CN111504912A - 一种基于图像识别的空气污染观测系统及方法 - Google Patents
一种基于图像识别的空气污染观测系统及方法 Download PDFInfo
- Publication number
- CN111504912A CN111504912A CN202010392796.5A CN202010392796A CN111504912A CN 111504912 A CN111504912 A CN 111504912A CN 202010392796 A CN202010392796 A CN 202010392796A CN 111504912 A CN111504912 A CN 111504912A
- Authority
- CN
- China
- Prior art keywords
- image
- air
- air pollution
- pollutant concentration
- key physical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003915 air pollution Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000000809 air pollutant Substances 0.000 claims abstract description 67
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 67
- 238000004364 calculation method Methods 0.000 claims abstract description 47
- 230000003287 optical effect Effects 0.000 claims abstract description 29
- 239000012080 ambient air Substances 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000000149 penetrating effect Effects 0.000 claims abstract description 4
- 239000003344 environmental pollutant Substances 0.000 claims description 14
- 231100000719 pollutant Toxicity 0.000 claims description 14
- 239000003570 air Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G01N15/075—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
Abstract
本发明公开了一种基于图像识别的空气污染观测系统及方法,涉及空气污染观测技术,其中的一种基于图像识别的空气污染观测系统,包括:图像获取模块,用于获得穿过环境空气的光线到达光学传感器的图像,进行预处理后得到图像数据;建模模块,用于计算图像中的关键物理量,关联空气污染物浓度和关键物理量进行建模;计算模块,用于通过模型计算空气污染物浓度或确定天气现象。本发明使用图像识别技术来观测空气污染,通过建模能把一张或多张图像里的空气污染信息提取出来;通过普通计算机即可分析图像、建模和计算空气污染物浓度和判别天气现象。通过图像识别技术来进行空气污染观测,成本低且数据分布量大。
Description
技术领域
本发明涉及空气污染观测技术,具体涉及一种基于图像识别的空气污染观测系统及方法。
背景技术
目前,空气污染对居民的健康影响严重,空气污染观测对科学研究和社会预警都有重要作用。
现有的空气污染观测,主要由位于地面有限的布控点上的环境监测仪来进行,空间分布的数据量有限,成本大。
图像识别进行图像清晰化处理过程即去除图像中的雾霾,还原晴好天气条件下的图像,清晰与模糊间的信息差,正是反应空气状态的重要参量。
光线经过一段空间距离的传播而递减,考虑到达传感器的平行入射光线辐照度J0通过r距离后的辐照度Jr,随距离按指数递减,有
βsc为总散射系数(或消光系数),其值理论上需要空气中气溶胶含量信息。
假设气溶胶散射效应导致光线随距离指数衰减并不减少空间分辨率,物体遵循Lambertian反射,不影响传感器像素值,从地表点到传感器元件的距离为R,传感器元件k的辐照度Jt(k)则为:
此时J0理解为没有任何气溶胶散射时的传感器辐照度,ΩK为立体角,I0为天空辐亮度,Fk为对应点表面反射因子。感应器捕捉到的光线的辐照度Js为对象反射光线衰减后的辐照度Jt与光线散射的辐照度Jb之和,Jt是需要信号,Jb为噪音信号。平均Jb(k)估计为光学路径(r, r+dr)的散射效果,在dr内散射占比为简单的βscdr,即散射为I0βscdr,再次使用传输指数衰减,得(r, r+dr)的噪音散射量为ΩKI0βscexp(-βscr)dr,通过积分可得整个路径散射光线的辐照度:
平均到达传感器元件k的总辐照度Js(k)即为
当物体为黑体(Fk取值为0)和物体完全反射(Fk取值为1)时图像最大对比度:
