CN115656444A - 一种大型场馆内二氧化碳场浓度重建方法 - Google Patents
一种大型场馆内二氧化碳场浓度重建方法 Download PDFInfo
- Publication number
- CN115656444A CN115656444A CN202211410839.3A CN202211410839A CN115656444A CN 115656444 A CN115656444 A CN 115656444A CN 202211410839 A CN202211410839 A CN 202211410839A CN 115656444 A CN115656444 A CN 115656444A
- Authority
- CN
- China
- Prior art keywords
- concentration
- carbon dioxide
- modeling
- field
- venue
- 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
Links
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 76
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 38
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000021317 sensory perception Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种大型场馆内二氧化碳场浓度重建方法，包括对场馆进行连续监测并获得包含多个采样时刻的多个传感器采集的CO2浓度总数据集，对每一采样时刻进行场浓度建模并作为标签图像；并选择典型区域进行场浓度建模并作为模型输入图像，搭建改进的超分辨率对抗生成网络模型，利用训练集训练模型，得到训练后的最终模型，输入稀疏传感器克里金插值建模后的浓度图，得到经过模型生成输出的浓度图，与密集传感器克里金插值建模后的浓度图计算评价指标，定量评价二氧化碳场浓度重建结果。本方法通过较少数量传感器，能达到与密集分布传感器相近的建模效果，能极大减小资源的消耗，具有更好的精度和噪声鲁棒性。
Description
技术领域
本发明属于室内空气质量监测技术领域。具体地，本发明涉及一种对大型室内场馆二氧化碳浓度场恢复重建的方法，采用一种改进的超分辨率对抗生成网络，并将其应用于二氧化碳浓度场恢复重建。
背景技术
随着各国二氧化碳排放，导致全球范围内的气候变暖，对生命系统形成威胁，所以控制二氧化碳排放的工作十分重要。而判断二氧化碳浓度是否得到有效控制，需要有效的二氧化碳浓度监测方法。目前存在的场馆赛事碳排放监测方法实现精度较低，难以可靠验证减排方案的效果，所以目前急需全面精准的场馆赛事碳排放监测方法。
使用密集分布的传感器能够显著提升二氧化碳浓度场建模的准确度，但同时相应的布置难度和成本也显著增加。现实情况下，由于场馆的结构功能设计，往往无法满足密集部署传感器的条件。但是仅用如果仅用稀疏分布的传感器测得的二氧化碳浓度数据进行场重建，得到的结果与密集分布的传感器建模的结果有非常大的误差，即与真实情况有显著误差。
发明内容
如前所述，传统的场浓度建模方法往往都是采用如最近邻插值、线性插值之类的各种插值的方法进行，场浓度重建的精度与所布置的传感器个数紧密相关，无法通过较少数量的传感器精确建模出场馆浓度场。面对以上方法的不足，本发明采用一种改进的超分辨率对抗生成网络应用到场重建中，通过对使用较少数量的传感器场浓度建模结果的处理，实现同使用较多数量传感器场浓度建模相近的精度。
本发明完整的技术方案包括：
一种大型场馆内二氧化碳场浓度重建方法，包括如下步骤：
(1)根据预设的布点方式在大型场馆内布置二氧化碳浓度监测系统，所述二氧化碳浓度监测系统包括设置在场馆不同区域的多个CO2传感器，对场馆进行连续监测并获得包含多个采样时刻的多个传感器采集的CO2浓度数据集；
(2)采用克里金插值方法对每一个采样时刻获得的多个传感器采集的CO2浓度数据进行场浓度建模，并得到CO2浓度图像集，或称为CO2第一浓度图像集，并作为超分辨率对抗生成网络模型的标签图像集；
