[发明专利]一种基于深度学习的PM2.5污染物测量方法

说明书

技术领域

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

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

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：

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I_i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_real(i)对应的1-500维的特征P_pred(i)；

3)通过优化下面的目标函数来训练网络：

argminΣi=1N||Preal(i)-Ppred(i)||2---(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。

所述步骤1)中样本扩增包括样本翻转和尺度变换。

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P_pred；

3)通过优化下面的目标函数来训练网络：