CN112949466A - 视频ai烟尘污染源识别与定位方法 - Google Patents

Abstract

本发明提供一种视频AI烟尘污染源识别与定位方法，包括样本数据标定收集：收集摄像头可拍摄范围内的目标物的经纬度坐标、在对应图像中的坐标以及摄像头的实时转动角度；ANN‑LMBP模型训练：根据标定收集到的样本数据，基于ANN‑LMBP神经网络进行每个摄像头的一对一模型训练，然后将训练好的ANN‑LMBP神经网络模型进行保存；烟尘污染源预测定位：将摄像头实时监测到的烟尘污染源检测输出的图像坐标位置和摄像头的实时参数，输入ANN‑LMBP神经网络模型进行烟尘污染源在世界坐标系下的经纬度坐标预测。本申请采用ANN‑LMBP神经网络进行基于视觉的烟尘污染源预测模型的训练，精度相对较高，模型整体均方误差小，最终预测的经纬度与实际位置的误差在允许范围内，能有效减少成本。

Description

视频AI烟尘污染源识别与定位方法

技术领域

本发明涉及烟尘污染源定位技术领域，具体涉及一种视频AI烟尘污染源识别与定位方法。

背景技术

大气污染是全球环境污染的突出问题，随着科技和经济的高速发展，大气污染的危害日益加重。近年来，生态环境问题越来越受到重视，研究户外烟尘污染源的定位对于有关部门进行及时的环境预防与整治具有重要意义。目前，神经网络的研究重点是解决复杂的实际问题。人工神经网络已被证明能够对高维度且数目巨大的变量之间的复杂关系进行建模。很多研究也证实使用人工神经网络对工业、工程等问题进行建模预测的有效性和准确性。

BP算法是训练前馈神经网络的一种普遍方法，它在一定程度上是前馈神经网络的核心，体现了人工神经网络最重要部分。而将BP神经网络应用于实际问题时，其训练过程有时往往需要花费大量的时间，该缺点在很大程度上限制了其广泛的应用。因此，许多学者在提高BP算法的收敛速度方面进行了大量的研究，并提出了一些改进算法。第一类改进主要是基于启发式信息技术，比如动量反向传播算法(MOBP)和可变学习速率反向传播算法(VLBP)；第二类改进主要是基于数值优化技术，比如共轭梯度方向反向传播算法(CGBP)和LMBP。这些算法在不同程度上提高了BP神经网络的收敛速度。与ANN-BP算法相比，ANN-LMBP算法在收敛速度方面提升最大，效果最优，不仅具有较快的收敛速度，而且具有不错的全局收敛性。

而在生态环境问题越来越受到重视的今天，户外污染源是一个亟待解决的问题。本发明的发明人经过研究发现，目前对于污染源定位的研究大多都是基于无线传感器进行的，针对户外环境下的烟尘污染源定位，该方法的硬件成本较高，且后期的维护运行也很困难。因此，如何创新地设计一种高效而精准的烟尘污染源定位方法显得尤为重要。

发明内容

针对现有对于烟尘污染源定位的研究大多都是基于无线传感器进行的，该方法存在硬件成本较高，且后期维护运行也很困难的技术问题，本发明提供一种视频AI烟尘污染源识别与定位方法。

为了解决上述技术问题，本发明采用了如下的技术方案：

视频AI烟尘污染源识别与定位方法，包括以下步骤：

S1、样本数据标定收集：收集摄像头可拍摄范围内的目标物的经纬度坐标、目标物在对应图像中的坐标以及摄像头的实时转动角度，相应关系采用以下公式进行描述：

(E,N)＝f(P,T,Z,PicX,PicY)

其中，P为摄像头水平转动角度参数，T为摄像头垂直转动角度参数，Z为摄像头放大倍数参数，由于Z改变的敏感度较低，故将Z设为定值进行数据标定，PicX为目标物检测框在图像坐标系中底部中心点的横坐标，PicY为目标物检测框在图像坐标系中底部中心点的纵坐标，E为目标物在世界坐标系中的经度，N为目标物在世界坐标系中的纬度；

