CN117078778A - 基于大数据的智慧园区空气质量检测方法及检测终端 - Google Patents
基于大数据的智慧园区空气质量检测方法及检测终端 Download PDFInfo
- Publication number
- CN117078778A CN117078778A CN202311329077.9A CN202311329077A CN117078778A CN 117078778 A CN117078778 A CN 117078778A CN 202311329077 A CN202311329077 A CN 202311329077A CN 117078778 A CN117078778 A CN 117078778A
- Authority
- CN
- China
- Prior art keywords
- real
- air quality
- time
- neural network
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明公开了一种基于大数据的智慧园区空气质量检测方法及检测终端,方法包括构建以图片为输出以空气质量官方数据为输出的神经网络模型;获取智慧园区范围内的实时图片;对实时图片进行预处理,获得实时图片对应的实时纯色图片;将实时纯色图片输入至神经网络模型;神经网络模型进行结果输出,获得实时的空气质量检测数据;本发明通过智慧园区内已经安装的监控摄像头作为数据来源,无需安装额外的传感器设备,可以降低成本,且由于智慧园区内通常已经安装了大量的监控摄像头,因此可以实现对整个园区的全面覆盖,而不是局限于特定的传感器位置;并构建的神经网络模型对实时图片进行预测,可以随时获得空气质量检测数据。
Description
技术领域
本发明涉及智慧园区技术领域,具体涉及一种基于大数据的智慧园区空气质量检测方法及检测终端。
背景技术
一般园区通常包含了大量的办公空间、生产区域、公共区域等,且员工常常需要长时间停留在这些区域,因此空气质量直接影响着园区内员工的健康和生活质量。
随着城市化的加速,空气质量变化越来越快,因此对空气质量的实时监测和分析需求日益增加。目前,官方公布的空气质量数据公布频率较低,一般是一个小时或者4个小时,这在很多情况下无法满足实时监控的需求。
现有的空气质量监测方法通常包括一系列固定的、定期校准的传感器分布在各地。这些传感器会收集数据并通过有线或无线网络发送到中央数据库。然而,这些系统存在一些问题:
1.需要额外布设传感器,传感器设备本体和设备维护维护、网络设施、数据存储等均需要额外的成本。
2.有限的覆盖范围:传感器的数量和位置是固定的,所以在一些区域可能无法覆盖,或者数据可能不够精确。
因此,存在一种对现有技术的改进需求,以实现更为实时、准确、覆盖范围更广、成本更低的空气质量检测。
发明内容
本发明所要解决的技术问题是对空气质量实时检测的需求,目的在于提供一种基于大数据的智慧园区空气质量检测方法及检测终端,在低成本的情况下实现了对空气质量的实时监测。
本发明通过下述技术方案实现:
一种基于大数据的智慧园区空气质量检测方法,包括:
构建以图片为输出以空气质量官方数据为输出的神经网络模型;
获取智慧园区范围内的实时图片,实时图片通过安装在智慧园区范围内的监控摄像头获得;
对实时图片进行预处理,获得实时图片对应的实时纯色图片;
将实时纯色图片输入至神经网络模型;
神经网络模型进行结果输出,获得实时的空气质量检测数据。
具体地,对固定拍摄方位的实时图片进行预处理的方法包括:
将实时图片分割为多个相同尺寸的实时子图,并从多个实时子图中随机挑选/>个实时子图进行预处理获取原始子图的HSV值,/>;
通过K均值聚类算法获取中心类,然后将各像素对应的HSV值放置至所属类别;
确定各类中的像素个数,并获得各个中心类中数量最多的颜色,并获取对应的值、/>值和/>值;
遍历个实时子图,并计算/>个/>值的平均值/>,/>个/>值的平均值/>,/>个/>值的平均值/>;
将实时图片替换为的实时纯色图片。
具体地,对实时子图进行预处理的方法包括:
对实时子图进行像素扫描,并获取实时子图中各个像素点的值、/>值和/>值;
将像素点的RGB值换算至[0,1]范围内的值,,/>,/>;
获取最大值和最小值,,/>;
计算各个像素点对应的的值、/>值和/>值:
,
,/>。
具体地,获取智慧园区范围内的监控摄像头位置,并确定拍摄方位,每一个监控摄像头均在设定的拍摄方位获取用于进行空气质量检测的历史图片;且针对每一个监控摄像头构建相互独立的神经网络模型。
具体地,神经网络模型的构建方法包括:
获取个历史数据作为建模数据,历史数据包括官方公布的空气质量官方数据和对应时间段的智慧园区监控摄像头在固定拍摄方位获取的历史图片;
获取对应的时间段内的该监控摄像头拍摄的所有历史图片对应的历史纯色图片;
按照时间段,将空气质量官方数据作为输出变量,将历史纯色图片作为输入变量,对神经网络模型进行训练获得训练后的神经网络模型。
可选地,官方公布的空气质量官方数据的频率为1小时一次,智慧园区监控摄像头获取的图片的频率为1分钟一次。
具体地,历史纯色图片的获得方法包括:
