人工智能云计算非应用感应器的液体气体污染排放监控方法与流程

本发明涉及电子信息技术领域，具体涉及一种人工智能云计算非应用感应器的液体气体污染排放监控方法。

背景技术：

现今，人们经常排放污染液体或气体，排放到私人或公众的沟渠，水溪，河流，湖泊，烟囱，露天空间等等，并且导致经济损失和对环境造成严重的危害。用于检测或监测这些(例如气体和液体污染排放)的现有技术通常有两种常用方法。第一种方法：透过传感器中的硬件和软件设置来检测的化学品或材料，例如污染排放的物理气体或液体。这可以运用各种传感器来完成，这些传感器可用以检测以液体或气体化学品本身，或者检测传感器的一些物理参数的变化，例如电阻，电容或光反射，反应出是否存在污染排放。第二种方法：透过传感器中的硬件和软件设置以检测由于(例如气体或液体的污染排放)导致的环境参数的一些变化。这些参数可以是音频声级，物理共振机械的振动的变化，或气体或液体压力的变化。

为了识别气体或液体的污染排放的位置，传感器必须安装在与实际发生点相对较近的距离，比如安装在气体或液体污染可能排放的位置。但这必须沿着排放沟渠，水溪，河流，湖泊，烟囱，露天空间的不同位置安装大量传感器。又或者，传感器是可沿着排放地点周围在平台上移动，以便能达到属于离污染排放位置的近距离的范围。当发生污染排放时，检测出污染排放的最近传感器的位置便可用于确定污染排放的位置。因此，安装大量传感器以便能识别污染排放的位置是非常昂贵的。当安装在室外的环境中时，来自的物质，例如污染排放的气体或液体，会快速地扩散到露天环境中，加上污染排放物质的浓度会迅速降低，要检测出这种低浓度的物质比在室内环境更难。因此，在室外环境中，要安装更多的传感器或更昂贵的对低浓度敏感的传感器，成本会更高。一些排放的位置，可能是私有场所位置，一些可能是遥远或非常不方便到达区域，安装传感器可能是不被允许或非常昂贵。

安装这些传感器硬件和软件以检测这种污染排放的步骤其实是非常耗费人力的，加上操作人员难免会出现不正确的操作，那这些检测传感器系统得出的结果是不会正确的。由于安装和操作这些传感器都非常耗费人力，因此在实际情况下，安装的传感器多达不到足够的数量，结果就是检测过程无效并且无法可靠地识别出实际(例如气体或液体污染排放)的位置。通常，在传感器数量有限的情况下，如果警报响起，人工巡逻队将被派出以识别发生的位置。但这类型的人员搜索团队将导致处理此类的时间额外延迟。

此外，由于实时通信的额外成本高，污染排放检测结果通常不能立即与所有管理团队的成员，监管政府官员或救援队共享的。有时候，只使用本地报警系统，监管政府官员和远离事发地点的救援队可能无法及时被通知污染排放事故，这种类型的通信延迟又将导致处理此类的时间再额外延迟。如果污染排放检测结果可以实时地传送给所有的管理团队成员和政府官员，那么整个社会对处理这类污染排放影响的信心和满意度也将大大提高。

技术实现要素：

本发明的目的在于，提供人工智能云计算非应用感应器的液体气体污染排放监控方法，避免了安装了大量的传感器硬件和软件，以检测出，免除了这类型的人员搜索团队安排，并减少了处理此类事故的额外延迟。降低了将检测结果传达给所有管理团队成员，监管政府官员和来自远方的救援队的成本，同时更缩短了分享结果的时间。而且这些检测结果可以运用任何移动设备查看。

此外，气体污染通常带有与污染物中的化学物质相关的特殊颜色当由煤燃烧释放的二氧化硫(so2)和颗粒与雾中的水结合产生酸性雾度时，形成工业烟雾，这种烟雾污染物通常看起来是黄褐色的。二氧化氮(no2)是另一种常见的污染物，它携带一种有毒的深红橙色气体。液体与水污染的三个主要来源是：农业，包括化肥，动物粪便和其他废物，农药等。藻类和悬浮沉积物颗粒是非常常见的颗粒物质腐烂的有机物质，它们带有常见的黄色“茶色”。藻类携带红色，绿色和棕色藻类，因为其中含有不同类型的色素。本发明的方法，将使用这些颜色属性来识别污染物的存在。

为实现上述目的，本发明采用的技术方案是：

人工智能云计算非应用感应器的液体气体污染排放监控方法，其特征在于，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生位置的图像，例如私人或公众的沟渠，水溪，河流，湖泊，烟囱，露天空间等等，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，尤其是当要求是在室外环境中覆盖长距离的和大面积的监控，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生污染排放的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。

捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里。

人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生时的位置图像，以及有发生时的位置图像，这些图像应包括监测区域的图像，它需要包括特定的气体和液体污染物，排放通道中的特定化学品，比如二氧化硫，二氧化氮，沉积物和有机藻类。

在训练中，来自训练图像数据集，抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度。当完成这足够图像的训练后，智能机器学习能根据输入的新的图像，预测新的可能发生的，训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了，当发生事故时，系统会自动通过互联网向各方发出警报信息。

图像处理是处理新图像的第一步，从输入新的图像中，可以指定如何针对特定污染物(如二氧化硫，二氧化氮，和有机藻类)进行监测，增加对该化学品的敏感性，应用图像处理软件算法来增强特定性以匹配正在寻找的污染物类型。当想要识别特定化学物质的存在时，假如那化学物质是带红色，例如在二氧化氮浓度低的时候，可以使用图像处理算法来增强图像中的红色，图像处理的数学算法可以通过i)加法，或ii)减法来解决。加法算法如下：

彩色图像是红绿蓝像素rgb，

let，

r＝img(：，：，1)是红色像素值，

g＝img(：，：，2)是绿色像素值，

b＝img(：，：，3)是蓝色像素值，

数学算法可以推广为包括：r+g+b＝灰色分量，青色＝g+b，品红色＝r+b，黄色＝红色+绿色。

图像处理加法数学函数如下：

let，

extra_red＝max(r-max(b，g)，0)，

新的红色像素值函数fr(r，g，b，k)＝r_mod＝min(r+k*extra_red，1)

％k是额外红色量的标度。

将r_mod应用于红色像素值将达到预期的添加效果，

除了添加之外，数学算法可以通过减法来解决，例如，当想要定位另一种有机藻类物质时，那有机藻类是带绿色，在污染物浓度低的时候，需要增强图像中的绿色，通过减法可以缩小非绿色组件。减去额外绿色成分的量数学函数如下，

let，

extra_green＝max(g-max(r，b)，0)，

新红色像素值函数fr(r，g，b，k)＝r_mod＝max(r-k*extra_green，0)，

新蓝色像素值函数fb(r，g，b，k)＝b_mod＝max(b-k*extra_green，0)，

将r_mod应用于红色像素值，b_mod应用于蓝色像素值，将达到预期的减去效果，

经过图像处理，方法进行图像污染排放识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：

共由6层的卷积层/relu/降采样组成。

(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，裁剪后每幅图像大小为1024*1024像素，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或n单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；第一层过滤器的尺寸长*宽为32*32，深度为16，步数为2，越界时，以0填充，第二层过滤器的尺寸为长*宽为32*32，深度为16，步数为2，以0填充，第三层的过滤器的尺寸长*宽为16*16，深度为32，步数为1，以0填充，第四层的过滤器的尺寸长*宽为12*12，深度为32，步数为1，以0填充，第五层过滤器的尺寸长*宽为4*4，深度为64，步数为1，以0填充，第六层过滤器的尺寸长*宽3*3，深度为128，步数为1，以0填充。

(2)relu激活：在每个卷积运算之后，进入非线性relu激活层，把relu激活应用于矩阵，relu代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝max(0，x)，relu的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；

(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取relu激活特征图中具有最大值的元素，并应用于所有元素；前四层降采样，最大降采设定降采窗口为(poolingsize)4*4，滑动步长为4，后两层精度最大降采设定降采窗口的大小2*2，滑动步长2。

(4)不断重复：计算方法共由6层建立，如有需要，可增加减少调整，卷积，relu激活和降采样的过程，直到得到的特征图显示出令人满意的关键参数；

(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层，使用softmax回归，使神经网络向前传播得到的结果变成一个概率分布。softmax称为归一化指数函数，表达式为：

f:

z1表示节点属于第1类，zk表示节点属于第k类。

(6)结果：激活函数应用在完全连接层以后，将结果分类为没有污染排放，和不同类型的污染排放。

人工智能计算器把已确定是否发生了的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。所述终端设备可为移动电话、平板电脑。

本发明有益效果：本发明提供人工智能云计算非应用感应器的液体气体污染排放监控方法，解决了目前传统的做法安装大量的传感器硬件和软件，以检测出，尤其是当要求是在室外环境中覆盖长距离和大面积可能排放的地点，检测这些污染排放需要大量的传感器和人手去安装以使检测有效，整个传感器检测系统成本非常贵。当在室外环境中安装时，排放中的物质，如污染排放的气体或液体，可迅速扩散到开放区域，而浓度也会迅速下降，检测甚至比在室内环境中更难。因此，在室外环境中，要安装更昂贵的对低浓度敏感的传感器或安装更多数量的传感器，成本因此更高。一些排放的位置，可能是私有场所位置，一些可能是遥远或非常不方便到达区域，安装传感器可能是不被允许或非常昂贵。

本发明人工智能云计算非应用感应器的液体气体污染排放监控方法，可以识别实际的，例如气体或液体污染排放位置，在长距离的或大面积的可能排放地点，一旦警报发出，也不再需要人工巡逻队去确定的位置。系统免除了这类型的人员搜索团队安排，并减少了处理此类事故的额外延迟。