表明图像最大对比度随着距离按指数递减,当对比度C(Rk)低于一个临界值(大约0.02)后图像不能分辨,最大能见距离Rv与消光系数βsc成对应关系,βsc与天气现象或污染物浓度直接相关。
经研究发现,当固定传感器与地表物体间的距离后,消光系数βsc与图像对比度C之间成对应关系,即图像对比度分析可用于表征空气污染变量。
发明内容
本发明的主要目的在于提供一种基于图像识别的空气污染观测系统及方法,利用图像识别技术来观测空气污染,通过计算污染物浓度数据和判别天气现象,解决空气污染分布非先验图像识别问题。
根据本发明的一个方面,提供了一种基于图像识别的空气污染观测系
统,包括:
图像获取模块,用于获得穿过环境空气的光线到达光学传感器的图像,进行预处理后得到图像数据;
建模模块,用于计算图像中的关键物理量,关联空气污染物浓度和关键物理量进行建模;
计算模块,用于通过模型计算空气污染物浓度或确定天气现象。
进一步地,所述图像获取模块用于通过光学传感器,获得相机、手机、摄像机、扫描仪的图像,或互联网平台收集到与空气污染有关的图像。
更进一步地,所述图像获取模块用于筛选符合空气污染计算的图像,进行图像数字化处理,获得图像各像素值或光学信息的数据。
更进一步地,所述建模模块用于提取图像灰度直方图,获得灰度直方图特征如能量、均值和方差等关键物理量;计算图像的亮度、饱和度、色调和对比度等关键物理量;利用图像对象的先验特征估算图像对象到传感器的距离或测量图像对象与传感器间的距离。
更进一步地,所述建模模块用于:
利用图像的关键物理量和观测的污染物浓度联立建立统计方程,得到空气污染物浓度计算模型;
通过训练得到关键物理量与空气污染物浓度的神经网络模型;
通过空气无污染图像与空气有污染图像对比,其差值与空气污染物浓度建立统计方程,得到空气污染物浓度计算模型;
基于不同时序的图像识别对应不同时刻空气污染物浓度,建立空气污染物浓度计算模型;
基于支持向量机分析图像关键物理量与天气现象建立天气现象判别模型;
通过其他人工智能方法识别图像,图像清晰化前后差异与空气污染物浓度关联,建立空气污染物浓度计算模型;
建模过程中,涉及空气污染非先验图像识别问题,各方向、各位置图像计算污染物浓度存在动力关联。
更进一步地,所述计算模块用于收集图像,通过步骤二建立的模式,计算空气污染物浓度;收集图像,通过步骤二建立的模式,判别天气现象。
根据本发明的又一个方面,提供了一种基于图像识别的空气污染观测
方法,包括以下步骤:
S1,获得穿过环境空气的光线到达光学传感器的图像,进行预处理后得到图像数据;
S2,计算图像中的关键物理量,关联空气污染物浓度和关键物理量进行建模;
S3,通过模型计算空气污染物浓度或确定天气现象。
进一步地,所述步骤S1中的获得穿过环境空气的光线到达光学传感器的图像包括:
通过光学传感器获得相机、手机、摄像机、扫描仪的图像,或互联网平台收集到与空气污染有关的图像;
所述步骤S1中的预处理包括:
筛选符合空气污染计算的图像,进行图像数字化处理,获得图像各像素值或光学信息的数据。
更进一步地,所述步骤S2中的计算图像中的关键物理量包括:
提取图像灰度直方图,获得灰度直方图特征如能量、均值和方差等关键物理量;
计算图像的亮度、饱和度、色调和对比度等关键物理量;
利用图像对象的先验特征估算图像对象到传感器的距离或测量图像对象与传感器间的距离;
所述步骤S2中的建模包括:
利用图像的关键物理量和观测的污染物浓度联立建立统计方程,得到空气污染物浓度计算模型;
通过训练得到关键物理量与空气污染物浓度的神经网络模型;
通过空气无污染图像与空气有污染图像对比,其差值与空气污染物浓度建立统计方程,得到空气污染物浓度计算模型;
基于不同时序的图像识别对应不同时刻空气污染物浓度,建立空气污染物浓度计算模型;
基于支持向量机分析图像关键物理量与天气现象建立天气现象判别模型;
通过其他人工智能方法识别图像,图像清晰化前后差异与空气污染物浓度关联,建立空气污染物浓度计算模型;
建模过程中,涉及空气污染非先验图像识别问题,各方向、各位置图像计算污染物浓度存在动力关联。
更进一步地,所述步骤S3包括:
收集图像,通过步骤二建立的模式,计算空气污染物浓度;
收集图像,通过步骤二建立的模式,判别天气现象。
本发明的优点:
本发明使用图像识别技术来观测空气污染,通过建模能把一张或多张图像里的空气污染信息提取出来。拍摄图像的光学传感器容易架设和维护,相机、手机和摄影仪拍照的图像海量、广泛分布且容易完成,无人机、飞机等平台的光学传感器能获得垂直不同高度上的图像。通过普通计算机即可分析图像、建模和计算空气污染物浓度和判别天气现象。通过图像识别技术来进行空气污染观测,成本低且数据分布量大。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的基于图像识别的空气污染观测系统结构框图;
图2是本发明实施例的基于图像识别的空气污染观测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
参考图1,如图1所示,一种基于图像识别的空气污染观测系统,包括:
图像获取模块,用于获得穿过环境空气的光线到达光学传感器的图像,进行预处理后得到图像数据;
建模模块,用于计算图像中的关键物理量,关联空气污染物浓度和关键物理量进行建模;
计算模块,用于通过模型计算空气污染物浓度或确定天气现象。