(3)从CO2浓度数据集中选出在代表性区域的部分传感器在多个采样时刻采集的CO2浓度数据，采用克里金插值方法对上述数据也进行场浓度建模得到CO2浓度图像，或称CO2第二浓度图像集，并作为超分辨率对抗生成网络模型的输入图像集；
(4)搭建超分辨率对抗生成网络模型并进行训练，利用反向传播来不断调整网络的权重，更新结构参数，得到最优的全局参数矩阵并对超分辨率对抗生成网络模型进行改进；
(5)利用最终训练得到的超分辨率对抗生成网络模型，输入经由稀疏传感器获得的CO2浓度，并由克里金插值建模后的CO2浓度图，或称第三CO2浓度图，得到经过超分辨率对抗生成网络模型生成的输出浓度图，将此输出浓度图与经由密集传感器获得的CO2浓度数据集，并由克里金插值建模后的浓度图对比并计算评价指标，定量评价二氧化碳场浓度重建结果。
进一步的，所述步骤(1)中，所述多个CO2传感器在场馆内分散布置。
进一步的，所述步骤(4)具体为，对搭建的对抗生成网络模型输入步骤(3)中得到的模型输入图像，并经过卷积结构网络输出生成的浓度图片；将生成的浓度图片与步骤(2)训练集中的对应标签图片进行像素对比，并将对比结果返回以更新生成网络参数权重，采用以上方法训练模型并得到最终的训练结果。
进一步的，所述步骤(5)中，通过计算经由稀疏传感器(即为采用少量传感器)所测的浓度经克里金插值建模后的浓度图，与经密集传感器(即为采用多量传感器)所测浓度经克里金插值建模后的浓度图的均方误差，来量评价二氧化碳场浓度重建结果；
进一步的，经密集传感器所测浓度经克里金插值建模后的浓度图来自步骤(2)所得到的标签图像集。
相比现有技术，本发明具有如下优点：
1、采用改进的超分辨率对抗生成网络进行二氧化碳场浓度建模工作上，得到场馆二氧化碳场浓度建模精度更高，并具有更好的噪声鲁棒性。
2、通过较少数量传感器即可达到与密集分布传感器相近的建模效果，能极大减小资源的消耗，降低前期部署难度及部署成本。
3、相对于使用传统CNN的实现方法，本发明更注重细节，避免因为过于追求高的评价指标而使场浓度建模结果过于平滑而忽略实际特征。同时提高了高频细节的恢复能力，使场浓度建模的细节特征更加清晰，相比于传统CNN的实现方法，显著提高了人类感官感受效果。
4、生成网络方面，本发明把传统的残差网络(ResNet)的残差单元替换成了更多带层级的残差连接结构Res2Net，Res2Net在更细粒度级别表示多尺度特征，并增加了每个网络层的感受野，相比于原先的ResNet结构，使用Res2Net生成的场浓度图的均方误差更小，更加贴近于实际分布，提高了生成网络的性能。
5、判别网络方面，本发明参考Real-ESRGAN的结构，把判别网络换成了unet结构，同时在编码器的最后加入了tranformer模块，transformer模块中的多头自注意力层能够对图像全局信息进行建模，能够弥补CNN网络对长距离像素建模能力差的缺点，实现更加精准的判别。同时在解码器部分加入深监督机制，即在解码器的每一个尺寸的隐藏层中都加入损失函数进行监督，进一步提高特征图质量，也为判别网络实现更加精准的判别服务。本发明相对于原本的CNN判别网络实现了更加精准的像素点分类判别。
附图说明
图1为本发明实施方式的场馆看台传感器机座分布图。
图2为本发明实施方式的克里金场浓度三维建模图。
图3为本发明实施方式包含图像和标签的场浓度数据集示意图。
图4为本发明超分辨率对抗生成网络模型结构示意图。
图5为Res2Net Block结构示意图。
图6为Transformer结构示意图。
具体实施方式
下面将结合本申请实施方式中的附图，对本申请的实施方式中的技术方案进行清楚、完整的描述，显然，所描述的实施方式仅仅是作为例示，并非用于限制本申请。
第一步，根据设计的布点方案在场馆内布置二氧化碳浓度监测系统，对场馆进行连续数天的监测获得二氧化碳数据。本发明的数据来源于某体育场馆比赛期间，其中二氧化碳浓度监测系统在看台区域一共包43个二氧化碳传感器，具体的布点方案如图1所示，图片上的黑点即为传感器布置点。通过在比赛期间对场馆进行连续十天的监测获得各个时段的二氧化碳数据，其中采样频率为5min/次。所得到的数据结果示例如表1所示。
表1传感器采集数据
第二步，用克里金插值方法对每一个采样时刻的43个传感器获得的浓度数据进行场浓度建模，并以此作为真实场浓度分布情况来制作数据集的标签图，如图2所示。同时从其中选出具有区域代表性的12个二氧化碳传感器，对这些传感器的数据也用克里金插值方法进行场浓度建模，作为模型输入图像集，完成数据集的制作。
