[发明专利]基于浅层卷积神经网络的空气颗粒物污染程度估计方法

说明书

本发明公开了一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法，该方法的基本步骤包括：1.构建具有层增强功能的浅层卷积神经网络(PMIE)模型；2.将PMIE模型的输出结果与四种天气特征值相结合来构建回归模型；3.训练PMIE模型和回归模型；4.使用训练好的PMIE模型和回归模型估计测试集图像的PM2.5指数。本发明提出一种具有层增强功能的浅层卷积神经网络模型，并将其输出结果与四种天气特征相结合来估计图像中空气颗粒物污染程度，有效的避免了特征提取与特征优化等步骤所引起的问题，得到具体的PM2.5指数值，提高了训练的收敛速度与算法鲁棒性，具有更好的性能。

技术领域

本发明涉及空气污染程度检测技术领域，具体涉及一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法。

背景技术

直径小于2.5微米(PM2.5)的大气颗粒物是最有害的空气污染物之一，因为这些颗粒物可以将危险化学物质深入到肺与血液中，从而导致严重的健康问题。可靠，易于使用和低成本的PM2.5监测系统可以极大地提高公众对PM2.5的认识，减少空气污染对健康的危害。

目前，空气中PM2.5指数的检测主要依靠监测站，但由于监测站的建立需要较高的设置与维护成本，因此站点数量有限，只能检测局部地区的空气质量。随着便携式摄像机与智能手机的普及，从照片中直接估计PM2.5指数成为新兴的研究课题。

现有的研究技术主要包括：基于图像特征的方法与基于深度学习的方法。基于图像特征的PM2.5指数估计方法，需要经过复杂的特征提取与特征优化步骤，算法复杂度较高；基于深度学习的PM2.5指数估计方法，只能将图像分为不同的PM2.5级别，无法得到具体的PM2.5指数，检测精度较低，且现有的卷积神经网络模型是为物体识别而设计的，这些网络的复杂性使得优化更加困难，并且容易过度拟合PM2.5指数估算任务。

发明内容

本发明的目的在于针对空气颗粒物污染程度检测的算法复杂度较高、训练速度较慢、易发生过拟合、检测精度较低的问题，提出一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法。

为了实现上述任务，本发明采用以下技术方案：

一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法，所述的方法包括以下步骤：

步骤1，构建层增强的浅层卷积神经网络模型，具体包括以下步骤：

步骤1.1，从ResNet-50卷积神经网络模型中，选择第一个卷积层、第一个池化层、前N个残差块、全局平均池化层与全连接层并依次连接，构成浅层卷积神经网络模型；

步骤1.2，判断浅层卷积神经网络模型中N个残差块的权重分布，具体过程包括：

步骤1.2.1，对浅层卷积神经网络模型的第一个卷积层、第一个池化层与前N个残差块赋予初始权重，并运用训练集图像进行训练，得到训练好的浅层卷积神经网络模型的权重；

步骤1.2.2，对训练好的浅层卷积神经网络模型的权重进行冻结，并将随机权重K'_ij分配给浅层卷积神经网络模型中每个残差块的输出；其中i表示第i个残差块，j表示该残差块的第j个特征图，得到层间权重分布判别模型；

步骤1.2.3，运用反向传播算法对层间权重分布判别模型进行训练，得到训练后的每个残差块中每个特征图的权重K_ij的值，并将每个残差块中的所有特征图的权重K_ij值进行相加，得到每个残差块的权重，从而得到浅层卷积神经网络模型N个残差块的权重分布；

步骤1.3，将第N-1个残差块的输出结果利用式1进行计算，将得到的结果作为第N个残差块的输入，之后再次用式1对第N个残差块的输出结果进行计算，得到层增强的浅层卷积神经网络模型；