将历史图片分割为多个相同尺寸的历史子图,并从多个历史子图中随机挑选/>个历史子图进行预处理获取原始子图的HSV值,/>;
通过K均值聚类算法获取中心类,然后将各像素对应的HSV值放置至所属类别;
确定各类中的像素个数,并获得各个中心类中数量最多的颜色,并获取对应的值、/>值和/>值;
遍历个历史子图,并计算/>个/>值的平均值/>,/>个/>值的平均值/>,/>个/>值的平均值/>;
将历史图片替换为的历史纯色图片。
进一步,对训练后的神经网络模型进行校准,所述校准方法包括:
获取最新数据,最新数据包括官方公布的最新的空气质量官方数据和对应时间段内的所有实时图片;
获取该时间段内所有实时图片的实时纯色图片,将所有实时纯色图片输入至神经网络模型,获得多个空气质量检测数据,并获得多个空气质量检测数据的平均值;
获取空气质量检测数据和空气质量官方数据的相对误差绝对值;
移除个历史数据中的任意一个空气质量官方数据和其对应的历史图片;由剩余的/>个历史数据和最新数据对神经网络模型进行重新训练,获得重新训练后的神经网络模型;
将最新数据输入至重新训练后的神经网络模型,并获得空气质量检测数据平均值后计算相对误差绝对值/>;
若,则将重新训练后的神经网络模型作为校准后的神经网络模型;否则,将原来的神经网络模型作为校准后的神经网络模型。
优选地,对个历史数据进行遍历移除,并获得/>;
筛选获得个相对误差绝对值中的最小值,并以其对应的重新训练的神经网络模型作为校准后的神经网络模型。
一种基于大数据的智慧园区空气质量检测终端,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的一种基于大数据的智慧园区空气质量检测方法。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明通过智慧园区内已经安装的监控摄像头作为数据来源,无需安装额外的传感器设备,可以降低成本,且由于智慧园区内通常已经安装了大量的监控摄像头,因此可以实现对整个园区的全面覆盖,而不是局限于特定的传感器位置;并构建的神经网络模型对实时图片进行预测,可以随时获得空气质量检测数据。
附图说明
附图示出了本发明的示例性实施方式,并与其说明一起用于解释本发明的原理,其中包括了这些附图以提供对本发明的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分,并不构成对本发明实施例的限定。
图1是根据本发明所述的一种基于大数据的智慧园区空气质量检测方法的流程示意图。
图2是根据本发明所述的神经网络模型的校准方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分。
在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。
实施例一
为了实现对园区内的空气质量进行实时监测,提供一种利用园区现有的监控摄像头的基于大数据的智慧园区空气质量检测方法,不需要额外布设传感器且能够随时获得相关的数据。
如图1所示,基于大数据的智慧园区空气质量检测方法包括:
构建以图片为输出以空气质量官方数据为输出的神经网络模型;本步骤是为了构建一个能够准确分析实时纯色图片并输出空气质量检测数据的神经网络模型,该模型是通过历史数据(即官方的空气质量数据和对应的图片)训练获得的。
获取智慧园区范围内的实时图片,实时图片通过安装在智慧园区范围内的监控摄像头获得;获取智慧园区范围内的监控摄像头位置,并确定拍摄方位,每一个监控摄像头均在设定的拍摄方位获取用于进行空气质量检测的历史图片;且针对每一个监控摄像头构建相互独立的神经网络模型。因为不同角度的监控摄像头拍摄的图片的参数不一致,如果使用大量不同位置的监控摄像头的历史数据训练一个综合的神经网络模型,则可能需要大量的数据并且模型训练时间过长,因此,在本实施例中,针对每一个监控摄像头,保证其在进行实时图片的拍摄时的拍摄方位固定,尽可能的减少其他因素造成的预测不准确。
对实时图片进行预处理,获得实时图片对应的实时纯色图片;将实时纯色图片输入至神经网络模型;本实施例中将实时图片处理成为纯色图片,即减少其他色彩对模型造成的干扰,再进一步的减少模型的训练时间,为后期模型的校准提供基础。
神经网络模型进行结果输出,获得实时的空气质量检测数据。
在园区中,监控摄像头拍摄的图片本来就需要进行存储和传输,因此不在需要额外的存储设备和传输设备,至需要增加处理器来对实时图片进行处理即可,尽可能的降低了成本。
实施例二
本实施例提供对固定拍摄方位的实时图片进行预处理的方法包括:
将实时图片分割为多个相同尺寸的实时子图,并从多个实时子图中随机挑选/>个实时子图进行预处理获取原始子图的HSV值,/>;在本步骤中,通过将实时图片分割为多个实时子图,从而减少后续的计算量,提高处理速度,并且通过随机挑选使得具备一定的代表性,并且HSV值更能准确的获取颜色信息,不损失准确度。
通过K均值聚类算法获取中心类,然后将各像素对应的HSV值放置至所属类别;将获取的HSV值通过K均值聚类算法进行处理,得到各个中心类,并将相似的颜色聚集到一起。