S2、ANN-LMBP模型训练：根据步骤S1中标定收集到的样本数据，基于ANN-LMBP神经网络进行每个摄像头的一对一模型训练，然后将训练好的ANN-LMBP神经网络模型进行保存；

S3、烟尘污染源预测定位：将摄像头实时监测到的烟尘污染源检测输出的图像坐标位置和摄像头的实时参数，作为保存ANN-LMBP神经网络模型的输入进行烟尘污染源在真实世界坐标系下的经纬度坐标预测。

进一步，所述步骤S2还包括先对步骤S1中标定收集到的样本数据进行归一化处理。

进一步，所述归一化处理采用如下线性映射将所有变量缩放至(0，1)之间：

其中，x_iNew是变量归一化后的值，x_i是变量原始值，x_imax和x_imin是变量可取的最大值与最小值。

进一步，所述步骤S2中ANN-LMBP神经网络模型通常表示为：

其中，

是模型的预测输出结果，x＝[x¹,x²,...,x^d]^T是模型输入向量，θ是模型的参数矩阵；

模型的损失函数为：

其中，p为第p个样本，(x_p,y_p)表示一组训练样本数据。

进一步，所述步骤S2中ANN-LMBP神经网络模型网络权重的迭代增量定义如下：

Δθ_k＝(A^TA+λI)^-1A^TΔy_k

其中，Δθ_k为网络权重的迭代增量，矩阵A的第p行第i列的元素为

λ是一个小的正常数，I是单位矩阵，Δy_k是样本在第k维输出上的误差向量。

与现有技术相比，本发明提供的视频AI烟尘污染源识别与定位方法，首先对样本数据进行标定收集，然后根据标定收集到的样本数据基于ANN-LMBP神经网络进行每个摄像头的一对一模型训练，最后将检测到的烟尘污染源相关位置信息以及摄像头实时参数信息结合作为ANN-LMBP神经网络模型的输入，精确的定位出烟尘污染源的真实经纬度坐标。其中，本发明由于采用ANN-LMBP神经网络进行基于视觉的烟尘污染源预测模型的训练，其精度相对较高，模型的整体均方误差小，最终预测的经纬度坐标与实际位置的误差大约在200米以内，在误差允许的范围内，因此能有效减少基于传感器定位的各项成本。

附图说明

图1是本发明提供的视频AI烟尘污染源识别与定位方法流程示意图。

图2是本发明实施例提供的某一个ANN-LMBP神经网络模型(隐藏层神经元个数为5时)的训练结果示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示及较佳实施例，进一步阐述本发明。

请参考图1和图2所示，本发明提供一种视频AI烟尘污染源识别与定位方法，包括以下步骤：

S1、样本数据标定收集：根据摄像头多角度旋转特性以及复杂的户外环境，烟尘污染源的定位主要影响变量为摄像头的转动角度以及污染源在图像中的坐标。而在前期模型训练时，需要收集摄像头可拍摄范围内的目标物的经纬度坐标、目标物在对应图像中的坐标以及摄像头的实时转动角度，相应关系采用以下公式进行描述：

(E,N)＝f(P,T,Z,PicX,PicY) 公式(1)

其中，P为摄像头水平转动角度参数，T为摄像头垂直转动角度参数，Z为摄像头放大倍数参数，由于Z改变的敏感度较低，故将Z设为定值进行数据标定，PicX为目标物检测框在图像坐标系中底部中心点的横坐标，PicY为目标物检测框在图像坐标系中底部中心点的纵坐标，E为目标物在世界坐标系中的经度，N为目标物在世界坐标系中的纬度；

