CN112308093A - 基于图像识别的空气质量感知方法、模型训练方法及系统 - Google Patents

基于图像识别的空气质量感知方法、模型训练方法及系统 Download PDF

Info

Publication number
CN112308093A
CN112308093A CN202011330418.0A CN202011330418A CN112308093A CN 112308093 A CN112308093 A CN 112308093A CN 202011330418 A CN202011330418 A CN 202011330418A CN 112308093 A CN112308093 A CN 112308093A
Authority
CN
China
Prior art keywords
edge node
image recognition
model
recognition model
air quality
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.)
Granted
Application number
CN202011330418.0A
Other languages
English (en)
Other versions
CN112308093B (zh
Inventor
刘毅
赵瑞辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202011330418.0A priority Critical patent/CN112308093B/zh
Publication of CN112308093A publication Critical patent/CN112308093A/zh
Application granted granted Critical
Publication of CN112308093B publication Critical patent/CN112308093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Abstract

本申请公开了一种基于图像识别的空气质量感知方法、模型训练方法及系统，涉及人工智能技术领域。所述方法包括：第一边缘节点采集目标区域的环境图像，通过图像识别模型对环境图像进行识别，得到第一边缘节点测得的空气质量监测结果，向至少一个第二边缘节点发送结果验证请求；第二边缘节点对第一边缘节点测得的空气质量监测结果进行验证，生成第一边缘节点测得的空气质量监测结果所对应的监测验证结果，向服务器发送监测验证结果；服务器在基于各个第二边缘节点发送的监测验证结果，确定第一边缘节点测得的空气质量监测结果有效的情况下，存储第一边缘节点测得的空气质量监测结果。本申请提升了空气质量监测结果的可信度。