第三步：搭建改进的超分辨率对抗生成网络模型，搭建的网络结构如图4-6所示，超分辨率对抗生成网络模型包括生成网络和判别网络，具体流程是输入的图片通过生成网络，生成一张预测图像。然后将这张图像输入到判别网络中进行判别，判断生成网络生成的图片是否符合生成精度要求。通过判别网络的监督，最后训练得到精确的预测图像结果。
其中生成网络使用ResNet结构，包含了多个残差块。针对二氧化碳浓度图的特点，本发明针对每个残差块中的n通道的3x3卷积层进行设计，使其成为基于Res2Net结构思想的一组较小的3x3滤波器，这组滤波器的通道数总和就等于被替换的卷积层的通道n。这些滤波器组以分层类似残差样式的连接，以增加尺度表示输出特征。通过上述结构设计，可以使滤波器等效感受野都会增加，由于组合效应，得到许多等效特征尺度。卷积层后接批规范化层(batch normalization,BN)和ReLU作为激活函数。最后经过两个反卷积(Deconv)上采样，增大特征尺寸。生成网络使用的这种结构包含了高频细节，让图像更加贴近真实。
判别网络方面，本发明采用Unet结构，即分为编码器和解码器两个部分，编码器有三次下采样，解码器有三次上采样。每次上采样产生的特征图与左侧特征图进行拼接操作后输入到解码器的卷积层中。通过上述Unet结构可以实现图像更加精准的像素级别的判别。同时在最后一个解码器前加入了transformer模块，该模块包含了十二个多头自注意力层，能够对图像全局信息进行建模，并弥补CNN网络对长距离像素建模能力差的缺点，实现更加精准的判别。最后在每个解码器每个上采样后的特征图加入了深监督机制，能够实现对特征图的监督，进一步提高判别的精度。
输入训练集进行训练，利用反向传播来不断调整网络的权重，更新结构参数，得到最优的全局参数矩阵。具体为对超分辨率对抗生成网络输入12个传感器建模得到的输入图像，经过卷积结构网络输出生成的浓度图片；判别网络输入生成网络生成的浓度图片，与43个传感器获得的标签图集中对应的标签图片进行像素对比，返回结果并更新生成网络参数权重。利用训练集训练模型，得到最终的训练结果。
第四步：输入稀疏传感器克里金插值建模后的浓度图，得到经过模型生成输出的浓度图，所得到的图片就是二氧化碳场浓度图。本发明中验证过程即输入12个传感器克里金插值建模后的浓度图，得到经过模型生成输出的浓度图。将这张图与43个传感器克里金插值建模后的浓度图计算评价指标，即计算稀疏传感器克里金插值建模后的浓度图与43个传感器克里金插值建模后的浓度图的均方误差。具体计算公式如公式1所示。这个评价指标定量评价了二氧化碳场浓度重建结果。
式中：MSE为均方误差，xi为输入图像的每个像素点像素值，yi为标签图像的每个像素点像素值，f(xi)表示经过网络预测得到的生成网络输出图像的每个像素点像素值，n为图像像素点的数目。
以上申请的仅为本申请的一些实施方式。对于本领域的普通技术人员来说，在不脱离本申请创造构思的前提下，还可以做出若干变型和改进，这些都属于本申请的保护范围。
Claims (5)
1.一种大型场馆内二氧化碳场浓度重建方法，其特征在于，包括如下步骤：
(1)根据预设的布点方式在大型场馆内布置二氧化碳浓度监测系统，所述二氧化碳浓度监测系统包括设置在场馆不同区域的多个CO2传感器，对场馆进行连续监测并获得包含多个采样时刻的多个传感器采集的CO2浓度数据集；
(2)采用克里金插值方法对每一个采样时刻获得的多个传感器采集的CO2浓度数据进行场浓度建模，并得到CO2浓度图像集，并作为超分辨率对抗生成网络模型的标签图像集；
(3)从CO2浓度数据集中选出部分传感器在多个采样时刻采集的CO2浓度数据，采用克里金插值方法对上述数据也进行场浓度建模得到CO2浓度图像，并作为超分辨率对抗生成网络模型的输入图像集；
(4)搭建超分辨率对抗生成网络模型并进行训练，利用反向传播来不断调整网络的权重，更新结构参数，得到最优的全局参数矩阵并对超分辨率对抗生成网络模型进行改进；
(5)利用最终训练得到的超分辨率对抗生成网络模型，输入经由稀疏传感器获得的CO2浓度集，并由克里金插值建模后的CO2浓度图，得到经过分辨率对抗生成网络模型生成的输出浓度图，将输出浓度图与经由密集传感器获得的CO2浓度数据集，并由克里金插值建模后的浓度图对比并计算评价指标，定量评价二氧化碳场浓度重建结果。
2.根据权利要求1所述的一种大型场馆内二氧化碳场浓度重建方法，其特征在于，所述步骤(1)中，所述多个CO2传感器在场馆内分散布置。
