[发明专利]基于图像端对端的空气污染程度分类方法

权利要求书

1.一种基于图像端对端的空气污染程度分类方法，其特征是，包括以下步骤：

1)训练数据库的建立与训练模型的求取，基于深度学习网络模型，提取深层特征，训练出模型；

2)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；

3)在服务器端，通过混合模型对用户采集到的图片进行特征提取，得到特征向量T；

4)通过步骤1)得到的训练模型以及结合步骤3)得到的特征向量T，根据Softmax函数进而求解各个分类的概率，将概率最大的分类作为当前空气污染状况，进而对空气污染程度进行分类；

5)将由步骤4)得到的空气污染程度分类结果返回给用户客户端并显示当前的空气污染程度等级。

2.如权利要求1所述的基于图像端对端的空气污染程度分类方法，其特征是，其中，步骤1)具体步骤细化为：

1-1)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；

1-2)根据PM2.5空气质量标准，将PM2.5浓度小于75μg/m³的图片分类为无污染，将PM2.5浓度大于75μg/m³且小于150μg/m³的图片分类为中度污染，将PM2.5浓度大于150μg/m³的图片分类为重度污染；

1-3)对数据进行数据扩充，将分类好的数据进行旋转90度，180度，270度，以及对图片进行随机剪裁，得18574张图片；

1-4)联合残差网络152层和卷积神经网络VGG 19层，将其特征进行融合；

1-5)由步骤1-4)得到的深层特征，通过Softmax损失函数进行训练，得到训练模型；

其中，δ(y,z)是Softmax损失函数，y是根据步骤1-2)分类好的图像空气污染等级，z_j是第j个图像的特征，由步骤1-4)得出，z_y是对于y等级的空气污染程度的编码。

3.如权利要求1所述的基于图像端对端的空气污染程度分类方法，其特征是，步骤4)具体步骤细化为：

4-1)将训练集图像和训练集图像的尺寸设置为224×224；

4-2)将步骤4-1)设置好的图片同时送入残差网络152层和VGG 19层，抽取残差网络中res5c卷积层输出特征FeaRes，以及VGG网络Pooling5输出的特征FeaVGG，将这两个特征进行融合，即concat操作：

Fea＝FeaRes⊕FeaVGG (2)

其中Fea是本发明方法的输出特征，⊕时矩阵维数相加，从而达到特征融合，其中res5c为残差网络中最后一层卷积的名字，Pooling5是VGG网络中最后一层池化层的名字。