Description

基于图像识别的空气质量感知方法、模型训练方法及系统
技术领域
本申请实施例涉及人工智能技术领域，特别涉及一种基于图像识别的空气质量感知方法、模型训练方法及系统。
背景技术
随着人工智能技术的发展，计算机视觉技术已运用于空气质量监测，通过拍摄得到目标区域的环境图像，然后对该环境图像进行识别得到目标区域的空气质量监测结果。
但是，用于图像识别的设备可能遭受到黑客等非法分子的恶意攻击，攻击者会对数据进行篡改，从而造成监测结果的可信度受到影响。
发明内容
本申请实施例提供了一种基于图像识别的空气质量感知方法、模型训练方法及系统，能够提升空气质量监测结果的可信度。所述技术方案如下：
根据本申请实施例的一个方面，提供了一种基于图像识别的空气质量感知方法，应用于分布式系统中，所述分布式系统包括服务器和多个边缘节点；所述方法包括：
所述多个边缘节点中的第一边缘节点采集目标区域的环境图像；通过图像识别模型对所述环境图像进行识别，得到所述第一边缘节点测得的空气质量监测结果；向所述多个边缘节点中的至少一个第二边缘节点发送结果验证请求，所述结果验证请求用于请求对所述第一边缘节点测得的空气质量监测结果进行验证；
所述第二边缘节点对所述第一边缘节点测得的空气质量监测结果进行验证，生成所述第一边缘节点测得的空气质量监测结果所对应的监测验证结果，所述监测验证结果用于指示所述第一边缘节点测得的空气质量监测结果是否可信；向所述服务器发送所述监测验证结果；
所述服务器在基于各个所述第二边缘节点发送的监测验证结果，确定所述第一边缘节点测得的空气质量监测结果有效的情况下，存储所述第一边缘节点测得的空气质量监测结果。
根据本申请实施例的一个方面，提供了一种用于空气质量感知的模型训练方法，应用于分布式系统中，所述分布式系统包括服务器和多个边缘节点；所述方法包括：
所述服务器从所述多个边缘节点中确定参与模型训练的n个目标边缘节点，所述n为正整数；向所述目标边缘节点发送待训练的图像识别模型，所述图像识别模型用于基于环境图像确定相应的空气质量监测结果；
所述n个目标边缘节点中的第i个目标边缘节点对所述待训练的图像识别模型进行本地训练，得到经所述第i个目标边缘节点本地训练的图像识别模型；向其他目标边缘节点发送模型验证请求，所述模型验证请求用于请求对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，所述i为小于等于所述n的正整数；
所述其他目标边缘节点对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，生成经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，所述模型验证结果用于指示经所述第i个目标边缘节点本地训练的图像识别模型是否可信；向所述服务器发送所述模型验证结果；
所述服务器基于各个所述目标边缘节点发送的模型验证结果，确定可信的图像识别模型；对所述可信的图像识别模型的模型参数进行整合处理，生成所述图像识别模型。
根据本申请实施例的一个方面，提供了一种基于图像识别的空气质量感知系统，所述系统包括服务器和多个边缘节点；
所述多个边缘节点中的第一边缘节点，用于采集目标区域的环境图像；通过图像识别模型对所述环境图像进行识别，得到所述第一边缘节点测得的空气质量监测结果；向所述多个边缘节点中的至少一个第二边缘节点发送结果验证请求，所述结果验证请求用于请求对所述第一边缘节点测得的空气质量监测结果进行验证；
所述第二边缘节点，用于对所述第一边缘节点测得的空气质量监测结果进行验证，生成所述第一边缘节点测得的空气质量监测结果所对应的监测验证结果，所述监测验证结果用于指示所述第一边缘节点测得的空气质量监测结果是否可信；向所述服务器发送所述监测验证结果；
所述服务器，用于在基于各个所述第二边缘节点发送的监测验证结果，确定所述第一边缘节点测得的空气质量监测结果有效的情况下，存储所述第一边缘节点测得的空气质量监测结果。
根据本申请实施例的一个方面，提供了一种用于空气质量感知的模型训练系统，所述系统包括服务器和多个边缘节点；
所述服务器，用于从所述多个边缘节点中确定参与模型训练的n个目标边缘节点，所述n为正整数；向所述目标边缘节点发送待训练的图像识别模型，所述图像识别模型用于基于环境图像确定相应的空气质量监测结果；
所述n个目标边缘节点中的第i个目标边缘节点，用于对所述待训练的图像识别模型进行本地训练，得到经所述第i个目标边缘节点本地训练的图像识别模型；向其他目标边缘节点发送模型验证请求，所述模型验证请求用于请求对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，所述i为小于等于所述n的正整数；
所述其他目标边缘节点，用于对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，生成经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，所述模型验证结果用于指示经所述第i个目标边缘节点本地训练的图像识别模型是否可信；向所述服务器发送所述模型验证结果；
所述服务器，用于基于各个所述目标边缘节点发送的模型验证结果，确定可信的图像识别模型；对所述可信的图像识别模型的模型参数进行整合处理，生成所述图像识别模型。
本申请实施例提供的技术方案可以包括如下有益效果：
通过各个边缘节点之间对空气质量监测结果进行交叉验证，服务器基于各个边缘节点的交叉验证结果，确定出有效、可信的空气质量监测结果进行存储，从而增加了对空气质量监测结果的去中心化的验证机制，即便在边缘节点受到恶意攻击而篡改其测得的空气质量监测结果的情况下，也能够通过上述验证机制对篡改后的监测结果进行辨别，从而提升了空气质量监测结果的可信度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的分布式系统的示意图；
图2是本申请一个实施例提供的基于联邦学习框架设置的分布式系统的示意图；
图3是本申请一个实施例提供的基于图像识别的空气质量感知系统的示意图；
图4是本申请一个实施例提供的基于图像识别的空气质量感知方法的流程图；
图5是本申请一个实施例提供的区块结构的示意图；
图6是本申请一个实施例提供的图像识别模型的结构示意图；
图7是本申请一个实施例提供的用于空气质量感知的模型训练方法的流程图；
图8是本申请一个实施例提供的方案整体流程的示意图；
图9是本申请一个实施例提供的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision，CV)是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition，光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D(3-dimension，三维)技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的计算机视觉和机器学习技术，利用机器学习技术训练图像识别模型，通过该图像识别模型对目标区域的环境图像进行识别，得到该目标区域的空气质量监测结果。
请参考图1，其示出了本申请一个实施例提供的分布式系统的示意图。该分布式系统包括服务器10和多个边缘节点20。
服务器10可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。
边缘节点20可以是无人机，其能够用于采集环境图像，并通过图像识别模型对该环境图像进行识别，得到相应空气质量监测结果。当然，除了无人机之外，边缘节点20还可以是其他具备图像采集和/或图像识别能力的电子设备，如手机、平板电脑、可穿戴设备、智能车载设备、智能传感设备等，本申请实施例对此不作限定。另外，多个边缘节点20可以采用分布式部署的方式，部署在不同区域，且边缘节点20也可以具备移动性，从而采集不同区域的环境图像。
边缘节点20和服务器10之间可以通过网络进行通信。
在示例性实施例中，服务器10可以包括多个，例如用于获取空气质量监测结果的服务器和用于训练图像识别模型的服务器，可以是两个互为独立的服务器。当然，在其他示例中，用于获取空气质量监测结果的服务器和用于训练图像识别模型的服务器也可以是同一服务器，本申请实施例对此不作限定。
