层均为3x3的卷积层，其中第一二层的过滤器为64个，三四层的过滤器为128个，五到八层的过滤器为256个，九到十六层过滤器为512个，得到feature maps，feature maps为特征图；

$x_j^l={\Σ}_{i\∈M_j}{x}_i^{l-1}*k_{ij}^l+b_j^l---\left(1\right)$

其中，M_j表示选择的输入特征图的集合，l是层数，i表示为x方向的序列号，j表示y方向的序列号，即(i,j)指的是卷积核的位置，表示为第l层(i，j)位置上卷集核的参数，b为偏置项，为特征图feature maps；

2-3)在第二三层中间，四五层中间，八九层中间，十六十七层中间，均有下采样操作(maxpool)，即对邻域内特征点取最大，

$x_j^l={\mathrm{\β}}_j^{l}down\left(x_i^{l-1}\right)+b_j^l---\left(2\right)$

其中，down(.)为下采样函数，l是层数，i表示为x方向的序列号，j表示y方向的序列号，即(i,j)指的是卷积核的位置，为特征图feature maps，每个输出特征图都对应一个属于自己的乘性偏置β和一个加性偏置b；

3)将特征矩阵A及其对应的PM2.5值数据作为训练集U；

4)利用交叉验证算法将步骤2)得到的特征矩阵A以及其对应的PM2.5值寻找最佳参数c和g，c是惩罚系数，g是核函数的半径；

5)由步骤4)得到的最佳c、g和步骤3)得到的训练集U，通过SVR(Support Vector Regression，支持向量回归)进行训练，得到训练模型；

6)用户通过手机等摄影设备对着全天空或者半天空采集一张测试图片，上传至服务器端；

7)在服务器端，系统通过VGG-NET的fc7层对由步骤6)用户采集到的图片进行特征提取，得到特征向量T；

8)通过步骤5)得到的训练模型以及结合步骤7)得到的特征向量T，进行PM2.5值的预测。

9)将由步骤8)得到的PM2.5的预测值返回给用户客户端。