S2、ANN-LMBP模型训练：根据步骤S1中标定收集到的样本数据，基于ANN-LMBP神经网络进行每个摄像头的一对一模型训练，然后将训练好的ANN-LMBP神经网络模型进行保存；其中，所述ANN-LMBP神经网络的具体结构为本领域技术人员熟知的现有技术，本申请只是将现有的ANN-LMBP神经网络进行应用，具体人工神经网络ANN是由许多相互连接的神经元组成，这些神经元包括顺序互连的输入层神经元、隐藏层神经元和输出层神经元，ANN输入层神经元的数量等于自变量的特征维度，隐藏层的数量以及每个隐藏层中神经元的数量在模型训练前是没有预先定义的，每个隐藏层中神经元的数量可以在ANN训练过程中进行更改，直到模型训练得到最佳的性能；

S3、烟尘污染源预测定位：将摄像头实时监测到的烟尘污染源检测输出的图像坐标位置和摄像头的实时参数，作为保存ANN-LMBP神经网络模型的输入进行烟尘污染源在真实世界坐标系下的经纬度坐标预测。

作为具体实施例，为了消除变量单位范围不一致带来的影响，需将步骤S1中标定收集到的样本数据先进行归一化处理。作为优选实施例，所述归一化处理采用如下线性映射将所有变量缩放至(0，1)之间：

其中，x_iNew是变量归一化后的值，x_i是变量原始值，x_imax和x_imin是变量可取的最大值与最小值。

作为具体实施例，LM(Levenberg-Marquardt)算法是Gauss-Newton法的改进，具有二阶收敛性。该算法不仅具有Gauss-Newton法的局部特点，而且具有梯度下降法的全局特点，参数求解时不仅能加快收敛速度，也能增加模型的稳定性。具体地，所述步骤S2中ANN-LMBP神经网络模型通常可以表示为：

其中，

是模型的预测输出结果，x＝[x¹,x²,...,x^d]^T是模型输入向量，θ是模型的参数矩阵；

当一组训练样本数据为(x_p,y_p)，p＝1,2,...,n，

则整体平方误差即模型的损失函数为：

其中，p为第p个样本，(x_p,y_p)表示一组训练样本数据。

Gauss-Newton法和LM算法都可以用于最小化目标函数，Gauss-Newton法使用泰勒级数为原始非线性问题提供近似解，然后使用最小二乘法计算相关参数。如果

是参数当前取值，则当仅保留线性项时，公式(3)中针对第p个样本在第k维输出上可以改写为：

其中，p＝1,2,...,n，k＝1,2,...,s。因此，改写后的输出

与参数

呈线性关系。

根据公式(4)的整体平方误差，针对第k维输出上，对θ_k进行求导得到：

式(5)中

将其代入公式(6)中，通过矩阵的伪逆公式得到估计值

其中，Δy_k是样本在第k维输出上的误差向量，Δθ_k是迭代增量，矩阵A的第p行第i列的元素为

具体地，

Δθ_k＝(A^TA)^-1A^TΔy_k 公式(9)

但是，(A^TA)^-1并不总是存在，因此Gauss-Newton法存在一定的缺陷，可以使用LM算法解决该问题。因而作为具体实施例，所述步骤S2中ANN-LMBP神经网络模型网络权重的迭代增量Δθ_k定义如下：

Δθ_k＝(A^TA+λI)^-1A^TΔy_k

其中，Δθ_k为网络权重的迭代增量，矩阵A的第p行第i列的元素为

I是单位矩阵，Δy_k是样本在第k维输出上的误差向量。

如前所述，Gauss-Newton法可能非常有效，但存在潜在问题。相反，梯度下降法效率较低，但更稳定。LM算法可以通过设置适当的λ值在Gauss-Newton法(λ→0)和梯度下降法(λ→∞)之间有效转换。

对大型矩阵(A^TA+λI)的逆运算不可避免地导致计算耗时巨大。为了避免这个问题，可以将矩阵(A^TA+λI)转移到公式(10)的左侧。这样，可以通过线性方程组的直接数值解来提取ANN-LMBP模型网络权重的迭代增量Δθ_k。该改进可以有效地避免大型矩阵求逆，使模型训练时间大大减少。