请参考图2，其示出了本申请一个实施例提供的基于联邦学习框架设置的分布式系统的示意图。该分布式系统包括服务器10和多个边缘节点20。边缘节点20可以包括处理器21、数据存储器22，数据存储器22用于存储处理器21产生的数据，并根据该数据构建训练数据集，对节点模型23进行本地训练。该节点模型23可以是预先设置的学习模型，也可以是在训练过程中根据服务器10下发的模型参数构建的学习模型。节点模型23根据数据存储器22中存储的训练数据集进行训练，并将训练得出的梯度数据上传至服务器10中。服务器10中包含模型参数存储器11，根据模型参数存储器11中存储的全局模型参数，构建全局模型12，该全局模型12根据各个边缘节点20中上传的各个节点模型训练得出的梯度数据，进行全局模型参数的更新，更新后的全局模型作为训练好的机器学习模型部署在应用场景中。
联邦学习是一种分布式协作学习范式，它允许边缘节点保持数据在本地来协作训练一个全局深度学习模型来达到模型学习和保护隐私的目的。具体来说，该框架通过使用分布式的随机梯度下降算法来迭代和训练全局模型，在每轮迭代t(t∈{1，2，…，T})中，联邦学习的学习过程可以为描述如下步骤。
步骤1，初始化：
所有参与本轮训练的边缘节点发送信息给服务器以表示登记参与联邦学习，服务器去除存在网络故障或者网络不佳的边缘节点。服务器将从所有参与的边缘节点中随机抽取部分边缘节点参加本轮训练，并将预训练(或者初始化)的全局模型wt发送给相应的边缘节点。
步骤2，本地训练：
每个边缘节点收到全局模型wt，并对自己的本地模型
Figure BDA0002795615380000071
进行初始化，其中k表示边缘节点的数目，初始化过程为
Figure BDA0002795615380000072
然后，边缘节点开始使用自己的本地数据集Dk进行训练，其中数据集的大小为|Dk|，由训练数据集，即输入-输出对(xi，yi)组成，本地训练需要优化的损失函数定义如下：
Figure BDA0002795615380000073
其中，ω是指模型的参数，fi(ω)是指本地损失函数(例如
Figure BDA0002795615380000074
)，Fk(ω)收敛之后可以更新本地模型
Figure BDA0002795615380000075
如下：
Figure BDA0002795615380000076
其中，η为模型的学习率，
Figure BDA0002795615380000077
为对权值的求导即梯度。
步骤3，模型更新聚合：
边缘节点进行本地训练之后将自己的本地模型更新上传给服务器，服务器对收到的本地模型更新执行聚合操作得到新的全局模型wt+1，其定义如下：
Figure BDA0002795615380000078
上述三个步骤周而复始，直至全局模型达到收敛。值得注意的是，整个过程中边缘节点的本地数据集保留在本地并未分享或者泄露给服务器。
如图3所示，其示出了一种基于图像识别的空气质量感知系统的示意图，该系统可以基于联邦学习框架实现对图像识别模型的训练。该系统可以包括空中感知系统和地面感知系统。其中，空中感知系统中可以包括云服务器30和多个无人机40。该多个无人机40可以属于不同的机构，例如位于图3中云服务器30左右两侧的无人机40分别为两个无人机群，左侧的无人机群属于机构A，右侧的无人机群属于机构B，这两个不同机构的无人机群可以协作训练用于空气质量监测的图像识别模型而无需共享原始数据，从而在保护机构的数据隐私的同时，极大地提高了传感范围。另外，无人机40可以停留在不同高度，以不同的角度收集不同区域的环境图像，并可以通过无线通信与云服务器30进行通信。无人机40可以配置有摄像头，但不需要携带其他额外的用于空气质量监测的传感器，从而延长飞行时间。另外，地面感知系统中可以包括多个监测节点(如传感器)，从而采集精确的空气质量监测结果，为图像识别模型的训练提供可靠的训练样本标签数据。
请参考图4，其示出了本申请一个实施例提供的基于图像识别的空气质量感知方法的流程图。该方法可应用于图1所示的分布式系统中。该方法可以包括如下几个步骤(401～406)：
步骤401，多个边缘节点中的第一边缘节点采集目标区域的环境图像。
例如，在边缘节点是无人机的情况下，可以通过无人机在目标区域的上空飞行，对该目标区域的环境进行航拍，得到该目标区域的环境图像。由于环境图像中记录了环境中的光照情况，而光照情况是受到空气质量影响的，如环境光会被空气中的分子、杂质、颗粒物等物体散射后到达摄像头，因此对环境图像进行识别，能够得到与空气质量相关的信息。例如，空气质量越差，空气中分子、杂质、颗粒物等物体越多，环境光经过上述物体散射后衰减越厉害，因此到达摄像头的环境光强度就越低。所以，通过对该环境图像进行识别，提取与光照情况相关的有用特征，即可识别出空气质量。可选地，该环境图像也可以称为雾度图像。
步骤402，第一边缘节点通过图像识别模型对环境图像进行识别，得到第一边缘节点测得的空气质量监测结果。
图像识别模型是用于对环境图像进行识别，得到相应的空气质量监测结果的机器学习模型。该图像识别模型可以由神经网络(如CNN(Convolutional Neural Network，卷积神经网络))构建得到，并通过相关的机器学习技术进行训练，有关该图像识别模型的结构和训练过程，将在下文实施例中进行介绍说明。
空气质量监测结果是指能够反映空气质量的一项或者多项指标数据，例如空气质量监测结果可以包括AQI(Air Quality Index，空气质量指数)。AQI描述了空气清洁或者污染的程度，以及对健康的影响。当然，空气质量监测结果还可以是其他能够对空气质量进行定量描述的指标数据，本申请实施例对此不作限定。
在示例性实施例中，图像识别模型能够从环境图像中提取与光照情况相关的至少一个图像特征，然后基于该至少一个图像特征确定出空气质量监测结果。可选地，上述至少一个图像特征包括但不限于以下至少一项：暗通道特征、深度映射特征、蓝通道特征、对比度特征、图像熵特征、平滑度特征。
步骤403，第一边缘节点向多个边缘节点中的至少一个第二边缘节点发送结果验证请求，该结果验证请求用于请求对第一边缘节点测得的空气质量监测结果进行验证。
可选地，第一边缘节点向第二边缘节点发送的结果验证请求中包括第一边缘节点测得的空气质量监测结果，可选地还包括上述目标区域的标识信息和/或第一边缘节点采集的上述环境图像。
步骤404，第二边缘节点对第一边缘节点测得的空气质量监测结果进行验证，生成第一边缘节点测得的空气质量监测结果所对应的监测验证结果，该监测验证结果用于指示第一边缘节点测得的空气质量监测结果是否可信。
可选地，本步骤包括如下几个子步骤：
1、第二边缘节点获取目标区域的空气质量监测结果；
第二边缘节点可以通过以下任意一种方式或者多种方式的组合，以获取目标区域的空气质量监测结果：
(1)第二边缘节点采集目标区域的环境图像，通过图像识别模型对自身采集的环境图像进行识别，得到目标区域的空气质量监测结果。例如，第二边缘节点可以目标区域的标识信息和/或第一边缘节点采集的上述环境图像，确定目标区域的位置，然后拍摄得到该目标区域的环境图像进行识别。
(2)第二边缘节点从互联网或者接口服务器获取目标区域的空气质量监测结果。例如，目标区域的空气质量监测结果可以通过传感器或者其他方式测得，并发布至互联网或者相关的接口服务器中，第二边缘节点可以从上述渠道获取目标区域的空气质量监测结果。
2、第二边缘节点将第一边缘节点测得的空气质量监测结果，与第二边缘节点获取的空气质量监测结果进行比对；
例如，第二边缘节点可以比对上述两个空气质量监测结果是否相同，或者比对上述两个空气质量监测结果的差值。
3、第二边缘节点基于比对结果，生成第一边缘节点测得的空气质量监测结果所对应的监测验证结果。
例如，如果上述两个空气质量监测结果相同或者差值在设定范围之内，则确定第一边缘节点测得的空气质量监测结果可信；如果上述两个空气质量监测结果不同或者差值不在设定范围之内，则确定第一边缘节点测得的空气质量监测结果不可信。
步骤405，第二边缘节点向服务器发送监测验证结果。
可选地，第二边缘节点将第一边缘节点测得的空气质量监测结果和对应的监测验证结果一并发送给服务器。
步骤406，服务器在基于各个第二边缘节点发送的监测验证结果，确定第一边缘节点测得的空气质量监测结果有效的情况下，存储第一边缘节点测得的空气质量监测结果。
可选地，服务器统计针对第一边缘节点测得的空气质量监测结果的监测验证结果为可信的数量占比；若该数量占比大于智能合约中规定的第一门限值，则服务器确定第一边缘节点测得的空气质量监测结果有效。
例如，存在8个第二边缘节点分别对第一边缘节点测得的空气质量监测结果进行了验证，其中7个第二边缘节点向服务器上报的监测验证结果为可信，另外1个第二边缘节点向服务器上报的监测验证结果为不可信，那么监测验证结果为可信的数量占比为7/8。另外，上述第一门限值可以预先规定，如第一门限值为2/3，本申请实施例对此不作限定。
智能合约是一种旨在以信息化方式传播、验证或执行合同的计算机协议。智能合约允许在没有第三方的情况下进行可信交易，这些交易可追踪且不可逆转。可选地，智能合约用于定义服务器的相关操作和/或服务器处理时用到的相关数据，如第一门限值等，本申请实施例对此不作限定。
可选地，服务器在确定需要存储第一边缘节点测得的空气质量监测结果的情况下，在区块链中添加目标区块，该目标区块中包括第一边缘节点测得的空气质量监测结果。区块链从本质上讲是一个共享数据库，存储于其中的数据或信息，具有不可伪造、全程留痕、可以追溯、公开透明、集体维护等特征。
请参考图5，其示出了本申请一个实施例提供的区块结构一个可选的示意图。如图5所示，区块链500由多个区块501组成，创始块中包括区块头和区块主体，区块头中存储有输入信息特征值、版本号、时间戳和难度值，区块主体中存储有输入信息；创始块的下一区块以创始块为父区块，下一区块中同样包括区块头和区块主体，区块头中存储有当前区块的输入信息特征值、父区块的区块头特征值、版本号、时间戳和难度值，并以此类推，使得区块链中每个区块中存储的区块数据均与父区块中存储的区块数据存在关联，保证了区块中输入信息的安全性。
综上所述，本申请实施例提供的技术方案，通过各个边缘节点之间对空气质量监测结果进行交叉验证，服务器基于各个边缘节点的交叉验证结果，确定出有效、可信的空气质量监测结果进行存储，从而增加了对空气质量监测结果的去中心化的验证机制，即便在边缘节点受到恶意攻击而篡改其测得的空气质量监测结果的情况下，也能够通过上述验证机制对篡改后的监测结果进行辨别，从而提升了空气质量监测结果的可信度。
下面，通过实施例对本申请涉及的图像识别模型的结构及其训练过程进行介绍说明。请参考图6，其示出了本申请一个实施例提供的图像识别模型的结构示意图。该图像识别模型包括输入层61、特征提取层62、多个特征传递学习层63、特征映射层64和输出层65。
输入层61用于输入待识别的环境图像。
可选地，为了减少图像识别模型的计算量，可以对待识别的环境图像进行预处理，将该预处理后的环境图像输入至图像识别模型的输入层61进行后续的图像识别处理。可选地，预处理可以包括：先将待识别的环境图像调整为固定尺寸(如128×128像素)，然后将尺寸调整后的环境图像从彩色图像转换为灰度图像，然后进一步将该灰度图像转换为二进制图像。
特征提取层62用于对环境图像进行特征提取处理，得到环境图像的图像特征信息。
可选地，图像特征信息包括但不限于以下至少一项：暗通道特征、深度映射特征、蓝通道特征、对比度特征、图像熵特征、平滑度特征。特征提取层62可以包括一个或者多个神经网络，每个神经网络可用于提取一种图像特征信息。
可选地，特征提取层62提取得到的每一种图像特征信息，可以采用一个固定尺寸的特征图像表示，该特征图像中目标像素的像素值即为该目标像素对应位置处的图像特征信息。可选地，该特征图像可以进行归一化处理，即将像素值归一化至区间[0,1]，从而简化后续特征传递学习处理时的计算量。另外，为了进一步减少计算量，与空气质量识别无关的图像区域的像素值可以设置为0。
示例性地，假设固定尺寸为128×128像素，且提取了上述6种图像特征信息，那么可以得到一个尺寸为128×128×6的特征向量。
多个特征传递学习层63用于对图像特征信息进行特征传递学习处理，得到编码特征向量。
在本申请实施例中，在进行特征传递学习处理的过程中，第1个特征传递学习层的输入包括特征提取层输出的图像特征信息，第k个特征传递学习层的输入包括前k-1个特征传递学习层输出的特征向量，k为大于1的整数。例如，图像识别模型包括4个特征传递学习层，第1个特征传递学习层的输入包括特征提取层输出的图像特征信息，第2个特征传递学习层的输入包括第1个特征传递学习层输出的特征向量，第3个特征传递学习层的输入包括第1个和第2个特征传递学习层输出的特征向量，第4个特征传递学习层的输入包括第1个、第2个和第3个特征传递学习层输出的特征向量。通过上述方式，将特征信息在各个特征传递学习层之间进行复用，能够使用较少的层度，达到较佳的特征提取效果，从而减少了模型的参数量。
特征映射层64用于对编码特征向量进行特征映射处理，得到映射后特征向量。
特征映射层64可以包括池化层和全连接层，池化层用于对编码特征向量进行池化处理(如平均池化处理)，以减少数据量，然后全连接层将经池化处理后的编码特征向量映射到输出层65的各个分类中，从而得到空气质量监测结果。
输出层65用于基于映射后特征向量，输出第一边缘节点测得的空气质量监测结果。
请参考图7，其示出了本申请一个实施例提供的用于空气质量感知的模型训练方法的流程图。该方法可应用于图1所示的分布式系统中。该方法可以包括如下几个步骤(701～708)：
步骤701，服务器从多个边缘节点中确定参与模型训练的n个目标边缘节点，n为正整数。
例如，服务器可以基于各个边缘节点的工作状态、网络状态、信誉度等信息，从多个边缘节点中确定参与模型训练的n个目标边缘节点。例如，服务器可以选择正在工作、网络质量较佳且信誉度较高的边缘节点，作为参与模型训练的目标边缘节点。可选地，目标边缘节点的数量为多个，从而实现采用联邦学习对图像识别模型进行训练。
需要说明的是，针对图像识别模型的训练过程可以包括多轮，每一轮训练过程可以重复执行这里的步骤701～708所述流程，且任意两轮训练过程选取的目标边缘节点可以相同，也可以不同，本申请实施例对此不作限定。
步骤702，服务器向目标边缘节点发送待训练的图像识别模型，图像识别模型用于基于环境图像确定相应的空气质量监测结果。
该待训练的图像识别模型可以是初始化的图像识别模型，也可以是上一轮训练过程得到的图像识别模型。其中，初始化的图像识别模型可以是未经过任何训练的图像识别模型，也可以是经过预训练的图像识别模型，本申请实施例对此不作限定。
可选地，服务器可以将待训练的图像识别模型的模型参数发送给各个目标边缘节点，以便目标边缘节点可以基于上述模型参数，构建出待训练的图像识别模型。
步骤703，n个目标边缘节点中的第i个目标边缘节点对待训练的图像识别模型进行本地训练，得到经第i个目标边缘节点本地训练的图像识别模型，i为小于等于n的正整数。
每个目标边缘节点分别对待训练的图像识别模型进行本地训练。可选地，每个目标边缘节点可以构建本地的训练样本集，该训练样本集中包括多个训练样本，每个训练样本的样本数据可以包括一张环境图像样本，相应地，该训练样本的标签数据可以是该环境图像样本对应的空气质量监测结果的真实值。上述训练样本可以从历史已采集的环境图像和相应的空气质量监测结果中获得，该空气质量监测结果可以通过传感器等手段采集得到。
步骤704，第i个目标边缘节点向其他目标边缘节点发送模型验证请求，该模型验证请求用于请求对经第i个目标边缘节点本地训练的图像识别模型进行验证。
可选地，第i个目标边缘节点发送的模型验证请求中包括经第i个目标边缘节点本地训练的图像识别模型，如模型参数。
步骤705，其他目标边缘节点对经第i个目标边缘节点本地训练的图像识别模型进行验证，生成经第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，该模型验证结果用于指示经第i个目标边缘节点本地训练的图像识别模型是否可信。
可选地，本步骤包括如下几个子步骤：
1、其他目标边缘节点将经第i个目标边缘节点本地训练的图像识别模型，与经其他目标边缘节点本地训练的图像识别模型进行比对；
2、若两者的模型参数差异符合设定条件，则确定经第i个目标边缘节点本地训练的图像识别模型是可信的；
3、若两者的模型参数差异不符合设定条件，则确定经第i个目标边缘节点本地训练的图像识别模型是不可信的。
例如，通过比对，可以得到用于衡量两者的模型参数差异的指标，如差值均值、差值和等指标。如果该指标属于设定取值范围，如差值均值小于设定阈值，则说明两者本地训练得出的模型差异程度较小，这是较为合理的，因此确定经第i个目标边缘节点本地训练的图像识别模型是可信的，否则确定其是不可信的。
步骤706，其他目标边缘节点向服务器发送模型验证结果。
可选地，其他目标边缘节点将经第i个目标边缘节点本地训练的图像识别模型和对应的模型验证结果一并发送给服务器。
步骤707，服务器基于各个目标边缘节点发送的模型验证结果，确定可信的图像识别模型。
可选地，对于经第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，服务器统计针对该模型的模型验证结果为可信的数量占比；若该数量占比大于智能合约中规定的第二门限值，则服务器确定经第i个目标边缘节点本地训练的图像识别模型属于可信的图像识别模型。
例如，总共有11个目标边缘节点，对于经第1个目标边缘节点本地训练的图像识别模型，其他10个目标边缘节点对其进行了验证，其中8个目标边缘节点向服务器上报的模型验证结果为可信，另外2个目标边缘节点向服务器上报的模型验证结果为不可信，那么模型验证结果为可信的数量占比为8/10。另外，上述第二门限值可以预先规定，如第二门限值为2/3或4/5等，本申请实施例对此不作限定。
另外，在本申请实施例中，上述第二门限值也可以在智能合约中进行定义。