本发明使用图像识别技术来观测空气污染,通过建模能把一张或多张图像里的空气污染信息提取出来。拍摄图像的光学传感器容易架设和维护,相机、手机和摄影仪拍照的图像海量、广泛分布且容易完成,无人机、飞机等平台的光学传感器能获得垂直不同高度上的图像。通过普通计算机即可分析图像、建模和计算空气污染物浓度和判别天气现象。通过图像识别技术来进行空气污染观测,成本低且数据分布量大。
所述图像获取模块用于通过光学传感器,获得相机、手机、摄像机、扫描仪的图像,或互联网平台收集到与空气污染有关的图像。
所述图像获取模块用于筛选符合空气污染计算的图像,进行图像数字化处理,获得图像各像素值或光学信息的数据。
所述建模模块用于提取图像灰度直方图,获得灰度直方图特征如能量、均值和方差等关键物理量;计算图像的亮度、饱和度、色调和对比度等关键物理量;利用图像对象的先验特征估算图像对象到传感器的距离或测量图像对象与传感器间的距离。
所述建模模块用于:
利用图像的关键物理量和观测的污染物浓度联立建立统计方程,得到空气污染物浓度计算模型;
通过训练得到关键物理量与空气污染物浓度的神经网络模型;
通过空气无污染图像与空气有污染图像对比,其差值与空气污染物浓度建立统计方程,得到空气污染物浓度计算模型;
基于不同时序的图像识别对应不同时刻空气污染物浓度,建立空气污染物浓度计算模型;
基于支持向量机分析图像关键物理量与天气现象建立天气现象判别模型;
通过其他人工智能方法识别图像,图像清晰化前后差异与空气污染物浓度关联,建立空气污染物浓度计算模型;
建模过程中,涉及空气污染非先验图像识别问题,各方向、各位置图像计算污染物浓度存在动力关联。
所述计算模块用于收集图像,通过步骤二建立的模式,计算空气污染物浓度;收集图像,通过步骤二建立的模式,判别天气现象。
实施例2
参考图2,如图2所示,一种基于图像识别的空气污染观测方法,包括:
S1,获得穿过环境空气的光线到达光学传感器形成的图像,进行预处理后得到图像数据;
S2,计算图像中的关键物理量,关联空气污染物浓度和关键物理量进行建模;
S3,通过模型计算空气污染物浓度或确定天气现象。
所述步骤S1中获得图像包括:
架设和布控的光学传感器获得的图像,人群相机、手机、摄像机拍摄的图像,无人机、飞机、卫星搭载光学仪器拍摄的图像,互联网平台、手机移动端收集的图像。
所述步骤一中预处理步骤包括:
筛选符合计算空气污染的图像,进行图像数字化处理,获得图像各像素光学信息数据,建立数据矩阵并进行分类存储。
所述步骤S2中计算图像的关键物理量包括:
通过图像数据提取图像灰度直方图,计算得到灰度直方图特征物理量如能量、均值和方差等;
计算图像整体、局部、目标对象的亮度、饱和度、色调、对比度、信噪比等图像质量指标、或多个图像质量指标的组合物理量;
图像对象目标与光学传感器之间的距离;
光学传感器位置,图像成像时间。
所述步骤S2中的建模包括以下方法但不限于以下方法:
利用图像的关键物理量和观测的污染物浓度联立建立统计方程,得到空气污染物浓度计算模型;
通过训练得到关键物理量与空气污染物浓度的神经网络模型;
同一对象目标和同一位置光学传感器,通过对应时刻的空气无污染图像与空气有污染图像对比,其差值与空气污染物浓度建立统计方程,得到空气污染物浓度计算模型;
基于不同时序的图像,关联对应的空气污染物浓度,建立空气污染物浓度计算模型;
基于支持向量机分析图像关键物理量与天气现象建立天气现象判别模型;
通过其他人工智能方法分析图像并关联空气污染物浓度,建立空气污染物浓度计算模型;
建模过程中,涉及空气污染非先验图像识别问题,各方向、各位置图像计算污染物浓度存在动力关联。
所述步骤S3中的计算污染物浓度的步骤:
通过大量图像和不同方法建立起来的计算模型,利用方差分析等确定一定气象条件、硬件条件下的最优计算模型;
通过误差分析订正模型系统误差;
收集要计算空气污染物浓度的图像,输入到建立的最优计算模型中计算出空气污染物浓度;
收集要判别天气现象的图像,输入到建立的最优计算模型中判别出天气现象。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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。
Claims (10)
1.一种基于图像识别的空气污染观测系统,其特征在于,包括:
图像获取模块,用于获得穿过环境空气的光线到达光学传感器的图像,进行预处理后得到图像数据;
建模模块,用于计算图像中的关键物理量,关联空气污染物浓度和关键物理量进行建模;
计算模块,用于通过模型计算空气污染物浓度或确定天气现象。
2.根据权利要求1所述的基于图像识别的空气污染观测系统,其特征
在于,所述图像获取模块用于通过光学传感器,获得相机、手机、摄像机、扫描仪的图像,或互联网平台收集到与空气污染有关的图像。
3.根据权利要求1所述的基于图像识别的空气污染观测系统,其特征
在于,所述图像获取模块用于筛选符合空气污染计算的图像,进行图像数字化处理,获得图像各像素值或光学信息的数据。
4.根据权利要求1所述的基于图像识别的空气污染观测系统,其特征
在于,所述建模模块用于提取图像灰度直方图,获得灰度直方图特征如能量、均值和方差等关键物理量;计算图像的亮度、饱和度、色调和对比度等关键物理量;利用图像对象的先验特征估算图像对象到传感器的距离或测量图像对象与传感器间的距离。
5.根据权利要求1所述的基于图像识别的空气污染观测系统,其特征
在于,所述建模模块用于:
利用图像的关键物理量和观测的污染物浓度联立建立统计方程,得到空气污染物浓度计算模型;
通过训练得到关键物理量与空气污染物浓度的神经网络模型;
通过空气无污染图像与空气有污染图像对比,其差值与空气污染物浓度建立统计方程,得到空气污染物浓度计算模型;
基于不同时序的图像识别对应不同时刻空气污染物浓度,建立空气污染物浓度计算模型;
基于支持向量机分析图像关键物理量与天气现象建立天气现象判别模型;
通过其他人工智能方法识别图像,图像清晰化前后差异与空气污染物浓度关联,建立空气污染物浓度计算模型;
建模过程中,涉及空气污染非先验图像识别问题,各方向、各位置图像计算污染物浓度存在动力关联。
6.根据权利要求1所述的基于图像识别的空气污染观测系统,其特征
在于,所述计算模块用于收集图像,通过步骤二建立的模式,计算空气污染物浓度;收集图像,通过步骤二建立的模式,判别天气现象。
7.一种基于图像识别的空气污染观测方法,其特征在于,包括以下步
骤:
S1,获得穿过环境空气的光线到达光学传感器的图像,进行预处理后得到图像数据;
S2,计算图像中的关键物理量,关联空气污染物浓度和关键物理量进行建模;
S3,通过模型计算空气污染物浓度或确定天气现象。
8.根据权利要求7所述的基于图像识别的空气污染观测方法,其特征
在于,所述步骤S1中的获得穿过环境空气的光线到达光学传感器的图像包括:
通过光学传感器获得相机、手机、摄像机、扫描仪的图像,或互联网平台收集到与空气污染有关的图像;
所述步骤S1中的预处理包括:
筛选符合空气污染计算的图像,进行图像数字化处理,获得图像各像素值或光学信息的数据。
9.根据权利要求7所述的基于图像识别的空气污染观测方法,其特征
在于,所述步骤S2中的计算图像中的关键物理量包括:
提取图像灰度直方图,获得灰度直方图特征如能量、均值和方差等关键物理量;
计算图像的亮度、饱和度、色调和对比度等关键物理量;
利用图像对象的先验特征估算图像对象到传感器的距离或测量图像对象与传感器间的距离;
所述步骤S2中的建模包括:
利用图像的关键物理量和观测的污染物浓度联立建立统计方程,得到空气污染物浓度计算模型;
通过训练得到关键物理量与空气污染物浓度的神经网络模型;
通过空气无污染图像与空气有污染图像对比,其差值与空气污染物浓度建立统计方程,得到空气污染物浓度计算模型;
基于不同时序的图像识别对应不同时刻空气污染物浓度,建立空气污染物浓度计算模型;
基于支持向量机分析图像关键物理量与天气现象建立天气现象判别模型;
通过其他人工智能方法识别图像,图像清晰化前后差异与空气污染物浓度关联,建立空气污染物浓度计算模型;
建模过程中,涉及空气污染非先验图像识别问题,各方向、各位置图像计算污染物浓度存在动力关联。
10.根据权利要求7所述的基于图像识别的空气污染观测方法,其特
征在于,所述步骤S3包括:
收集图像,通过步骤二建立的模式,计算空气污染物浓度;
收集图像,通过步骤二建立的模式,判别天气现象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392796.5A CN111504912A (zh) | 2020-05-11 | 2020-05-11 | 一种基于图像识别的空气污染观测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392796.5A CN111504912A (zh) | 2020-05-11 | 2020-05-11 | 一种基于图像识别的空气污染观测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111504912A true CN111504912A (zh) | 2020-08-07 |
Family
ID=71876755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010392796.5A Pending CN111504912A (zh) | 2020-05-11 | 2020-05-11 | 一种基于图像识别的空气污染观测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111504912A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023068208A1 (ja) * | 2021-10-20 | 2023-04-27 | 国立研究開発法人情報通信研究機構 | エアロゾル濃度の推測方法及びシステム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903008A (zh) * | 2014-03-26 | 2014-07-02 | 国家电网公司 | 一种基于图像识别输电线路的雾等级的方法以及系统 |
CN104596929A (zh) * | 2013-10-31 | 2015-05-06 | 国际商业机器公司 | 确定空气质量的方法及设备 |
CN106790787A (zh) * | 2016-11-30 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种数码产品以及空气质量检测的方法 |
CN108052980A (zh) * | 2017-12-21 | 2018-05-18 | 南京理工大学 | 基于图像的空气质量等级检测方法 |
CN108681990A (zh) * | 2018-04-04 | 2018-10-19 | 高明合 | 一种实时雾霾预警方法及系统 |
-
2020
- 2020-05-11 CN CN202010392796.5A patent/CN111504912A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104596929A (zh) * | 2013-10-31 | 2015-05-06 | 国际商业机器公司 | 确定空气质量的方法及设备 |
CN103903008A (zh) * | 2014-03-26 | 2014-07-02 | 国家电网公司 | 一种基于图像识别输电线路的雾等级的方法以及系统 |
CN106790787A (zh) * | 2016-11-30 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种数码产品以及空气质量检测的方法 |
CN108052980A (zh) * | 2017-12-21 | 2018-05-18 | 南京理工大学 | 基于图像的空气质量等级检测方法 |
CN108681990A (zh) * | 2018-04-04 | 2018-10-19 | 高明合 | 一种实时雾霾预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
杭琦: "随机森林算法在城市空气质量评价中的应用研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023068208A1 (ja) * | 2021-10-20 | 2023-04-27 | 国立研究開発法人情報通信研究機構 | エアロゾル濃度の推測方法及びシステム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | PM2. 5 concentration estimation using convolutional neural network and gradient boosting machine | |
CN111985365A (zh) | 一种基于目标检测技术的秸秆焚烧监测方法和系统 | |
CN109086803B (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
CN111223087B (zh) | 一种基于生成对抗网络的桥梁裂缝自动检测方法 | |
CN112365467B (zh) | 一种基于单幅图像深度估计的雾天图像能见度估计方法 | |
CN110852164A (zh) | 一种基于YOLOv3的自动检测违章建筑方法及系统 | |
Ma et al. | Image-based air pollution estimation using hybrid convolutional neural network | |
CN109214331A (zh) | 一种基于图像频谱的交通雾霾能见度检测方法 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN111504912A (zh) | 一种基于图像识别的空气污染观测系统及方法 | |
CN112581301B (zh) | 一种基于深度学习的农田残膜残留量的检测预警方法及系统 | |
CN116229286B (zh) | 一种知识驱动的空间目标态势感知方法及系统 | |
CN106407900B (zh) | 基于多源航片的异常场景识别方法 | |
CN109658405B (zh) | 一种农作物实景观测中图像数据质量控制方法及系统 | |
CN116152724A (zh) | 一种基于ai算法的可燃气体泄漏区域检测方法 | |
CN113870150B (zh) | 基于连续多张遥感图像反演航天器低频振动参数的方法 | |
CN115527118A (zh) | 一种融合注意力机制的遥感图像目标检测方法 | |
CN109783973A (zh) | 一种基于图像退化模型的大气能见度计算方法 | |
CN112213244B (zh) | 基于机器学习的机动车尾气林格曼黑度测量装置及方法 | |
CN114998251A (zh) | 一种基于联邦学习的空中多视觉平台地面异常检测方法 | |
CN114399667A (zh) | 一种基于云量特征的全天空云图云量分类方法 | |
Li et al. | Quality assessment of polarization analysis images in foggy conditions | |
CN108154478A (zh) | 一种遥感图像处理方法 | |
Que et al. | Low altitude, slow speed and small size object detection improvement in noise conditions based on mixed training | |
CN111523564A (zh) | 一种用于深度学习训练的sar时敏目标样本增广方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |