[发明专利]基于图像端对端的空气污染程度分类方法

说明书

本发明涉及计算机视觉领域、环保技术，为更加方便精确地估计拍摄图像当地的空气污染程度，本发明采取的技术方案基于图像端对端的空气污染程度分类方法，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)在服务器端得到特征向量T；4)根据Softmax函数进而求解各个分类的概率，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。本发明主要应用于空气污染程度分类。

技术领域

本发明属于计算机视觉领域、环保技术，具体讲，涉及基于图像端对端的空气污染程度分类方法。

背景技术

工业的发展，大大的提高人们的生活品质，但是随之而来的问题就是，大量的灰尘、硫酸、硝酸等颗粒物组成的气溶胶——雾霾，对人们的生活产生一定的负面影响。目前，近年来所有空气污染程度分类的方法都是基于某个污染参数，例如PM2.5，PM10等。PM2.5是指大气中空气动力学粒径小于或等于2.5微米的颗粒物，也成为可入肺颗粒物，其粒径小，富含大量的有毒、有害物质。国际上多所研究院及高校，如：微软研究院、中科院等，对雾霾进行研究。传统检测PM2.5的方法，如NAQPMS系统(中科院大气物理研究所嵌套网格空气质量预报模式系统)，该模式考虑了两种人为排放的前体物(甲苯以及其他芳香烃)和四种生物排放的前体物(异戊二烯、单萜等)通过光化学反应生成二次有机产物SOA的过程。该方法已在全国多个省市地区投入使用，并取得较好的效果(王自发，谢付莹等.嵌套网格空气质量预报模式系统的发展和应用[J]，大气科学，2006,30(5)；111-115)。此检测PM2.5值的方法，精准度高，但是其雾霾检测仪器存在成本高、易被污染、系统维护困难等问题。本发明方法则绕过PM2.5预测，直接输入图像到系统中，通过深度卷积神经网络处理，得到最终的污染程度分类结果。其结果精度高，时间快，成本低。

发明内容

为克服现有技术的不足，本发明提出一种精确鲁棒的通过图像的相关特征来对当前环境下空气污染程度分类的方法，更加方便精确地估计拍摄图像当地的空气污染程度。为达到上述目的，本发明采取的技术方案基于图像端对端的空气污染程度分类方法，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。

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；