步骤708，服务器对可信的图像识别模型的模型参数进行整合处理，生成图像识别模型。
仍然以上述例子为例，总共11个目标边缘节点分别向服务器上报了除自身之外的其他10个目标边缘节点训练出的图像识别模型的模型验证结果，假设服务器从中确定出有9个属于可信，另外2个属于不可信，那么服务器对该9个可信的图像识别模型的模型参数进行整合处理，生成最终的图像识别模型。例如，可以对该9个可信的图像识别模型的模型参数进行求平均处理或者加权求平均处理，得到最终的图像识别模型的模型参数。
综上所述，本申请实施例提供的技术方案，通过各个边缘节点之间对模型参数进行交叉验证，服务器基于各个边缘节点的交叉验证结果，确定出可信的图像识别模型，进而对该可信的图像识别模型的模型参数进行整合处理，生成最终的图像识别模型，提供了一种对模型参数的去中心化的验证机制，即便在边缘节点生成的模型数据不可信的情况下，也能够通过上述验证机制对不可信的模型数据进行辨别，从而提升了最终得到的图像识别模型的准确性和可靠性。
在示例性实施例中，服务器基于对各个边缘节点的可信度验证结果，确定各个边缘节点的信誉度评分；其中，该信誉度评分用于指导空气质量监测结果的采集和/或图像识别模型的训练。
例如，如果某个边缘节点上报的空气质量监测结果被服务器最终判定为可信，那么增加该边缘节点的信誉度评分；如果某个边缘节点上报的空气质量监测结果被服务器最终判定为不可信，那么减少该边缘节点的信誉度评分。又例如，如果某个边缘节点上报的经本地训练的图像识别模型被服务器最终判定为可信，那么增加该边缘节点的信誉度评分；如果某个边缘节点上报的经本地训练的图像识别模型被服务器最终判定为不可信，那么减少该边缘节点的信誉度评分。有关信誉度评分的计算方法可以灵活设定，其只要与可信度验证结果相关即可，本申请实施例对此不作限定。
对于信誉度评分小于评分阈值的边缘节点，在空气质量监测结果的采集过程中，可以不使用该边缘节点进行采集或者不使用该边缘节点采集的空气质量监测结果；在图像识别模型的训练过程中，可以不使用该边缘节点参与模型训练或者不使用该边缘节点本地训练得到的模型参数。
通过上述方式，实现了对各个边缘节点进行信誉度评价，从而淘汰掉信誉度较低的边缘节点，保留信誉度较高的边缘节点，有助于提升整个系统的安全性和产出数据的可靠性。
请参考图8，其示出了本申请一个实施例提供的方案整体流程的示意图。以AQI监测为例，AQI监测方可以向云服务器发布AQI监测任务，并在云服务器中创建智能合约，该智能合约中可以记录相关的任务信息以及处理时用到的相关数据(如初始化的图像识别模型的模型参数)。云服务器可以将该智能合约发布至区块链中，并向多个边缘节点(如无人机)下发模型训练任务。边缘节点可以从区块链中下载获取智能合约，包括初始化的图像识别模型的模型参数，然后对该图像识别模型进行本地训练，将训练得到的梯度信息存储至区块链中，该梯度信息用于更新模型参数。另外，各个边缘节点之间可以对模型参数进行交叉验证，并将模型验证结果发布至区块链。云服务器可以从区块链中获取各个边缘节点上传的梯度信息，以及相应的模型验证结果，并从中确定出可信的图像识别模型，然后对该可信的图像识别模型的模型参数进行整合处理，生成完成训练的图像识别模型。之后，边缘节点可以采用该完成训练的图像识别模型，对采集到的环境图像进行识别，得到相应的AQI监测结果。当然，AQI监测结果也可以进行交叉验证和上链存储，这在上文实施例中已经介绍说明，此处不再赘述。
下述为本申请系统实施例，可以用于执行本申请方法实施例。对于本申请系统实施例中未披露的细节，请参照本申请方法实施例。
本申请一示例性实施例提供了一种基于图像识别的空气质量感知系统，所述系统可以是图1所述的分布式系统，所述系统包括服务器和多个边缘节点。
所述多个边缘节点中的第一边缘节点，用于采集目标区域的环境图像；通过图像识别模型对所述环境图像进行识别，得到所述第一边缘节点测得的空气质量监测结果；向所述多个边缘节点中的至少一个第二边缘节点发送结果验证请求，所述结果验证请求用于请求对所述第一边缘节点测得的空气质量监测结果进行验证。
所述第二边缘节点，用于对所述第一边缘节点测得的空气质量监测结果进行验证，生成所述第一边缘节点测得的空气质量监测结果所对应的监测验证结果，所述监测验证结果用于指示所述第一边缘节点测得的空气质量监测结果是否可信；向所述服务器发送所述监测验证结果。
所述服务器，用于在基于各个所述第二边缘节点发送的监测验证结果，确定所述第一边缘节点测得的空气质量监测结果有效的情况下，存储所述第一边缘节点测得的空气质量监测结果。
在示例性实施例中，所述第二边缘节点用于：
获取所述目标区域的空气质量监测结果；
将所述第一边缘节点测得的空气质量监测结果，与所述第二边缘节点获取的空气质量监测结果进行比对；
基于比对结果，生成所述第一边缘节点测得的空气质量监测结果所对应的监测验证结果。
在示例性实施例中，所述服务器还用于统计针对所述第一边缘节点测得的空气质量监测结果的监测验证结果为可信的数量占比；若所述数量占比大于智能合约中规定的第一门限值，则确定所述第一边缘节点测得的空气质量监测结果有效。
在示例性实施例中，所述图像识别模型包括输入层、特征提取层、多个特征传递学习层、特征映射层和输出层；所述第一边缘节点用于：
通过所述特征提取层对所述输入层输入的所述环境图像进行特征提取处理，得到所述环境图像的图像特征信息；
通过所述多个特征传递学习层对所述图像特征信息进行特征传递学习处理，得到编码特征向量；
通过所述特征映射层对所述编码特征向量进行特征映射处理，得到映射后特征向量；
通过所述输出层基于所述映射后特征向量，输出所述第一边缘节点测得的空气质量监测结果。
在示例性实施例中，所述图像识别模型的训练过程如下：
所述服务器，用于从所述多个边缘节点中确定参与模型训练的n个目标边缘节点，所述n为正整数；向所述目标边缘节点发送待训练的图像识别模型；
所述n个目标边缘节点中的第i个目标边缘节点，用于对所述待训练的图像识别模型进行本地训练，得到经所述第i个目标边缘节点本地训练的图像识别模型；向其他目标边缘节点发送模型验证请求，所述模型验证请求用于请求对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，所述i为小于等于所述n的正整数；
所述其他目标边缘节点，用于对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，生成经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，所述模型验证结果用于指示经所述第i个目标边缘节点本地训练的图像识别模型是否可信；向所述服务器发送所述模型验证结果；
所述服务器，用于基于各个所述目标边缘节点发送的模型验证结果，确定可信的图像识别模型；对所述可信的图像识别模型的模型参数进行整合处理，生成所述图像识别模型。
在示例性实施例中，所述其他目标边缘节点用于：
将经所述第i个目标边缘节点本地训练的图像识别模型，与经所述其他目标边缘节点本地训练的图像识别模型进行比对；
若两者的模型参数差异符合设定条件，则确定经所述第i个目标边缘节点本地训练的图像识别模型是可信的；
若两者的模型参数差异不符合设定条件，则确定经所述第i个目标边缘节点本地训练的图像识别模型是不可信的。
在示例性实施例中，所述服务器用于对于经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，统计针对经所述第i个目标边缘节点本地训练的图像识别模型的模型验证结果为可信的数量占比；若所述数量占比大于智能合约中规定的第二门限值，则确定经所述第i个目标边缘节点本地训练的图像识别模型属于所述可信的图像识别模型。
在示例性实施例中，所述服务器用于在区块链中添加目标区块，所述目标区块中包括所述第一边缘节点测得的空气质量监测结果。
在示例性实施例中，所述服务器用于基于对各个所述边缘节点的可信度验证结果，确定各个所述边缘节点的信誉度评分；其中，所述信誉度评分用于指导所述空气质量监测结果的采集和/或所述图像识别模型的训练。
本申请一示例性实施例提供了一种用于空气质量感知的模型训练系统，所述系统可以是图1所述的分布式系统，所述系统包括服务器和多个边缘节点。
所述服务器，用于从所述多个边缘节点中确定参与模型训练的n个目标边缘节点，所述n为正整数；向所述目标边缘节点发送待训练的图像识别模型，所述图像识别模型用于基于环境图像确定相应的空气质量监测结果。
所述n个目标边缘节点中的第i个目标边缘节点，用于对所述待训练的图像识别模型进行本地训练，得到经所述第i个目标边缘节点本地训练的图像识别模型；向其他目标边缘节点发送模型验证请求，所述模型验证请求用于请求对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，所述i为小于等于所述n的正整数。
