1.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，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。
2.根据权利要求1所述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，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。
3.根据权利要求1所述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，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，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；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。
4.根据权利要求1所述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，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，在污染物浓度低的时候，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，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。
5.根据权利要求4所述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，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：
(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。
6.根据权利要求1所述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，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。
7.根据权利要求6所述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，所述终端设备可为移动电话、平板电脑。