3.根据权利要求1所述的一种大型场馆内二氧化碳场浓度重建方法，其特征在于，所述步骤(4)具体为，对搭建的对抗生成网络模型输入步骤(3)中得到的模型输入图像，并经过卷积结构网络输出生成的浓度图片；将生成的浓度图片与步骤(2)训练集中的对应标签图片进行像素对比，并将对比结果返回以更新生成网络参数权重，采用以上方法训练模型并得到最终的训练结果。
4.根据权利要求1所述的一种大型场馆内二氧化碳场浓度重建方法，其特征在于，所述步骤(5)中，通过计算经由稀疏传感器所测浓度经克里金插值建模后的浓度图，与经密集传感器所测浓度经克里金插值建模后的浓度图的均方误差，来量评价二氧化碳场浓度重建结果。
5.根据权利要求4所述的一种大型场馆内二氧化碳场浓度重建方法，其特征在于，经密集传感器所测浓度经克里金插值建模后的浓度图来自步骤(2)所得到的标签图像集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211410839.3A CN115656444B (zh) | 2022-11-11 | 2022-11-11 | 一种大型场馆内二氧化碳场浓度重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211410839.3A CN115656444B (zh) | 2022-11-11 | 2022-11-11 | 一种大型场馆内二氧化碳场浓度重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115656444A true CN115656444A (zh) | 2023-01-31 |
| CN115656444B CN115656444B (zh) | 2024-06-11 |
Family
ID=85021644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211410839.3A Active CN115656444B (zh) | 2022-11-11 | 2022-11-11 | 一种大型场馆内二氧化碳场浓度重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115656444B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117129556A (zh) * | 2023-08-29 | 2023-11-28 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110716012A (zh) * | 2019-09-10 | 2020-01-21 | 淮阴工学院 | 一种基于现场总线网络的油气浓度智能监测系统 |
| WO2020128134A1 (en) * | 2018-12-18 | 2020-06-25 | Nokia Technologies Oy | Data denoising based on machine learning |
| CN113988519A (zh) * | 2021-09-27 | 2022-01-28 | 上海博物馆 | 一种馆藏文物保存环境风险表征方法 |
| CN114974453A (zh) * | 2022-05-30 | 2022-08-30 | 中南大学 | 一种大气二氧化碳柱浓度高覆盖度重建方法 |
-
2022
- 2022-11-11 CN CN202211410839.3A patent/CN115656444B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020128134A1 (en) * | 2018-12-18 | 2020-06-25 | Nokia Technologies Oy | Data denoising based on machine learning |
| CN110716012A (zh) * | 2019-09-10 | 2020-01-21 | 淮阴工学院 | 一种基于现场总线网络的油气浓度智能监测系统 |
| CN113988519A (zh) * | 2021-09-27 | 2022-01-28 | 上海博物馆 | 一种馆藏文物保存环境风险表征方法 |