所述其他目标边缘节点，用于对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，生成经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，所述模型验证结果用于指示经所述第i个目标边缘节点本地训练的图像识别模型是否可信；向所述服务器发送所述模型验证结果；
所述服务器，用于基于各个所述目标边缘节点发送的模型验证结果，确定可信的图像识别模型；对所述可信的图像识别模型的模型参数进行整合处理，生成所述图像识别模型。
在示例性实施例中，所述其他目标边缘节点用于：
将经所述第i个目标边缘节点本地训练的图像识别模型，与经所述其他目标边缘节点本地训练的图像识别模型进行比对；
若两者的模型参数差异符合设定条件，则确定经所述第i个目标边缘节点本地训练的图像识别模型是可信的；
若两者的模型参数差异不符合设定条件，则确定经所述第i个目标边缘节点本地训练的图像识别模型是不可信的。
在示例性实施例中，所述服务器用于对于经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，统计针对经所述第i个目标边缘节点本地训练的图像识别模型的模型验证结果为可信的数量占比；若所述数量占比大于智能合约中规定的第二门限值，则确定经所述第i个目标边缘节点本地训练的图像识别模型属于所述可信的图像识别模型。
在示例性实施例中，所述图像识别模型包括输入层、特征提取层、多个特征传递学习层、特征映射层和输出层；
所述输入层，用于输入待识别的所述环境图像；
所述特征提取层，用于对所述环境图像进行特征提取处理，得到所述环境图像的图像特征信息；
所述多个特征传递学习层，用于对所述图像特征信息进行特征传递学习处理，得到编码特征向量；
所述特征映射层，用于对所述编码特征向量进行特征映射处理，得到映射后特征向量；
所述输出层，用于基于所述映射后特征向量，输出所述第一边缘节点测得的空气质量监测结果。
请参考图9，其示出了本申请一个实施例提供的计算机设备900的结构框图。该计算机设备900可以是上文介绍的边缘节点或服务器，用于实施上述实施例中提供的基于图像识别的空气质量感知方法，或者用于空气质量感知的模型训练方法。
通常，计算机设备900包括有：处理器901和存储器902。
处理器901可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器901可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(FieldProgrammable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器901也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器901可以集成有GPU(Graphics Processing Unit，图像处理器)或其他处理器，本申请实施例对此不作限定。
存储器902可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器902还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器902中的非暂态的计算机可读存储介质用于存储计算机程序，且该计算机程序经配置以由一个或者一个以上处理器执行，以实现上述方法。
在一些实施例中，计算机设备900还可选包括有：外围设备接口903和至少一个外围设备。处理器901、存储器902和外围设备接口903之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口903相连。
本领域技术人员可以理解，图9中示出的结构并不构成对计算机设备900的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
在示例性实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述基于图像识别的空气质量感知方法，或者实现上述用于空气质量感知的模型训练方法。
在一个示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集在被处理器执行时以实现上述基于图像识别的空气质量感知方法，或者实现上述用于空气质量感知的模型训练方法。
可选地，该计算机可读存储介质可以包括：ROM(Read-Only Memory，只读存储器)、RAM(Random-Access Memory，随机存储器)、SSD(Solid State Drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括ReRAM(Resistance Random Access Memory，电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory，动态随机存取存储器)。
在一个示例性实施例中，还提供了一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从所述计算机可读存储介质中读取所述计算机指令，所述处理器执行所述计算机指令，使得所述计算机设备执行上述基于图像识别的空气质量感知方法，或者执行上述用于空气质量感知的模型训练方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种基于图像识别的空气质量感知方法，其特征在于，应用于分布式系统中，所述分布式系统包括服务器和多个边缘节点；所述方法包括：
所述多个边缘节点中的第一边缘节点采集目标区域的环境图像；通过图像识别模型对所述环境图像进行识别，得到所述第一边缘节点测得的空气质量监测结果；向所述多个边缘节点中的至少一个第二边缘节点发送结果验证请求，所述结果验证请求用于请求对所述第一边缘节点测得的空气质量监测结果进行验证；
所述第二边缘节点对所述第一边缘节点测得的空气质量监测结果进行验证，生成所述第一边缘节点测得的空气质量监测结果所对应的监测验证结果，所述监测验证结果用于指示所述第一边缘节点测得的空气质量监测结果是否可信；向所述服务器发送所述监测验证结果；
所述服务器在基于各个所述第二边缘节点发送的监测验证结果，确定所述第一边缘节点测得的空气质量监测结果有效的情况下，存储所述第一边缘节点测得的空气质量监测结果。
2.根据权利要求1所述的方法，其特征在于，所述第二边缘节点对所述第一边缘节点测得的空气质量监测结果进行验证，生成所述第一边缘节点测得的空气质量监测结果所对应的监测验证结果，包括：
所述第二边缘节点获取所述目标区域的空气质量监测结果；
所述第二边缘节点将所述第一边缘节点测得的空气质量监测结果，与所述第二边缘节点获取的空气质量监测结果进行比对；
所述第二边缘节点基于比对结果，生成所述第一边缘节点测得的空气质量监测结果所对应的监测验证结果。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
所述服务器统计针对所述第一边缘节点测得的空气质量监测结果的监测验证结果为可信的数量占比；
若所述数量占比大于智能合约中规定的第一门限值，则所述服务器确定所述第一边缘节点测得的空气质量监测结果有效。
4.根据权利要求1所述的方法，其特征在于，所述图像识别模型包括输入层、特征提取层、多个特征传递学习层、特征映射层和输出层；
所述第一边缘节点通过图像识别模型对所述环境图像进行识别，得到所述第一边缘节点测得的空气质量监测结果，包括：
所述第一边缘节点通过所述特征提取层对所述输入层输入的所述环境图像进行特征提取处理，得到所述环境图像的图像特征信息；
所述第一边缘节点通过所述多个特征传递学习层对所述图像特征信息进行特征传递学习处理，得到编码特征向量；
所述第一边缘节点通过所述特征映射层对所述编码特征向量进行特征映射处理，得到映射后特征向量；
所述第一边缘节点通过所述输出层基于所述映射后特征向量，输出所述第一边缘节点测得的空气质量监测结果。
5.根据权利要求1所述的方法，其特征在于，所述图像识别模型的训练过程如下：
所述服务器从所述多个边缘节点中确定参与模型训练的n个目标边缘节点，所述n为正整数；向所述目标边缘节点发送待训练的图像识别模型；
所述n个目标边缘节点中的第i个目标边缘节点对所述待训练的图像识别模型进行本地训练，得到经所述第i个目标边缘节点本地训练的图像识别模型；向其他目标边缘节点发送模型验证请求，所述模型验证请求用于请求对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，所述i为小于等于所述n的正整数；
