一种基于深度学的PM2.5污染物测量方法

摘要

本发明公开了属于计算机视觉和图像处理技术领域的一种基于深度学的PM2.5污染物测量方法。该方法是首先利用已有的图像及其标注的PM2.5污染物的指标值，将全部N个样本I进行预处理，包括进行零均值处理和样本扩增；利用的深度学网络将处理后的第i个样本I_i输入到网络中，训练用于测量PM2.5污染物的深度学网络，然后将训练好的深度学网络应用到需要测试的图像上，在输出层即可得到PM2.5污染物的预测指标值。本发明随着深度学技术的发展，使卷积神经网络在计算机视觉领域的成功运用，使得通过图像对PM2.5污染物的测量得以实现。

主权项

一种基于深度学习的PM2.5污染物测量方法，其特征在于，包括步骤如下：1)将全部N个样本I进行预处理，包括进行零均值处理和样本扩增；2)利用的深度学习网络将处理后的第i个样本I_i输入到深度学习网络中，前两层为卷积层，每个卷积层后均有降采样层，对卷积层的输出进行最大值‑降采样后两层为全连接层，其中最后一层为Soft‑max层，由此输出与给定的PM2.5污染值P_real(i)对应的1‑500维的特征P_pred(i)；3)通过优化下面的目标函数来训练网络：$\arg \min \underset{i=1}{\overset{N}{\Sigma }}{\left|\right|P_{\mathrm{real}\left(i\right)}-P_{\mathrm{pred}\left(i\right)}\left|\right|}^2---\left(1\right)$4)当目标函数停止收敛或者网络训练迭代次数超过设定值M时，停止训练网络；其中，降采样是采用一个大小为n*n的采样窗按照一定步长s扫描：先按行从左至右，再按列从上至下遍历整个卷积层大小为m*m的输出，扫描时在每个采样窗中，取其中n*n个值的最大值作为采样值，把每个采样值按照扫描次序组成一个(m/s)*(m/s)大小的降采样输出，特殊情况下步长s为1时，降采样的结果的尺寸与输入相同。