一种基于深度学习的pm2.5污染物测量方法
【专利摘要】本发明公开了属于计算机视觉和图像处理【技术领域】的一种基于深度学习的PM2.5污染物测量方法。该方法是首先利用已有的图像及其标注的PM2.5污染物的指标值，将全部N个样本I进行预处理，包括进行零均值处理和样本扩增；利用的深度学习网络将处理后的第i个样本Ii输入到网络中，训练用于测量PM2.5污染物的深度学习网络，然后将训练好的深度学习网络应用到需要测试的图像上，在输出层即可得到PM2.5污染物的预测指标值。本发明随着深度学习技术的发展，使卷积神经网络在计算机视觉领域的成功运用，使得通过图像对PM2.5污染物的测量得以实现。
【专利说明】-种基于深度学习的PM2. 5污染物测量方法
【技术领域】
[0001] 本发明属于计算机视觉和图像处理【技术领域】，特别涉及一种基于深度学习的 PM2. 5污染物测量方法。
【背景技术】
[0002] 在空气严重污染的情况下，室外可见度明显下降，通过传统图像处理的方式测量 污染物浓度变得极其困难，而其主要的污染物PM2. 5的测量目前主要依赖于数量有限的精 密设备。随着深度学习技术的发展，尤其是卷积神经网络在计算机视觉领域的成功运用，使 得通过图像对PM2. 5污染物的测量得以实现。
【发明内容】
[0003] 本发明的目的是提供一种基于深度学习的PM2. 5污染物测量方法，其特征在于， 包括步骤如下：
[0004] 1)将全部N个样本I进行预处理，包括进行零均值处理和样本扩增；
[0005] 2)利用的深度学习网络将处理后的第i个样本Ii输入到网络中，前两层为卷积 层，每个卷积层后均有降采样层，对数据进行最大值-降采样；后两层为全连接层，其中 最后一层为Soft-max层，由此输出与给定的PM2. 5污染值P,eal(i)对应的1-500维的特征 Ppred ⑴；
[0006] 3)通过优化下面的目标函数来训练网络：
【权利要求】
1. 一种基于深度学习的PM2. 5污染物测量方法，其特征在于，包括步骤如下： 1) 将全部N个样本I进行预处理，包括进行零均值处理和样本扩增； 2) 利用的深度学习网络将处理后的第i个样本Ii输入到深度学习网络中，前两层为卷 积层，每个卷积层后均有降采样层，对卷积层的输出进行最大值-降采样后两层为全连接 层，其中最后一层为Soft-max层，由此输出与给定的PM2. 5污染值P,eal⑴对应的1-500维 的特征PPMd(i); 3) 通过优化下面的目标函数来训练网络：
(1) 4) 当目标函数停止收敛或者网络训练迭代次数超过设定值M时，停止训练网络； 其中，降采样是采用一个大小为n*n的采样窗按照一定步长s扫描：先按行从左至右， 再按列从上至下遍历整个卷积层大小为m*m的输出，扫描时在每个采样窗中，取其中n*n个 值的最大值作为采样值，把每个采样值按照扫描次序组成一个（m/s)*(m/s)大小的降采样 输出，特殊情况下步长s为1时，降采样的结果的尺寸与输入相同。
2. 根据权利要求1所述一种基于深度学习的PM2. 5污染物测量方法，其特征在于，所述 步骤1)中样本扩增包括样本翻转和尺度变换。
3. -种基于深度学习的PM2. 5污染物测量方法，其特征在于，包括步骤如下： 1) 将需要测试样本I进行预处理，包括进行零均值处理和样本的翻转及尺度变换处 理； 2) 利用深度卷积神经网络将处理后的样本I输入训练好到深度卷积神经网络中，在输 出层得到500维的特征Ppral ; 3) 通过优化下面的目标函数来训练网络：
vl) 4) 当目标函数停止收敛或者网络训练迭代次数超过设定值M时，停止训练网络； 5) 利用输出得到500维的特征Ppred判断实际PM2. 5污染值，即取该特征最大响应值所 在列标，即为实际的PM2. 5污染值； 其中列标理解为：特征响应值有1-500维，最大值所在的维度数，即坐标，即为所预测 的PM2. 5值；若第100维度的响应值为0. 9,其余维度的响应均小于0. 9,则取最大响应值 0. 9所在的维度数100,即"列标"作为预测的PM2. 5值。
【文档编号】G06F19/00GK104462778SQ201410645121
【公开日】2015年3月25日 申请日期:2014年11月6日 优先权日:2014年11月6日
【发明者】王震宇, 宋纯锋, 王天宇, 滕婧 申请人:华北电力大学