作为具体实施例，下表1是ANN-BP模型与ANN-LMBP模型的均方误差(MSE)的对比情况，可以看出，基于LM算法训练的ANN模型(ANN-LMBP)比标准的BP算法训练的模型(ANN-BP)具有更小的均方误差，其效果更好，收敛速度更快。

表1 ANN模型性能评估(MSE)

作为具体实施例，所述步骤S3中针对不同的监控摄像头进行烟尘污染源预测定位的结果如下表2所示，误差大约在200米以内，其在误差允许的范围内，因而能大大减少现有技术中基于传感器定位的成本。

表2部分定位预测结果

与现有技术相比，本发明提供的视频AI烟尘污染源识别与定位方法，首先对样本数据进行标定收集，然后根据标定收集到的样本数据基于ANN-LMBP神经网络进行每个摄像头的一对一模型训练，最后将检测到的烟尘污染源相关位置信息以及摄像头实时参数信息结合作为ANN-LMBP神经网络模型的输入，精确的定位出烟尘污染源的真实经纬度坐标。其中，本发明由于采用ANN-LMBP神经网络进行基于视觉的烟尘污染源预测模型的训练，其精度相对较高，模型的整体均方误差小，最终预测的经纬度坐标与实际位置的误差大约在200米以内，在误差允许的范围内，因此能有效减少基于传感器定位的各项成本。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.视频AI烟尘污染源识别与定位方法，其特征在于，包括以下步骤：

S1、样本数据标定收集：收集摄像头可拍摄范围内的目标物的经纬度坐标、目标物在对应图像中的坐标以及摄像头的实时转动角度，相应关系采用以下公式进行描述：

(E,N)＝f(P,T,Z,PicX,PicY)

其中，P为摄像头水平转动角度参数，T为摄像头垂直转动角度参数，Z为摄像头放大倍数参数，由于Z改变的敏感度较低，故将Z设为定值进行数据标定，PicX为目标物检测框在图像坐标系中底部中心点的横坐标，PicY为目标物检测框在图像坐标系中底部中心点的纵坐标，E为目标物在世界坐标系中的经度，N为目标物在世界坐标系中的纬度；

S2、ANN-LMBP模型训练：根据步骤S1中标定收集到的样本数据，基于ANN-LMBP神经网络进行每个摄像头的一对一模型训练，然后将训练好的ANN-LMBP神经网络模型进行保存；

S3、烟尘污染源预测定位：将摄像头实时监测到的烟尘污染源检测输出的图像坐标位置和摄像头的实时参数，作为保存ANN-LMBP神经网络模型的输入进行烟尘污染源在真实世界坐标系下的经纬度坐标预测。

2.根据权利要求1所述的视频AI烟尘污染源识别与定位方法，其特征在于，所述步骤S2还包括先对步骤S1中标定收集到的样本数据进行归一化处理。

3.根据权利要求2所述的视频AI烟尘污染源识别与定位方法，其特征在于，所述归一化处理采用如下线性映射将所有变量缩放至(0，1)之间：

其中，x_iNew是变量归一化后的值，x_i是变量原始值，x_imax和x_imin是变量可取的最大值与最小值。

4.根据权利要求1所述的视频AI烟尘污染源识别与定位方法，其特征在于，所述步骤S2中ANN-LMBP神经网络模型通常表示为：

其中，

是模型的预测输出结果，x＝[x¹,x²,...,x^d]^T是模型输入向量，θ是模型的参数矩阵；

模型的损失函数为：

其中，p为第p个样本，(x_p,y_p)表示一组训练样本数据。

5.根据权利要求1所述的视频AI烟尘污染源识别与定位方法，其特征在于，所述步骤S2中ANN-LMBP神经网络模型网络权重的迭代增量定义如下：

Δθ_k＝(A^TA+λI)^-1A^TΔy_k

其中，Δθ_k为网络权重的迭代增量，矩阵A的第p行第i列的元素为

λ是一个小的正常数，I是单位矩阵，Δy_k是样本在第k维输出上的误差向量。

Images