确定各类中的像素个数,并获得各个中心类中数量最多的颜色,并获取对应的值、/>值和/>值;获取最具代表性的颜色。
遍历个实时子图,并计算/>个/>值的平均值/>,/>个/>值的平均值/>,/>个/>值的平均值/>;
将实时图片替换为的实时纯色图片。通过实时子图的平均值来代表实时图片。
通过K均值聚类算法将HSV值分到对应的类别中,然后从中获取最具代表性的颜色,计算其RGB值的平均值,并生成对应的实时纯色图片,可以有效地减少后续处理的计算量,提高处理速度,同时也不会损失太多的准确度。
其中,对实时子图进行预处理的方法包括:
对实时子图进行像素扫描,并获取实时子图中各个像素点的值、/>值和/>值;
为了将RGB值标准化,将像素点的RGB值换算至[0,1]范围内的值,,,/>;
获取最大值和最小值,,/>;
计算各个像素点对应的的值、/>值和/>值:
,
。
通过对实时子图的每个像素点的RGB值进行处理,换算至[0,1]范围内的值,然后计算每个像素点的HSV值,可以更准确地获取图片的颜色信息,从而为后续的处理提供准确的输入数据。
实施例三
获取智慧园区范围内的监控摄像头位置,并确定拍摄方位,每一个监控摄像头均在设定的拍摄方位获取用于进行空气质量检测的历史图片;且针对每一个监控摄像头构建相互独立的神经网络模型。
神经网络模型的构建方法包括:
第一步,获取个历史数据作为建模数据,历史数据包括官方公布的空气质量官方数据和对应时间段的智慧园区监控摄像头在固定拍摄方位获取的历史图片;
第二步,获取对应的时间段内的该监控摄像头拍摄的所有历史图片对应的历史纯色图片;对上述获取的所有历史图片进行预处理,将其转化为历史纯色图片,从而简化图片的信息,只保留图片的颜色信息,最终减少了计算量,加快模型的训练速度。
第三步,按照时间段,将空气质量官方数据作为输出变量,将历史纯色图片作为输入变量,对神经网络模型进行训练获得训练后的神经网络模型。使用上述获取的历史纯色图片作为输入变量,官方公布的空气质量数据作为输出变量,对神经网络模型进行训练,训练的目的是为了调整模型的参数,使得模型的输出结果逼近真实的空气质量数据,当使用所有历史数据对神经网络模型进行训练后,最终获得训练后的神经网络模型。
例如,官方公布的空气质量官方数据的频率为1小时一次,为了获取历史数据,可以设定智慧园区监控摄像头获取的图片的频率为1分钟一次,则1个历史数据包括1个空气质量官方数据和60张历史图片。
另外,可以参照实施例二中实时纯色图片的获得方法,本实施例中历史纯色图片的获得方法包括:
将历史图片分割为多个相同尺寸的历史子图,并从多个历史子图中随机挑选/>个历史子图进行预处理获取原始子图的HSV值,/>;
通过K均值聚类算法获取中心类,然后将各像素对应的HSV值放置至所属类别;
确定各类中的像素个数,并获得各个中心类中数量最多的颜色,并获取对应的值、/>值和/>值;
遍历个历史子图,并计算/>个/>值的平均值/>,/>个/>值的平均值/>,/>个/>值的平均值/>;
将历史图片替换为的历史纯色图片。
实施例四
如图2所示,为了提高模型的准确性和稳定性,需要根据最新的空气质量官方数据和实时图片,对模型进行调整,使模型能更好地适应最新的数据分布,需要对训练后的神经网络模型进行校准,所述校准方法包括:
第一步,获取最新数据,最新数据包括官方公布的最新的空气质量官方数据和对应时间段内的所有实时图片;
第二步,获取该时间段内所有实时图片的实时纯色图片,将所有实时纯色图片输入至神经网络模型,获得多个空气质量检测数据,并获得多个空气质量检测数据的平均值;
第三步,获取空气质量检测数据和空气质量官方数据的相对误差绝对值,通过相对误差值衡量模型的准确性。
第四步,移除个历史数据中的任意一个空气质量官方数据和其对应的历史图片;由剩余的/>个历史数据和最新数据对神经网络模型进行重新训练,获得重新训练后的神经网络模型;
第五步,将最新数据输入至重新训练后的神经网络模型,并获得空气质量检测数据平均值后计算相对误差绝对值/>;
若,说明重新训练后的模型预测准确性更高,则将重新训练后的神经网络模型作为校准后的神经网络模型;否则,将原来的神经网络模型作为校准后的神经网络模型。
第六步,对个历史数据进行遍历移除,并获得/>;
第七步,筛选获得个相对误差绝对值中的最小值,并以其对应的重新训练的神经网络模型作为校准后的神经网络模型。
本实施例的目的是在保持模型预测能力的前提下,使模型能够适应新的数据分布,提高其预测的准确性和稳定性。该校准方法能够使神经网络模型适应最新的数据分布,提高其预测的准确性和稳定性。
实施例五
一种基于大数据的智慧园区空气质量检测终端,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的一种基于大数据的智慧园区空气质量检测方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的执行程序等。