为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对其进行详细说明。

附图说明

图1所示为本发明系统结构示意图；

图2所示为本发明卷积神经网络运作流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参阅附图1至图2，本实施例提供人工智能云计算非应用感应器的液体气体污染排放监控方法，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生污染排放位置的图像，例如私人或公众的沟渠，水溪，河流，湖泊，烟囱，露天空间等等，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，使其允许摄像捕获这些区域的更好视图的位置，尤其是当要求是在室外环境中覆盖长距离的和大面积的监控，并将工业数码相机微处理单元与卫星定位系统(如北斗卫星导航)建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生污染排放的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。

捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里。

人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生时的位置图像，以及有发生时的位置图像，这些图像应包括监测区域的图像，它需要包括特定的气体和液体污染物，排放通道中的特定化学品，比如二氧化硫，二氧化氮，沉积物和有机藻类。

在训练中，来自训练图像数据集，抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度。当完成这足够图像的训练后，智能机器学习能根据输入的新的图像，预测新的可能发生的，训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了，当发生事故时，系统会自动通过互联网向各方发出警报信息。

图像处理是处理新图像的第一步，从输入新的图像中，可以指定如何针对特定污染物(如二氧化硫，二氧化氮，和有机藻类)进行监测，增加对该化学品的敏感性，应用图像处理软件算法来增强特定性以匹配正在寻找的污染物类型。当想要识别特定化学物质的存在时，例如在二氧化氮浓度低的时候，可以使用图像处理算法来增强图像中的红色，图像处理的数学算法可以通过i)加法，或ii)减法来解决。加法算法如下：

彩色图像是红绿蓝像素rgb，

let，

r＝img(：，：，1)是红色像素值，

g＝img(：，：，2)是绿色像素值，

b＝img(：，：，3)是蓝色像素值，

数学算法可以推广为包括：r+g+b＝灰色分量，青色＝g+b，品红色＝r+b，黄色＝红色+绿色。

图像处理加法数学函数如下：

let，

extra_red＝max(r-max(b，g)，0)，

新的红色像素值函数fr(r，g，b，k)＝r_mod＝min(r+k*extra_red，1)

％k是额外红色量的标度。

将r_mod应用于红色像素值将达到预期的添加效果，

除了添加之外，数学算法可以通过减法来解决，例如，当想要定位另一种有机藻类物质时，需要增强图像中的绿色，通过减法可以缩小非绿色组件。减去额外绿色成分的量数学函数如下，

let，

extra_green＝max(g-max(r，b)，0)，

新红色像素值函数fr(r，g，b，k)＝r_mod＝max(r-k*extra_green，0)，

新蓝色像素值函数fb(r，g，b，k)＝b_mod＝max(b-k*extra_green，0)，

将r_mod应用于红色像素值，b_mod应用于蓝色像素值，将达到预期的减去效果，

经过图像处理，方法进行图像污染排放识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：

共由6层的卷积层/relu/降采样组成。

(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，裁剪后每幅图像大小为1024*1024像素，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或n单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；第一层过滤器的尺寸长*宽为32*32，深度为16，步数为2，越界时，以0填充，第二层过滤器的尺寸为长*宽为32*32，深度为16，步数为2，以0填充，第三层的过滤器的尺寸长*宽为16*16，深度为32，步数为1，以0填充，第四层的过滤器的尺寸长*宽为12*12，深度为32，步数为1，以0填充，第五层过滤器的尺寸长*宽为4*4，深度为64，步数为1，以0填充，第六层过滤器的尺寸长*宽3*3，深度为128，步数为1，以0填充。

(2)relu激活：在每个卷积运算之后，进入非线性relu激活层，把relu激活应用于矩阵，relu代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝max(0，x)，relu的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；

(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取relu激活特征图中具有最大值的元素，并应用于所有元素；前四层降采样，最大降采设定降采窗口为(poolingsize)4*4，滑动步长为4，后两层精度最大降采设定降采窗口的大小2*2，滑动步长2。

(4)不断重复：计算方法共由6层建立，如有需要，可增加减少调整，卷积，relu激活和降采样的过程，直到得到的特征图显示出令人满意的关键参数；

(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层，使用softmax回归，使神经网络向前传播得到的结果变成一个概率分布。softmax称为归一化指数函数，表达式为：

f:

z1表示节点属于第1类，zk表示节点属于第k类。

(6)结果：激活函数应用在完全连接层以后，将结果分类为没有污染排放，和不同类型的污染排放。

人工智能计算器把已确定是否发生了的结果，透过互联网实时的将信息发送到终端设备(如移动电话或平板电脑)上，终端设备也可以透过互联网从云端伺服器中读取结果。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。故凡是未脱离本发明技术方案的内容，依据本发明之形状、构造及原理所作的等效变化，均应涵盖于本发明的保护范围内。