| CN114974453A (zh) * | 2022-05-30 | 2022-08-30 | 中南大学 | 一种大气二氧化碳柱浓度高覆盖度重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王志强;赵莉;肖锋;: "生成式对抗网络的图像超分辨率重建", 西安工业大学学报, no. 01, 25 February 2020 (2020-02-25) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117129556A (zh) * | 2023-08-29 | 2023-11-28 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
| CN117129556B (zh) * | 2023-08-29 | 2024-02-02 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115656444B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113658115B (zh) | 一种基于深度卷积生成对抗网络的图像异常检测方法 | |
| CN110738697A (zh) | 基于深度学习的单目深度估计方法 | |
| CN110135311A (zh) | 一种基于三维岩心扫描图像的孔隙与孔喉识别系统及方法 | |
| CN115272196B (zh) | 组织病理图像中病灶区域预测方法 | |
| Vu et al. | Perception-enhanced image super-resolution via relativistic generative adversarial networks | |
| CN113436237B (zh) | 一种基于高斯过程迁移学习的复杂曲面高效测量系统 | |
| CN114331842B (zh) | 结合地形特征的dem超分辨率重建方法 | |
| CN113610778A (zh) | 一种基于语义分割的桥梁表面裂纹检测方法与系统 | |
| CN112818920B (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
| CN115656444A (zh) | 一种大型场馆内二氧化碳场浓度重建方法 | |
| CN110705340A (zh) | 一种基于注意力神经网络场的人群计数方法 | |
| CN111833261A (zh) | 一种基于注意力的生成对抗网络的图像超分辨率复原方法 | |
| CN112418049A (zh) | 一种基于高分遥感影像的水体变化检测方法 | |
| CN114693064A (zh) | 一种建筑群方案生成性能评价方法 | |
| CN116051382A (zh) | 一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法 | |
| CN103020905A (zh) | 针对文字图像的稀疏约束自适应nlm超分辨率重建方法 | |
| CN116433548A (zh) | 一种基于多级信息提取的高光谱与全色图像融合方法 | |
| CN116703685A (zh) | 图像去水印方法、装置、设备和介质 | |
| CN112634428A (zh) | 一种基于双向循环生成网络的多孔介质三维图像重建方法 | |
| CN115953330A (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 | |
| CN112785684B (zh) | 一种基于局部信息加权机制的三维模型重建方法 | |
| CN114529737A (zh) | 一种基于gan网络的光学赤足迹图像轮廓提取方法 | |
| CN112017273B (zh) | 基于模式密度函数模拟算法的多分辨率岩心孔隙融合方法 | |
| CN114022362A (zh) | 一种基于金字塔注意力机制和对称网络的图像超分辨率方法 | |
| CN113409321A (zh) | 一种基于像素分类和距离回归的细胞核图像分割方法 |
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 | ||
| GR01 | Patent grant |