存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件、或其他易失性固态存储器件。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的一种基于大数据的智慧园区空气质量检测方法。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储技术,CD-ROM、DVD或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。
在本说明书的描述中,参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本发明,而并非是对本发明的范围进行限定。对于所属领域的技术人员而言,在上述发明的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本发明的范围内。
Claims (10)
1.一种基于大数据的智慧园区空气质量检测方法,其特征在于,包括:
构建以图片为输出以空气质量官方数据为输出的神经网络模型;
获取智慧园区范围内的实时图片,实时图片通过安装在智慧园区范围内的监控摄像头获得;
对实时图片进行预处理,获得实时图片对应的实时纯色图片;
将实时纯色图片输入至神经网络模型;
神经网络模型进行结果输出,获得实时的空气质量检测数据。
2.根据权利要求1所述的一种基于大数据的智慧园区空气质量检测方法,其特征在于,对固定拍摄方位的实时图片进行预处理的方法包括:
将实时图片分割为多个相同尺寸的实时子图,并从多个实时子图中随机挑选/>个实时子图进行预处理获取原始子图的HSV值,/>;
通过K均值聚类算法获取中心类,然后将各像素对应的HSV值放置至所属类别;
确定各类中的像素个数,并获得各个中心类中数量最多的颜色,并获取对应的值、/>值和/>值;
遍历个实时子图,并计算/>个/>值的平均值/>,/>个/>值的平均值/>,/>个/>值的平均值;
将实时图片替换为的实时纯色图片。
3.根据权利要求2所述的一种基于大数据的智慧园区空气质量检测方法,其特征在于,对实时子图进行预处理的方法包括:
对实时子图进行像素扫描,并获取实时子图中各个像素点的值、/>值和/>值;
将像素点的RGB值换算至[0,1]范围内的值,,/>,/>;
获取最大值和最小值,,/>;
计算各个像素点对应的的值、/>值和/>值:
,
。
4.根据权利要求1所述的一种基于大数据的智慧园区空气质量检测方法,其特征在于,获取智慧园区范围内的监控摄像头位置,并确定拍摄方位,每一个监控摄像头均在设定的拍摄方位获取用于进行空气质量检测的历史图片;且针对每一个监控摄像头构建相互独立的神经网络模型。
5.根据权利要求4所述的一种基于大数据的智慧园区空气质量检测方法,其特征在于,神经网络模型的构建方法包括:
获取个历史数据作为建模数据,历史数据包括官方公布的空气质量官方数据和对应时间段的智慧园区监控摄像头在固定拍摄方位获取的历史图片;
获取对应的时间段内的该监控摄像头拍摄的所有历史图片对应的历史纯色图片;
按照时间段,将空气质量官方数据作为输出变量,将历史纯色图片作为输入变量,对神经网络模型进行训练获得训练后的神经网络模型。
6.根据权利要求5所述的一种基于大数据的智慧园区空气质量检测方法,其特征在于,官方公布的空气质量官方数据的频率为1小时一次,智慧园区监控摄像头获取的图片的频率为1分钟一次。
7.根据权利要求5所述的一种基于大数据的智慧园区空气质量检测方法,其特征在于,历史纯色图片的获得方法包括:
将历史图片分割为多个相同尺寸的历史子图,并从多个历史子图中随机挑选/>个历史子图进行预处理获取原始子图的HSV值,/>;
通过K均值聚类算法获取中心类,然后将各像素对应的HSV值放置至所属类别;
确定各类中的像素个数,并获得各个中心类中数量最多的颜色,并获取对应的值、/>值和/>值;
遍历个历史子图,并计算/>个/>值的平均值/>,/>个/>值的平均值/>,/>个/>值的平均值;
将历史图片替换为的历史纯色图片。
8.根据权利要求5所述的一种基于大数据的智慧园区空气质量检测方法,其特征在于,对训练后的神经网络模型进行校准,所述校准方法包括:
获取最新数据,最新数据包括官方公布的最新的空气质量官方数据和对应时间段内的所有实时图片;
获取该时间段内所有实时图片的实时纯色图片,将所有实时纯色图片输入至神经网络模型,获得多个空气质量检测数据,并获得多个空气质量检测数据的平均值;
获取空气质量检测数据和空气质量官方数据的相对误差绝对值;
移除个历史数据中的任意一个空气质量官方数据和其对应的历史图片;由剩余的个历史数据和最新数据对神经网络模型进行重新训练,获得重新训练后的神经网络模型;
将最新数据输入至重新训练后的神经网络模型,并获得空气质量检测数据平均值后计算相对误差绝对值/>;
若,则将重新训练后的神经网络模型作为校准后的神经网络模型;否则,将原来的神经网络模型作为校准后的神经网络模型。
9.根据权利要求8所述的一种基于大数据的智慧园区空气质量检测方法,其特征在于,
对个历史数据进行遍历移除,并获得/>;
筛选获得个相对误差绝对值中的最小值,并以其对应的重新训练的神经网络模型作为校准后的神经网络模型。
10.一种基于大数据的智慧园区空气质量检测终端,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9中任一项所述的一种基于大数据的智慧园区空气质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311329077.9A CN117078778B (zh) | 2023-10-16 | 2023-10-16 | 基于大数据的智慧园区空气质量检测方法及检测终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311329077.9A CN117078778B (zh) | 2023-10-16 | 2023-10-16 | 基于大数据的智慧园区空气质量检测方法及检测终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078778A true CN117078778A (zh) | 2023-11-17 |
CN117078778B CN117078778B (zh) | 2024-01-26 |
Family
ID=88717462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311329077.9A Active CN117078778B (zh) | 2023-10-16 | 2023-10-16 | 基于大数据的智慧园区空气质量检测方法及检测终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078778B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104456727A (zh) * | 2014-11-06 | 2015-03-25 | 华北电力大学 | 一种室内空气质量的显示与净化的方法及设备 |
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 |
CN110555551A (zh) * | 2019-08-23 | 2019-12-10 | 中南大学 | 一种智慧城市的空气质量大数据管理方法及系统 |
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 |
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 |
CN113537154A (zh) * | 2021-08-20 | 2021-10-22 | 中国美术学院 | 无人机建筑航拍图神经网络自动校色方法 |
KR102387630B1 (ko) * | 2020-11-19 | 2022-04-25 | (주)비트버스 | 실측 데이터 빅데이터 및 기상요소를 이용한 인공지능 동네별 공기질 추정 장치 |
WO2022105227A1 (zh) * | 2020-11-17 | 2022-05-27 | 深圳前海微众银行股份有限公司 | 一种确定空气质量的方法及装置 |
CN114912707A (zh) * | 2022-06-01 | 2022-08-16 | 中科大数据研究院 | 一种基于多模态融合的空气质量预测系统及预测方法 |
US20220303516A1 (en) * | 2021-03-18 | 2022-09-22 | National Chung Cheng University | Method of air pollution estimation based on spectral image processing |
CN115278217A (zh) * | 2022-07-21 | 2022-11-01 | 深圳市震有软件科技有限公司 | 图像画面检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-10-16 CN CN202311329077.9A patent/CN117078778B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104456727A (zh) * | 2014-11-06 | 2015-03-25 | 华北电力大学 | 一种室内空气质量的显示与净化的方法及设备 |
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 |
CN110555551A (zh) * | 2019-08-23 | 2019-12-10 | 中南大学 | 一种智慧城市的空气质量大数据管理方法及系统 |
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 |
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 |
WO2022105227A1 (zh) * | 2020-11-17 | 2022-05-27 | 深圳前海微众银行股份有限公司 | 一种确定空气质量的方法及装置 |