所述其他目标边缘节点对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，生成经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，所述模型验证结果用于指示经所述第i个目标边缘节点本地训练的图像识别模型是否可信；向所述服务器发送所述模型验证结果；
所述服务器基于各个所述目标边缘节点发送的模型验证结果，确定可信的图像识别模型；对所述可信的图像识别模型的模型参数进行整合处理，生成所述图像识别模型。
6.根据权利要求5所述的方法，其特征在于，所述其他目标边缘节点对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，生成经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，包括：
所述其他目标边缘节点将经所述第i个目标边缘节点本地训练的图像识别模型，与经所述其他目标边缘节点本地训练的图像识别模型进行比对；
若两者的模型参数差异符合设定条件，则确定经所述第i个目标边缘节点本地训练的图像识别模型是可信的；
若两者的模型参数差异不符合设定条件，则确定经所述第i个目标边缘节点本地训练的图像识别模型是不可信的。
7.根据权利要求5所述的方法，其特征在于，所述服务器基于各个所述目标边缘节点发送的模型验证结果，确定可信的图像识别模型，包括：
对于经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，所述服务器统计针对经所述第i个目标边缘节点本地训练的图像识别模型的模型验证结果为可信的数量占比；
若所述数量占比大于智能合约中规定的第二门限值，则所述服务器确定经所述第i个目标边缘节点本地训练的图像识别模型属于所述可信的图像识别模型。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述服务器存储所述第一边缘节点测得的空气质量监测结果，包括：
所述服务器在区块链中添加目标区块，所述目标区块中包括所述第一边缘节点测得的空气质量监测结果。
9.根据权利要求1至7任一项所述的方法，其特征在于，所述方法还包括：
所述服务器基于对各个所述边缘节点的可信度验证结果，确定各个所述边缘节点的信誉度评分；其中，所述信誉度评分用于指导所述空气质量监测结果的采集和/或所述图像识别模型的训练。
10.一种用于空气质量感知的模型训练方法，其特征在于，应用于分布式系统中，所述分布式系统包括服务器和多个边缘节点；所述方法包括：
所述服务器从所述多个边缘节点中确定参与模型训练的n个目标边缘节点，所述n为正整数；向所述目标边缘节点发送待训练的图像识别模型，所述图像识别模型用于基于环境图像确定相应的空气质量监测结果；
所述n个目标边缘节点中的第i个目标边缘节点对所述待训练的图像识别模型进行本地训练，得到经所述第i个目标边缘节点本地训练的图像识别模型；向其他目标边缘节点发送模型验证请求，所述模型验证请求用于请求对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，所述i为小于等于所述n的正整数；
所述其他目标边缘节点对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，生成经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，所述模型验证结果用于指示经所述第i个目标边缘节点本地训练的图像识别模型是否可信；向所述服务器发送所述模型验证结果；
所述服务器基于各个所述目标边缘节点发送的模型验证结果，确定可信的图像识别模型；对所述可信的图像识别模型的模型参数进行整合处理，生成所述图像识别模型。
11.根据权利要求10所述的方法，其特征在于，所述其他目标边缘节点对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，生成经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，包括：
所述其他目标边缘节点将经所述第i个目标边缘节点本地训练的图像识别模型，与经所述其他目标边缘节点本地训练的图像识别模型进行比对；
若两者的模型参数差异符合设定条件，则确定经所述第i个目标边缘节点本地训练的图像识别模型是可信的；
若两者的模型参数差异不符合设定条件，则确定经所述第i个目标边缘节点本地训练的图像识别模型是不可信的。
12.根据权利要求10所述的方法，其特征在于，所述服务器基于各个所述目标边缘节点发送的模型验证结果，确定可信的图像识别模型，包括：
对于经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，所述服务器统计针对经所述第i个目标边缘节点本地训练的图像识别模型的模型验证结果为可信的数量占比；
若所述数量占比大于智能合约中规定的第二门限值，则所述服务器确定经所述第i个目标边缘节点本地训练的图像识别模型属于所述可信的图像识别模型。
13.根据权利要求10至12任一项所述的方法，其特征在于，所述图像识别模型包括输入层、特征提取层、多个特征传递学习层、特征映射层和输出层；
所述输入层，用于输入待识别的所述环境图像；
所述特征提取层，用于对所述环境图像进行特征提取处理，得到所述环境图像的图像特征信息；
所述多个特征传递学习层，用于对所述图像特征信息进行特征传递学习处理，得到编码特征向量；
所述特征映射层，用于对所述编码特征向量进行特征映射处理，得到映射后特征向量；
所述输出层，用于基于所述映射后特征向量，输出所述第一边缘节点测得的空气质量监测结果。
14.一种基于图像识别的空气质量感知系统，其特征在于，所述系统包括服务器和多个边缘节点；
所述多个边缘节点中的第一边缘节点，用于采集目标区域的环境图像；通过图像识别模型对所述环境图像进行识别，得到所述第一边缘节点测得的空气质量监测结果；向所述多个边缘节点中的至少一个第二边缘节点发送结果验证请求，所述结果验证请求用于请求对所述第一边缘节点测得的空气质量监测结果进行验证；
所述第二边缘节点，用于对所述第一边缘节点测得的空气质量监测结果进行验证，生成所述第一边缘节点测得的空气质量监测结果所对应的监测验证结果，所述监测验证结果用于指示所述第一边缘节点测得的空气质量监测结果是否可信；向所述服务器发送所述监测验证结果；
所述服务器，用于在基于各个所述第二边缘节点发送的监测验证结果，确定所述第一边缘节点测得的空气质量监测结果有效的情况下，存储所述第一边缘节点测得的空气质量监测结果。
15.一种用于空气质量感知的模型训练系统，其特征在于，所述系统包括服务器和多个边缘节点；
所述服务器，用于从所述多个边缘节点中确定参与模型训练的n个目标边缘节点，所述n为正整数；向所述目标边缘节点发送待训练的图像识别模型，所述图像识别模型用于基于环境图像确定相应的空气质量监测结果；
所述n个目标边缘节点中的第i个目标边缘节点，用于对所述待训练的图像识别模型进行本地训练，得到经所述第i个目标边缘节点本地训练的图像识别模型；向其他目标边缘节点发送模型验证请求，所述模型验证请求用于请求对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，所述i为小于等于所述n的正整数；
所述其他目标边缘节点，用于对经所述第i个目标边缘节点本地训练的图像识别模型进行验证，生成经所述第i个目标边缘节点本地训练的图像识别模型所对应的模型验证结果，所述模型验证结果用于指示经所述第i个目标边缘节点本地训练的图像识别模型是否可信；向所述服务器发送所述模型验证结果；
所述服务器，用于基于各个所述目标边缘节点发送的模型验证结果，确定可信的图像识别模型；对所述可信的图像识别模型的模型参数进行整合处理，生成所述图像识别模型。
CN202011330418.0A 2020-11-24 2020-11-24 基于图像识别的空气质量感知方法、模型训练方法及系统 Active CN112308093B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011330418.0A CN112308093B (zh) 2020-11-24 2020-11-24 基于图像识别的空气质量感知方法、模型训练方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011330418.0A CN112308093B (zh) 2020-11-24 2020-11-24 基于图像识别的空气质量感知方法、模型训练方法及系统

Publications (2)

Publication Number Publication Date
CN112308093A true CN112308093A (zh) 2021-02-02
CN112308093B CN112308093B (zh) 2023-05-30

Family

ID=74335583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011330418.0A Active CN112308093B (zh) 2020-11-24 2020-11-24 基于图像识别的空气质量感知方法、模型训练方法及系统

Country Status (1)

Country Link
CN (1) CN112308093B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113783716A (zh) * 2021-07-27 2021-12-10 国网冀北电力有限公司信息通信分公司 基于云边协同框架的流量预测方法及装置
CN114339653A (zh) * 2022-03-04 2022-04-12 杭州格物智安科技有限公司 一种基于无线传感器网络的区块链系统及数据记录方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130174646A1 (en) * 2012-01-09 2013-07-11 David Martin Networked air quality monitoring
CN103680111A (zh) * 2014-01-09 2014-03-26 西安电子科技大学 可验证智能感知终端数据聚集方法及系统
US20150117767A1 (en) * 2013-10-31 2015-04-30 International Business Machines Corporation Method and apparatus of determining air quality
WO2017201540A1 (en) * 2016-05-20 2017-11-23 Techcyte, Inc. Machine learning classification of particles or substances in digital microscopy images
CN110321932A (zh) * 2019-06-10 2019-10-11 浙江大学 一种基于深度多源数据融合的全城市空气质量指数估计方法
CN110766046A (zh) * 2019-09-16 2020-02-07 华北电力大学 一种双通道卷积神经网络集成学习的空气质量测量方法
US20200050951A1 (en) * 2018-08-09 2020-02-13 International Business Machines Corporation Collaborative distributed machine learning
CN111157682A (zh) * 2020-01-06 2020-05-15 上海应用技术大学 空气质量监测及预测系统及方法
CN111260076A (zh) * 2020-01-13 2020-06-09 天津大学 基于区块链的边缘节点训练方法、区块链及存储介质
CN111340804A (zh) * 2020-04-09 2020-06-26 山东大学 基于无人飞艇的空气质量机器视觉在线监测系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130174646A1 (en) * 2012-01-09 2013-07-11 David Martin Networked air quality monitoring
US20150117767A1 (en) * 2013-10-31 2015-04-30 International Business Machines Corporation Method and apparatus of determining air quality
CN103680111A (zh) * 2014-01-09 2014-03-26 西安电子科技大学 可验证智能感知终端数据聚集方法及系统
WO2017201540A1 (en) * 2016-05-20 2017-11-23 Techcyte, Inc. Machine learning classification of particles or substances in digital microscopy images
US20200050951A1 (en) * 2018-08-09 2020-02-13 International Business Machines Corporation Collaborative distributed machine learning
CN110321932A (zh) * 2019-06-10 2019-10-11 浙江大学 一种基于深度多源数据融合的全城市空气质量指数估计方法
CN110766046A (zh) * 2019-09-16 2020-02-07 华北电力大学 一种双通道卷积神经网络集成学习的空气质量测量方法
CN111157682A (zh) * 2020-01-06 2020-05-15 上海应用技术大学 空气质量监测及预测系统及方法
CN111260076A (zh) * 2020-01-13 2020-06-09 天津大学 基于区块链的边缘节点训练方法、区块链及存储介质
CN111340804A (zh) * 2020-04-09 2020-06-26 山东大学 基于无人飞艇的空气质量机器视觉在线监测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩超慧;马俊;吴文俊;陈佳;: "基于深度迁移学习的烟雾图像检测", 武汉纺织大学学报 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113783716A (zh) * 2021-07-27 2021-12-10 国网冀北电力有限公司信息通信分公司 基于云边协同框架的流量预测方法及装置
CN114339653A (zh) * 2022-03-04 2022-04-12 杭州格物智安科技有限公司 一种基于无线传感器网络的区块链系统及数据记录方法
CN114339653B (zh) * 2022-03-04 2022-05-24 杭州格物智安科技有限公司 一种基于无线传感器网络的区块链系统及数据记录方法

Also Published As

Publication number Publication date
CN112308093B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
US11816880B2 (en) Face recognition method and apparatus, computer device, and storage medium
CN110222718B (zh) 图像处理的方法及装置
CN110163111A (zh) 基于人脸识别的叫号方法、装置、电子设备及存储介质
CN112801057A (zh) 图像处理方法、装置、计算机设备和存储介质
CN112308093B (zh) 基于图像识别的空气质量感知方法、模型训练方法及系统
CN115050064A (zh) 人脸活体检测方法、装置、设备及介质
CN113011387A (zh) 网络训练及人脸活体检测方法、装置、设备及存储介质
CN113515669A (zh) 基于人工智能的数据处理方法和相关设备
CN114677754A (zh) 行为识别方法、装置、电子设备及计算机可读存储介质
CN114219971A (zh) 一种数据处理方法、设备以及计算机可读存储介质
CN116958637A (zh) 图像检测模型的训练方法、装置、设备及存储介质
CN113762326A (zh) 一种数据识别方法、装置、设备及可读存储介质
CN113158971A (zh) 一种事件检测模型训练方法及事件分类方法、系统
CN111626212A (zh) 图片中对象的识别方法和装置、存储介质及电子装置
CN115114480A (zh) 数据处理方法、装置、设备、可读存储介质及程序产品
CN112667864B (zh) 图对齐方法、装置、电子设备及存储介质
CN115708135A (zh) 人脸识别模型的处理方法、人脸识别方法及装置
CN115082873A (zh) 基于通路融合的图像识别方法、装置及存储介质
CN114373098A (zh) 一种图像分类方法、装置、计算机设备及存储介质
CN114677611A (zh) 数据识别方法、存储介质及设备
CN112950222A (zh) 资源处理异常检测方法、装置、电子设备及存储介质
CN117441195A (zh) 纹理补全
CN116958176B (zh) 图像分割方法、装置、计算机设备及介质
CN117079336B (zh) 样本分类模型的训练方法、装置、设备及存储介质
CN113572913B (zh) 图像加密方法、装置、介质及电子设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40038858

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant