一种基于单幅图像估计空气质量的方法

本发明属于图像处理技术领域，涉及一种图像解析空气质量方法。

随着我国的经济和社会的高速发展，城市一体化进程加快，工业规模也在迅速扩 大，特别是煤和石油的持续使用，空气中存在着过多的颗粒物、二氧化硫和二氧化氮等有害 污染物，空气污染环境问题越来越严峻，已经到了直接影响到生态环境和人类健康的地步。 作为目前来说国际上最受关注的问题，空气污染不仅成为了诸多研究方向的研究热点，而 且目前社会大众对该方面的问题也更加关注。空气质量已经成为了评价一个区域生活品质 和舒适度的重要因素，值得全社会讨论和重视。

用于空气质量检测的直接量测方法包括光散射法(Journal of Applied Meteorology,1970,9(9):86-103)、锥形元件震荡微天平法(Journal of the Air&Waste Management Association,1991,41(8):1079-1083)等方法。此类方法大多受到颗粒物吸附 水汽而产生变化的影响，且成本高昂(最便宜的光学测量系统单价也在上万元)，因而不适 宜于大批量配置。为此，研究学者结合不同的数据来源，做出了一定的探索，如 S.Vardoulakis提出利用高斯羽状模型、计算流体动力学模型、流转街道模型等估计空气质 量(Atmospheric

Environment,2003,37(2):155-182)。微软亚洲研究院的郑宇博士通过结合气象 信息、城市路网、交通流量等建立空气质量模型，可估算出任何一个角落一公里乘一公里细 粒度的空气质量(Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining,ACM,2013:1436-1444)。这些方法虽然能得到较 准确的结果，但对采集数据量级要求较高，无法实时性检测且普适性较差。

综上所述，现有空气质量检测技术不仅成本高，精度低，而且可推广性较低。而视 觉特征作为空气质量最为直观的反映，与对应的空气质量息息相关。如果我们深入研究两 者之间的关系，有望从视觉特征推导出对应的空气质量等级。

本发明要解决的问题是：现有空气质量检测技术存在不足，如检测成本高、精度易 受影响、局限性大、可推广性较低且实时性差等。因此需要一种低成本、无须人工干预、简单 易实施的空气质量实时检测方法。

本发明的技术方案为：本发明设计了一种基于卷积神经网络的空气质量估计算 法，卷积神经网络包含若干卷积层、池化层、激活层、全连接层及一个分类输出层，首先利用 Imagenet大数据集对卷积神经网络进行预训练，再依靠场景数据库对网络参数进行微调， 最后输入测试数据样本进行测试，得到最后的空气质量分类结果；具体过程如下：

步骤1：场景图像采集，本发明采集墨迹天气软件中的实景图像并进行了扩充；该 数据集包含了3个空气质量等级，分别是：优良、轻度污染及重度污染；不同等级场景图像示 意如图1图2图3所示；由于数据量较小，不符合深度学习的要求，故需进行扩充；

步骤2：图像预处理，统一将数据图像缩放为固定尺寸；为提高训练精度和速度，将 训练图像减去均值再训练；

步骤3：构建空气质量分类模型；卷积神经网络主要包括卷积层、池化层、激活层、 全连接层及输出层。本发明选取Alexnet网络模型作为空气质量分类模型，如图4所示；空气 质量分类网络模型共有8层，其中前5层为卷积-池化层，后边3层为全连接层，最后的一个全 连接层的输出是具有1000个输出的输出层；在每一个卷积-池化层以及全连接层后紧跟的 操作是激活操作；

步骤4：将Imagenet大数据代入空气质量分类模型进行预训练；Imagenet是一个图 像数据集，包含1500万张图像，2万多个名词对象的标注；本发明选取其中1000类图像作为 训练数据，分别输入第n层卷积神经网络，提取卷积层中m个卷积核对应的m张待分类图像的 特征，要说明的是第n层卷积神经网络包括第n层卷积-池化层和第n层激活层；然后将这m张 归一化特征图像输入至第n+1层中重复执行上述操作；当输入至全连接层时，每个神经元都 与前一层的每个神经元相连；输入图像经过多层的卷积、池化等操作后已呈现出高层特征， 全连接层利用该特征对场景图像进行空气质量分类；在训练过程中，输入图像通过前向传 递方法得到训练误差，再通过反向传播算法更新各层神经元的参数值；将Imagenet测试数 据代入空气质量分类模型进行测试，若分类准确率达90％，则网络训练成功，预训练过程停 止；

步骤5：将本发明采集的场景图像库代入步骤4训练完成的空气质量分类模型进行 微调；微调过程就是用训练好的参数初始化自己的网络，然后用自己的数据接着训练，参数 的调整方法与反向传播训练过程一样。在本发明中，要求场景空气质量分类网络待初始化 的层数、类型及层的设置参数等均与预训练模型相同，但输出层分类类别需要改为本数据 库中空气质量的类别个数；

步骤6：将待分类场景图像代入步骤5微调完成的空气质量分类模型实现场景空气 质量分类；

作为本发明的一种优选方案，步骤3中卷积层卷积操作公式为：

其中l表示第l层，j表示卷积层的第j个核，M表示卷积核所在区域，k表示卷积核，b 表示偏置，x表示特征图对应位置的值，f表示激活函数；

在卷积神经网络中常用的池化(下采样)运算有：最大池化、均值池化和高斯池化； 在卷积神经网络设计过程中，池化层的设计只需要定义池化窗口的大小、池化方法和步长； 本发明使用最大池化过程，表达式为：

式中是第i个输出图像上,第m行第n列上的神经元,其由第i个输入图像上大小为s×s的区域池化而成；

本发明中所用激活层表达式为：

y＝fReLU(x)＝max(x,0) (3)

式中x和y分别为输入和输出；

本发明中所用全连接层表达式为：

式中，yj是一个输出向量中的第j个神经元,xi是输入向量中的第i个神经元，w是一 个全连层中的权重参数,b是偏置参数；

本发明中所用的输出层表达式为：

式中，pi是第i类的输出比例，xi是输入的第i个神经元，K是总类数；

作为本发明的一种优选方案，步骤4中的反向传播算法与梯度下降法结合，通过计 算卷积神经网络中代价函数对所有参数的梯度来更新参数值，使得代价函数不断减小，实 现对卷积神经网络的训练；

代价函数计算公式为：

式中Y_loss是代价值，和Y^j分别是第j个神经元真实标签和输出的值，k是输出神经元的总数。

网络各层的权重和偏置变化值计算公式为：

式中为参数变化值，α为基础学习率；

与现有技术相比，本发明具有以下优点：

该发明提出仅利用图像数据对任意场景空气质量进行分类，无需任何测量仪器及 人工辅助，分类准确率较高，且有较强的实时性；

该发明提出利用卷积神经网络提取场景图像的高层特征并进行分类，突破了人工 无法有效提取场景特征这一瓶颈，为未来大气污染监测技术的发展提供了新思路；

该发明引入Imagenet大数据对空气质量分类模型进行预训练，不仅弥补了小样本 训练数据的不足，而且提取了更具类别差异的特征，提高了分类准确率。

图1为本发明通过单幅图像估计空气质量方法流程图

图2为空气质量为优良的场景图像示意图；

图3为空气质量为轻度污染的场景图像示意图；

图4为空气质量为重度污染的场景图像示意图；

图5为空气质量分类模型示意图；

为使本发明的目的、技术方案和优点更加清楚明了，下面结合说明书发明内容并 参照说明书附图,对本发明做进一步说明；如图1所示，本发明包括以下几步：

在步骤1中，本发明采集墨迹天气软件中的实景图像；该数据集包含了3个空气质 量等级的图像即优良，轻度污染和重度污染，共计4000张；其中属于“优良”等级的图像有 1500张，属于“轻度污染”等级的图像有1000张，属于“重度污染”等级的图像有1500张。本发 明在“优良”等级数据集中取1000张图像作为训练集，500张作为测试集；在“轻度污染”等级 数据集中取500张图像作为训练集，1000张图像作为测试集；在“重度污染”等级数据集中取 1000张图像作为训练集，取500张图像作为测试集。由于数据量较小，不符合深度学习的要 求，故对现有数据进行镜像处理，即左右反转，使得各数据集增至原来的两倍。

图像预处理，统一将数据图像缩放为固定尺寸；为提高训练精度和速度，将训练图 像减去均值再训练；

在步骤2中，本发明统一将训练数据集和测试数据集中的图像缩放为宽：224像素 个数，高：224像素个数；同时，为提高训练精度和速度，将训练数据集中图像每一个像素值 减去图像总像素平均值代替原像素值；

在步骤3中，本发明构建空气质量分类模型；卷积神经网络主要包括卷积层、池化 层、激活层、全连接层及输出层。本发明选取Alexnet网络模型作为空气质量分类模型，如图 5所示；空气质量分类网络模型共有8层，其中前5层为卷积-池化层，后边3层为全连接层，最 后的一个全连接层的输出是具有1000个输出的输出层；在每一个卷积-池化层以及全连接 层后紧跟的操作是激活操作；网络的详细参数见表1；

表1空气质量分类模型详细参数

在步骤4中，本发明将Imagenet大数据代入空气质量分类模型进行预训练；在训练 之前，需要设置训练参数，具体训练参数见表2；

表2空气质量模型训练参数

基础学习率α为0.01；本发明在训练过程中，选用“step”变化规律，同时结合学习 率变化频率和学习率变化指数对基础学习率进行调整，学习率计算公式为：

式中γ为学习率变化频率，stepsize为学习率变化指数，iter为当前训练次数；

空气质量分类模型按照训练参数设置规则进行训练；选取1000类图像作为训练数 据，每一类约1000张图像；将每一张训练图像分别输入第n层卷积神经网络，提取待分类图 像的特征，要说明的是第n层卷积神经网络包括第n层卷积-池化层和第n层激活层；然后将 这m张归一化特征图像输入至第n+1层中重复执行上述操作；当输入至全连接层时，每个神 经元都与前一层的每个神经元相连；输入图像经过多层的卷积、池化等操作后已呈现出高 层特征，全连接层利用该特征对场景图像进行空气质量分类；在训练过程中，输入图像通过 前向传递方法得到训练误差，再通过反向传播算法更新各层神经元的参数值；选取1000类 每一类约500张图像作为测试数据代入空气质量分类模型进行测试，若分类准确率达90％， 则网络训练成功，预训练过程停止；

在步骤5中，本发明将采集的场景图像库代入步骤4训练完成的空气质量分类模型 进行微调；微调过程就是用训练好的参数初始化自己的网络，然后用自己的数据接着训练， 参数的调整方法与反向传播训练过程一样。在本发明中，要求场景空气质量分类网络待初 始化的层数、类型及层的设置参数等均与预训练模型相同，但输出层分类类别需要改为本 数据库中空气质量的类别个数；需要说明的是，微调网络最后一层需重新学习，相比较其它 层需要有更快的学习速率，因此本发明将最后一层全连接层的权重和偏置的学习速率加快 10倍，目的是让非微调层学习更快；

在步骤6中，本发明将测试数据集代入步骤5微调完成的空气质量分类模型实现场 景空气质量分类；表3展示了本方法的分类结果及与其他方法的结果比较，可以发现本发明 设计的空气质量分类模型在现有卷积网络模型中分类效果最好，高达98.6％，这表明了本 发明中方法的有效性，也进一步说明了利用场景图像对空气质量进行估计是完全合理的；

表3不同卷积神经网络结构分类精度对比

网络结构 分类准确率

Googlenet 90.8％

caffenet 96.6％

VGG-16 95.8％

本方法 98.6％

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在 本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护 范围之内。