[发明专利]一种双通道卷积神经网络集成学习的空气质量测量方法

说明书

本发明公开了一种双通道卷积神经网络集成学习的空气质量测量方法，所述空气质量测量方法包括以下步骤：步骤一：构建双通道卷积神经网络，提取天空和建筑部分的环境图像特征，并对特征进行加权融合；步骤二：提出用于空气质量测量的双通道加权卷积神经网络集成学习算法，该算法包括：两个特征提取卷积神经网络、一个加权特征融合层和一个分类层；步骤三：将双通道卷积神经网络应用在空气质量等级测量和空气质量指数测量两个方面。

技术领域

本发明涉及空气质量测量技术领域，特别是涉及基于双通道卷积神经网络集成学习的空气质量测量方法。

背景技术

环境空气质量与人类生产和生活密切相关，空气质量的下降可能会造成生态破坏并诱发人类疾病。目前，空气质量监测主要采用在城市几个特定地点设置监测站，利用空气质量检测仪定期对空气污染物进行采样和测量，最后通过计算分析得出空气质量指数(AQI)的方法。这种方法容易受到时间和空间的严重限制，只能在特定的监测点获得特定时间的空气质量。难以实时获得随机位置的空气质量信息，并且测量成本高。如何实时准确地获得AQI是一个值得研究的课题。

基于图像的空气质量测量是一种利用图像处理算法提取环境图像特征，并基于图像特征来估计AQI的方法。近年来，随着深度学习技术的快速发展，利用深度学习技术完成识别、检测等任务是高效可行的。不同空气质量等级的环境图像在一定程度上往往不同，因此，利用深度卷积神经网络提取环境图像特征，实时随地进行AQI的测量是可行和有价值的。与传统的空气质量测量方法相比，基于图像和深度学习的空气质量测量可以随时随地获得空气质量，具有实时性和低成本的优点，近年来受到学术界的广泛关注。

目前，现有的与图像或深度学习相关的空气质量测量方法主要分为两类：基于传统的图像处理的方法或深度学习的方法。基于传统图像处理的方法是利用传统的机器学习算法进行特征提取，如边缘检测，方向梯度直方图等，对提取的特征进行分析计算，得到空气质量测量值。基于图像的深度学习方法通常训练深度卷积神经网络模型，提取环境图像特征，并计算空气质量。在最初的研究中，基于图像的空气质量测量方法主要基于传统的图像处理算法。随着深度学习的快速发展，深度学习相关的空气质量测量方法越来越受到关注。