KR102387630B1 (ko) * | 2020-11-19 | 2022-04-25 | (주)비트버스 | 실측 데이터 빅데이터 및 기상요소를 이용한 인공지능 동네별 공기질 추정 장치 |
US20220303516A1 (en) * | 2021-03-18 | 2022-09-22 | National Chung Cheng University | Method of air pollution estimation based on spectral image processing |
CN113537154A (zh) * | 2021-08-20 | 2021-10-22 | 中国美术学院 | 无人机建筑航拍图神经网络自动校色方法 |
CN114912707A (zh) * | 2022-06-01 | 2022-08-16 | 中科大数据研究院 | 一种基于多模态融合的空气质量预测系统及预测方法 |
CN115278217A (zh) * | 2022-07-21 | 2022-11-01 | 深圳市震有软件科技有限公司 | 图像画面检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
CHAKMA, A 等: "IMAGE-BASED AIR QUALITY ANALYSIS USING DEEP CONVOLUTIONAL NEURAL NETWORK", 《24TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》, pages 3949 - 3952 * |
杨英东: "基于深度自注意力网络的空气质量检测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 03, pages 027 - 650 * |
马啸 等: "基于K均值聚类算法的雾霾天气自动识别", 《舰船电子工程》, vol. 38, no. 12, pages 124 - 128 * |
Also Published As
Publication number | Publication date |
---|---|
CN117078778B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417926B (zh) | 车位识别方法、装置、计算机设备及可读存储介质 | |
CN114067214B (zh) | 一种基于多模型融合卷积网络的暴雨识别方法和装置 | |
CN110488391B (zh) | 针对小区域的天气预测系统、方法及存储介质 | |
CN111145136B (zh) | 用于变电站表计图像数据集的合成方法、系统及存储介质 | |
CN111369495A (zh) | 一种基于视频的全景图像的变化检测方法 | |
CN112147638B (zh) | 基于激光点云反射强度的地面信息获取方法、装置和系统 | |
KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
CN112085778A (zh) | 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统 | |
CN114845260A (zh) | 一种基于物联网的水文监测数据采集系统 | |
CN114758127A (zh) | 基于大数据的城市场景垃圾检测系统 | |
CN117078778B (zh) | 基于大数据的智慧园区空气质量检测方法及检测终端 | |
CN111031258B (zh) | 月球车导航相机曝光参数确定方法及装置 | |
CN112699836A (zh) | 低空水田图像的分割方法、装置和电子设备 | |
CN115019216B (zh) | 实时地物检测和定位计数方法、系统及计算机 | |
CN116448773A (zh) | 一种图像-振动特征融合的路面病害检测方法及系统 | |
CN113190564A (zh) | 地图更新系统、方法及设备 | |
CN115797310A (zh) | 一种光伏电站组串倾角的确定方法及电子设备 | |
CN115659268A (zh) | 基于adcp测流数据的场景识别方法及其应用 | |
CN115331124A (zh) | 一种基于无人机遥感的入侵植物生物量估算方法 | |
CN110969875B (zh) | 一种用于道路交叉口交通管理的方法及系统 | |
CN114037993A (zh) | 变电站指针仪表读数方法、装置、存储介质以及电子设备 | |
CN115861821B (zh) | 一种基于多目标优化的生态环境监测保护方法 | |
CN117308967B (zh) | 一种目标对象位置信息的确定方法、装置及设备 | |
CN116993803B (zh) | 滑坡形变监测方法、装置及电子设备 | |
CN114255264B (zh) | 多基站配准方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant |