CN117437460A - 一种基于环境特征的空气质量智能评级方法及系统 - Google Patents
一种基于环境特征的空气质量智能评级方法及系统 Download PDFInfo
- Publication number
- CN117437460A CN117437460A CN202311317094.0A CN202311317094A CN117437460A CN 117437460 A CN117437460 A CN 117437460A CN 202311317094 A CN202311317094 A CN 202311317094A CN 117437460 A CN117437460 A CN 117437460A
- Authority
- CN
- China
- Prior art keywords
- air quality
- layer
- quality data
- feature map
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007613 environmental effect Effects 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000010586 diagram Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 14
- 238000013441 quality evaluation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Food Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Combustion & Propulsion (AREA)
- Biodiversity & Conservation Biology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于环境特征的空气质量智能评级方法及系统,属于空气质量技术领域,方法包括:获取在待评级环境中第一背景下采集到的第一图像;使用训练好的第一神经网络模型对第一图像进行识别,得到第一空气质量数据;获取在待评级环境中第二背景下采集到的第二图像;使用训练好的第二神经网络模型对第二图像进行识别,得到第二空气质量数据;使用训练好的第三神经网络模型根据第一空气质量数据和第二空气质量数据获取第三空气质量数据;根据第三空气质量数据和空气质量评级标准得到待评级环境的空气质量评级结果。本方法基于多个背景下的图像进行评级,准确率更高。本方法可以使用现有的监控设备采集图像,无需添加硬件,降低了使用成本。
Description
技术领域
本发明涉及仓库技术领域,具体为一种基于环境特征的空气质量智能评级方法、装置及系统。
背景技术
空气质量问题对公众的健康和日常行为活动产生了较大的影响,传统的空气质量检测大多由专业的环境检测站完成,但其受限于人力资源与物资财力等,检测的数据较为局限。尤其是针对特殊环境的室内的空气质量,没有简便易用的空气质量评级方法。
因此,针对这一现状,迫切需要开发一种基于环境特征的空气质量智能评级方法及系统,实现特殊环境的室内的空气质量的评级目的。
发明内容
本发明的目的是提供一种提高多标签读取准确率的基于环境特征的空气质量智能评级方法、装置及系统。
为解决上述问题,本发明的第一方面提供了一种基于环境特征的空气质量智能评级方法,包括:
获取在待评级环境中第一背景下采集到的第一图像;
使用训练好的第一神经网络模型对第一图像进行识别,得到第一空气质量数据;
获取在待评级环境中第二背景下采集到的第二图像;
使用训练好的第二神经网络模型对第二图像进行识别,得到第二空气质量数据;
使用训练好的第三神经网络模型根据第一空气质量数据和第二空气质量数据获取第三空气质量数据;
根据第三空气质量数据和空气质量评级标准得到待评级环境的空气质量评级结果。
可选地,所述方法还包括:训练第一神经网络模型;
所述训练第一神经网络模型包括:
获取第一数据集,所述第一数据集包括多个第一背景下采集的第一历史图像和与每个第一历史图像对应的空气质量数据实际值;
对第一数据集进行预处理;
使用第一神经网络模型对处理后的第一数据集进行多次卷积操作,得到第一特征图;
分别计算每次所述卷积操作的结果对应的空气指数计算值以及所述第一特征图对应的空气指数计算值;
根据多个所述空气指数计算值以及所述第一历史图像对应的空气质量数据实际值计算第一损失值;
若第一损失值小于第一预设值,则训练结束。
可选地,所述第一神经网络模型包括:第一层第一模型、第二次第一模型、第二层第二模型、第三层第一模型、第三层第二模型;
使用第一神经网络模型对处理后的第一数据集进行多次卷积操作,得到第一特征图包括:
使用第一层第一模型对第一历史图像进行滑动窗口大小为1×1的卷积操作,得到第一层特征图;
使用第二层第一模型对前半部分的所述第一层特征图进行滑动窗口大小为3×3的卷积操作,得到第二层第一特征图;
使用第二层第二模型对后半部分的所述第一层特征图进行滑动窗口大小为3×3的空洞卷积操作,得到第二层第二特征图;
对所述第二层第一特征图和第二层第二特征图进行叠加,得到第二层特征图;
根据所述第三层第一模型对所述第二层特征图进行滑动窗口大小为1×1的卷积操作,根据所述第三层第二模型对所述原始空气图像特征图和所述第二层特征图对应的卷积操作的结果进行跳跃连接操作,得到所述第一特征图。
可选地,使用第一层第一模型对第一历史图像进行滑动窗口大小为1×1的卷积操作,得到第一层特征图的公式为:
F 1,i=ReLU(W 1,x),
其中,F 1,i表示得到的i个第一层特征图,x表示所述原始空气图像特征图,ReLU为激活函数,W 1为所述第一层第一模型;
使用第二层第一模型对前半部分的所述第一层特征图进行滑动窗口大小为3×3的卷积操作,得到第二层第一特征图的公式为:
其中,F 2_conv,j表示得到的j个第二层第一特征图,W 2,1为所述第二层第一模型,表示前半部分的i个所述第一层特征图;
使用第二层第二模型对后半部分的所述第一层特征图进行滑动窗口大小为3×3的空洞卷积操作,得到第二层第二特征图的公式为:
其中,F 2_dconv,k表示得到的k个第二层第二特征图,W 2,2为所述第二层第二模型,表示后半部分的i个所述第一层特征图;
对所述第二层第一特征图和第二层第二特征图进行叠加,得到第二层特征图的公式为:
F 3,j+k=[F 2_conv,j;F 2_dconv,k],
其中,F 3,j+k表示得到的j+k个所述第二层特征图;
根据所述第三层第一模型对所述第二层特征图进行滑动窗口大小为1×1的卷积操作,根据所述第三层第二模型对所述原始空气图像特征图和所述第二层特征图对应的卷积操作的结果进行跳跃连接操作,得到所述第一特征图的公式为:
y=ReLU(W 3,1,F 3,j+k)+W 3,2x,
其中,y表示所述第一特征图,W 3,1表示所述第三层第一模型,W 3,2表示所述第三层第二模型,x表示所述第一历史图像。
可选地,所述计算第一特征图对应的空气指数计算值包括:
根据预设规则提取所述第一特征图中的多个特征,根据所述特征得到空气指数计算值。
可选地,所述方法还包括训练第三神经网络模型;
获取第二数据集,所述第二数据集包括第一空气质量数据、第二空气质量数据和传感器采集的空气质量数据,其中,第一空气质量数据、第二空气质量数据和传感器采集的空气质量数据一一对应;
将第二数据集输入第三神经网络模型,获取预测值,计算第二损失值;
使用梯度下降法更新权重和偏差,直至第二损失值收敛。
可选地,使用训练好的第三神经网络模型根据第一空气质量数据和第二空气质量数据获取第三空气质量数据包括:
将第一空气质量数据和第二空气质量数据输入训练好的第三神经网络模型,得到待验证的数据;
对待验证的数据进行验证,若验证通过则将待验证的数据作为第三空气质量数据。
可选地,根据第三空气质量数据和空气质量评级标准得到待评级环境的空气质量评级结果包括:
根据当前环境的空气质量要求构建空气质量评价表,所述空气质量评价表包括各个空气质量指标的各级范围;
根据第三空气质量数据中的各个空气质量指标和空气质量评价表确定待评级环境的空气质量评级结果。
本发明还提供了一种基于环境特征的空气质量智能评级装置,包括:
第一图像获取模块,用于获取在待评级环境中第一背景下采集到的第一图像;
第一空气质量数据获取模块,用于使用训练好的第一神经网络模型对第一图像进行识别,得到第一空气质量数据;
第二图像获取模块,用于获取在待评级环境中第二背景下采集到的第二图像;
第二空气质量数据获取模块,用于使用训练好的第二神经网络模型对第二图像进行识别,得到第二空气质量数据;
第三空气质量数据获取模块,用于使用训练好的第三神经网络模型根据第一空气质量数据和第二空气质量数据获取第三空气质量数据;
评级模块,用于根据第三空气质量数据和空气质量评级标准得到待评级环境的空气质量评级结果。
本发明还提供了一种基于环境特征的空气质量智能评级系统,其特征在于:包括:图像采集模块和如上所述的基于环境特征的空气质量智能评级装置。
本发明的上述技术方案具有如下有益的技术效果:
本发明提供的基于环境特征的空气质量智能评级方法中,使用不同背景下采集的图像数据分别得到第一空气质量数据和第二空气质量数据,在根据第一空气质量数据和第二空气质量数据对当前环境内的空气质量进行评级。本方法基于多个背景下的图像进行评级,准确率更高。尤其适用于医院或者检验机构中温度恒定,光照恒定的环境中,避免了大量传感器的铺设,节约了成本,本方法可以使用现有的监控设备采集图像,无需添加硬件,降低了使用成本。
附图说明
图1是本发明一个实施例的整体流程图。
图2是本发明一个实施例提供的电子设备的示意图。
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了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明的一个方面提供了一种基于环境特征的空气质量智能评级方法,如图1所示,包括:
获取在待评级环境中第一背景下采集到的第一图像;
使用训练好的第一神经网络模型对第一图像进行识别,得到第一空气质量数据;
获取在待评级环境中第二背景下采集到的第二图像;
使用训练好的第二神经网络模型对第二图像进行识别,得到第二空气质量数据;
使用训练好的第三神经网络模型根据第一空气质量数据和第二空气质量数据获取第三空气质量数据;
根据第三空气质量数据和空气质量评级标准得到待评级环境的空气质量评级结果。
本发明提供的基于环境特征的空气质量智能评级方法中,使用不同背景下采集的图像数据分别得到第一空气质量数据和第二空气质量数据,在根据第一空气质量数据和第二空气质量数据对当前环境内的空气质量进行评级。本方法基于多个背景下的图像进行评级,准确率更高。尤其适用于医院或者检验机构中温度恒定,光照恒定的环境中,避免了大量传感器的铺设,节约了成本,本方法可以使用现有的监控设备采集图像,无需添加硬件,降低了使用成本。
在一实施例中,所述方法还包括:训练第一神经网络模型;
所述训练第一神经网络模型包括:
获取第一数据集,所述第一数据集包括多个第一背景下采集的第一历史图像和与每个第一历史图像对应的空气质量数据实际值;
对第一数据集进行预处理;
使用第一神经网络模型对处理后的第一数据集进行多次卷积操作,得到第一特征图;
分别计算每次所述卷积操作的结果对应的空气指数计算值以及所述第一特征图对应的空气指数计算值;
根据多个所述空气指数计算值以及所述第一历史图像对应的空气质量数据实际值计算第一损失值;
若第一损失值小于第一预设值,则训练结束。
在一实施例中,所述第一神经网络模型包括:第一层第一模型、第二次第一模型、第二层第二模型、第三层第一模型、第三层第二模型;
使用第一神经网络模型对处理后的第一数据集进行多次卷积操作,得到第一特征图包括:
使用第一层第一模型对第一历史图像进行滑动窗口大小为1×1的卷积操作,得到第一层特征图;
使用第二层第一模型对前半部分的所述第一层特征图进行滑动窗口大小为3×3的卷积操作,得到第二层第一特征图;
使用第二层第二模型对后半部分的所述第一层特征图进行滑动窗口大小为3×3的空洞卷积操作,得到第二层第二特征图;
对所述第二层第一特征图和第二层第二特征图进行叠加,得到第二层特征图;
根据所述第三层第一模型对所述第二层特征图进行滑动窗口大小为1×1的卷积操作,根据所述第三层第二模型对所述原始空气图像特征图和所述第二层特征图对应的卷积操作的结果进行跳跃连接操作,得到所述第一特征图。
在一实施例中,使用第一层第一模型对第一历史图像进行滑动窗口大小为1×1的卷积操作,得到第一层特征图的公式为:
F 1,i=ReLU(W 1,x),
其中,F 1,i表示得到的i个第一层特征图,x表示所述原始空气图像特征图,ReLU为激活函数,W 1为所述第一层第一模型;
使用第二层第一模型对前半部分的所述第一层特征图进行滑动窗口大小为3×3的卷积操作,得到第二层第一特征图的公式为:
其中,F 2_conv,j表示得到的j个第二层第一特征图,W 2,1为所述第二层第一模型,表示前半部分的i个所述第一层特征图;
使用第二层第二模型对后半部分的所述第一层特征图进行滑动窗口大小为3×3的空洞卷积操作,得到第二层第二特征图的公式为:
其中,F 2_dconv,k表示得到的k个第二层第二特征图,W 2,2为所述第二层第二模型,表示后半部分的i个所述第一层特征图;
对所述第二层第一特征图和第二层第二特征图进行叠加,得到第二层特征图的公式为:
F 3,j+k=[F 2_conv,j;F 2_dconv,k],
其中,F 3,j+k表示得到的j+k个所述第二层特征图;
根据所述第三层第一模型对所述第二层特征图进行滑动窗口大小为1×1的卷积操作,根据所述第三层第二模型对所述原始空气图像特征图和所述第二层特征图对应的卷积操作的结果进行跳跃连接操作,得到所述第一特征图的公式为:
y=ReLU(W 3,1,F 3,j+k)+W 3,2x,
其中,y表示所述第一特征图,W 3,1表示所述第三层第一模型,W 3,2表示所述第三层第二模型,x表示所述第一历史图像。
本方法首先获取多处室内场景中的第一图像和第二图像,然后根据第一神经网络模型对第一图像进行多次卷积操作,得到第一特征图,实现了对原始残差块进行改进,得到包括多次卷积操作的复合残差块,同时计算每次卷积操作的结果和得到的多维度空气图像特征图对应的空气指数计算值,实现了利用复合残差块建立图像与空气指数之间的非线性关系,然后根据多个空气指数计算值以及空气图像对应的空气指数实际值计算损失值,实现了在原有的图像空气质量评价方法中均方误差损失函数的基础上,增加计算每次卷积操作得到的空气指数计算值与空气指数实际值的损失值,将中间各个节点的空气指数计算值作为辅助损失参与模型的训练。最后构建了只有一个神经元的全连接层作为回归层,其输入是提取的空气图像,输出为该图像对应的空气指数。相比于传统的环境检测装置(传感器)对空气质量进行检测的方法,实现了根据空气图像对空气质量进行评价,降低了空气质量检测部署的难度,解决了传统环境检测站点对空气质量进行检测时,其所测数据具有地理局限性,若要检测多个区域的空气质量,则需要部署更多的环境检测装置,导致问题人力资源和物资财力的提高的问题。
在一实施例中,所述计算第一特征图对应的空气指数计算值包括:
根据预设规则提取所述第一特征图中的多个特征,根据所述特征得到空气指数计算值。
举例来说,特征可以是颜色,颗粒度等数据,构建一个特征对照表,特征对照表包括每个特征不同的表现情况下的空气质量数据,根据提取到的特征与特征对照表确定空气指数计算值。
第二神经网络模型的训练与第一神经网络模型相同,便不过多赘述。
在一实施例中,所述方法还包括训练第三神经网络模型;
获取第二数据集,所述第二数据集包括第一空气质量数据、第二空气质量数据和传感器采集的空气质量数据,其中,第一空气质量数据、第二空气质量数据和传感器采集的空气质量数据一一对应;
将第二数据集输入第三神经网络模型,获取预测值,计算第二损失值;
使用梯度下降法更新权重和偏差,直至第二损失值收敛。
在一实施例中,使用训练好的第三神经网络模型根据第一空气质量数据和第二空气质量数据获取第三空气质量数据包括:
将第一空气质量数据和第二空气质量数据输入训练好的第三神经网络模型,得到待验证的数据;
对待验证的数据进行验证,若验证通过则将待验证的数据作为第三空气质量数据。
其中,第三神经网络模型可以使用多层感知机。
在一实施例中,根据第三空气质量数据和空气质量评级标准得到待评级环境的空气质量评级结果包括:
根据当前环境的空气质量要求构建空气质量评价表,所述空气质量评价表包括各个空气质量指标的各级范围;
根据第三空气质量数据中的各个空气质量指标和空气质量评价表确定待评级环境的空气质量评级结果。
本发明还提供了一种基于环境特征的空气质量智能评级装置,包括:
第一图像获取模块,用于获取在待评级环境中第一背景下采集到的第一图像;
第一空气质量数据获取模块,用于使用训练好的第一神经网络模型对第一图像进行识别,得到第一空气质量数据;
第二图像获取模块,用于获取在待评级环境中第二背景下采集到的第二图像;
第二空气质量数据获取模块,用于使用训练好的第二神经网络模型对第二图像进行识别,得到第二空气质量数据;
第三空气质量数据获取模块,用于使用训练好的第三神经网络模型根据第一空气质量数据和第二空气质量数据获取第三空气质量数据;
评级模块,用于根据第三空气质量数据和空气质量评级标准得到待评级环境的空气质量评级结果。
本发明还提供了一种基于环境特征的空气质量智能评级系统,包括:图像采集模块和如上所述的基于环境特征的空气质量智能评级装置。
本发明还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并能够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基于环境特征的空气质量智能评级方法。
本发明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存储有计算机程序,所述计算机程序被处理器执行时能够实现如上所述的基于环境特征的空气质量智能评级方法。
图2是能够实现根据本发明一个实施例提供的基于环境特征的空气质量智能评级方法的电子设备的示例性结构图。
如图2所示,电子设备包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505以及输出设备506。其中,输入接口502、中央处理器503、存储器504以及输出接口505通过总线507相互连接,输入设备501和输出设备506分别通过输入接口502和输出接口505与总线507连接,进而与电子设备的其他组件连接。具体地,输入设备501接收来自外部的输入信息,并通过输入接口502将输入信息传送到中央处理器503;中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器504中,然后通过输出接口505将输出信息传送到输出设备506;输出设备506将输出信息输出到电子设备的外部供用户使用。
也就是说,图2所示的电子设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及一个或多个处理器,该一个或多个处理器在执行计算机可执行指令时可以实现结合图1描述的基于环境特征的空气质量智能评级方法。
在一个实施例中,图2所示的电子设备可以被实现为包括:存储器504,被配置为存储可执行程序代码;一个或多个处理器503,被配置为运行存储器504中存储的可执行程序代码,以执行上述实施例中的基于环境特征的空气质量智能评级方法。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动,媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数据多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
Claims (10)
1.一种基于环境特征的空气质量智能评级方法,其特征在于,包括:
获取在待评级环境中第一背景下采集到的第一图像;
使用训练好的第一神经网络模型对第一图像进行识别,得到第一空气质量数据;
获取在待评级环境中第二背景下采集到的第二图像;
使用训练好的第二神经网络模型对第二图像进行识别,得到第二空气质量数据;
使用训练好的第三神经网络模型根据第一空气质量数据和第二空气质量数据获取第三空气质量数据;
根据第三空气质量数据和空气质量评级标准得到待评级环境的空气质量评级结果。
2.根据权利要求1所述的基于环境特征的空气质量智能评级方法,其特征在于,所述方法还包括:训练第一神经网络模型;
所述训练第一神经网络模型包括:
获取第一数据集,所述第一数据集包括多个第一背景下采集的第一历史图像和与每个第一历史图像对应的空气质量数据实际值;
对第一数据集进行预处理;
使用第一神经网络模型对处理后的第一数据集进行多次卷积操作,得到第一特征图;
分别计算每次所述卷积操作的结果对应的空气指数计算值以及所述第一特征图对应的空气指数计算值;
根据多个所述空气指数计算值以及所述第一历史图像对应的空气质量数据实际值计算第一损失值;
若第一损失值小于第一预设值,则训练结束。
3.根据权利要求2所述的基于环境特征的空气质量智能评级方法,其特征在于,所述第一神经网络模型包括:第一层第一模型、第二次第一模型、第二层第二模型、第三层第一模型、第三层第二模型;
使用第一神经网络模型对处理后的第一数据集进行多次卷积操作,得到第一特征图包括:
使用第一层第一模型对第一历史图像进行滑动窗口大小为1×1的卷积操作,得到第一层特征图;
使用第二层第一模型对前半部分的所述第一层特征图进行滑动窗口大小为3×3的卷积操作,得到第二层第一特征图;
使用第二层第二模型对后半部分的所述第一层特征图进行滑动窗口大小为3×3的空洞卷积操作,得到第二层第二特征图;
对所述第二层第一特征图和第二层第二特征图进行叠加,得到第二层特征图;
根据所述第三层第一模型对所述第二层特征图进行滑动窗口大小为1×1的卷积操作,根据所述第三层第二模型对所述原始空气图像特征图和所述第二层特征图对应的卷积操作的结果进行跳跃连接操作,得到所述第一特征图。
4.根据权利要求3所述的基于环境特征的空气质量智能评级方法,其特征在于,
使用第一层第一模型对第一历史图像进行滑动窗口大小为1×1的卷积操作,得到第一层特征图的公式为:
F 1,i=ReLU(W 1,x),
其中,F 1,i表示得到的i个第一层特征图,x表示所述原始空气图像特征图,ReLU为激活函数,W 1为所述第一层第一模型;
使用第二层第一模型对前半部分的所述第一层特征图进行滑动窗口大小为3×3的卷积操作,得到第二层第一特征图的公式为:
其中,F 2_conv,j表示得到的j个第二层第一特征图,W 2,1为所述第二层第一模型,表示前半部分的i个所述第一层特征图;
使用第二层第二模型对后半部分的所述第一层特征图进行滑动窗口大小为3×3的空洞卷积操作,得到第二层第二特征图的公式为:
其中,F 2_dconv,k表示得到的k个第二层第二特征图,W 2,2为所述第二层第二模型,表示后半部分的i个所述第一层特征图;
对所述第二层第一特征图和第二层第二特征图进行叠加,得到第二层特征图的公式为:
F 3,j+k=[F 2_conv,j;F 2_dconv,k],
其中,F 3,j+k表示得到的j+k个所述第二层特征图;
根据所述第三层第一模型对所述第二层特征图进行滑动窗口大小为1×1的卷积操作,根据所述第三层第二模型对所述原始空气图像特征图和所述第二层特征图对应的卷积操作的结果进行跳跃连接操作,得到所述第一特征图的公式为:
y=ReLU(W 3,1,F 3,j+k)+W 3,2x,
其中,y表示所述第一特征图,W 3,1表示所述第三层第一模型,W 3,2表示所述第三层第二模型,x表示所述第一历史图像。
5.根据权利要求4所述的基于环境特征的空气质量智能评级方法,其特征在于,所述计算第一特征图对应的空气指数计算值包括:
根据预设规则提取所述第一特征图中的多个特征,根据所述特征得到空气指数计算值。
6.根据权利要求5所述的基于环境特征的空气质量智能评级方法,其特征在于,所述方法还包括训练第三神经网络模型;
获取第二数据集,所述第二数据集包括第一空气质量数据、第二空气质量数据和传感器采集的空气质量数据,其中,第一空气质量数据、第二空气质量数据和传感器采集的空气质量数据一一对应;
将第二数据集输入第三神经网络模型,获取预测值,计算第二损失值;
使用梯度下降法更新权重和偏差,直至第二损失值收敛。
7.根据权利要求6所述的基于环境特征的空气质量智能评级方法,其特征在于,使用训练好的第三神经网络模型根据第一空气质量数据和第二空气质量数据获取第三空气质量数据包括:
将第一空气质量数据和第二空气质量数据输入训练好的第三神经网络模型,得到待验证的数据;
对待验证的数据进行验证,若验证通过则将待验证的数据作为第三空气质量数据。
8.根据权利要求7所述的基于环境特征的空气质量智能评级方法,其特征在于,根据第三空气质量数据和空气质量评级标准得到待评级环境的空气质量评级结果包括:
根据当前环境的空气质量要求构建空气质量评价表,所述空气质量评价表包括各个空气质量指标的各级范围;
根据第三空气质量数据中的各个空气质量指标和空气质量评价表确定待评级环境的空气质量评级结果。
9.一种基于环境特征的空气质量智能评级装置,其特征在于,包括:
第一图像获取模块,用于获取在待评级环境中第一背景下采集到的第一图像;
第一空气质量数据获取模块,用于使用训练好的第一神经网络模型对第一图像进行识别,得到第一空气质量数据;
第二图像获取模块,用于获取在待评级环境中第二背景下采集到的第二图像;
第二空气质量数据获取模块,用于使用训练好的第二神经网络模型对第二图像进行识别,得到第二空气质量数据;
第三空气质量数据获取模块,用于使用训练好的第三神经网络模型根据第一空气质量数据和第二空气质量数据获取第三空气质量数据;
评级模块,用于根据第三空气质量数据和空气质量评级标准得到待评级环境的空气质量评级结果。
10.一种基于环境特征的空气质量智能评级系统,其特征在于:包括:图像采集模块和如权利要求9所述的基于环境特征的空气质量智能评级装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317094.0A CN117437460A (zh) | 2023-10-12 | 2023-10-12 | 一种基于环境特征的空气质量智能评级方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317094.0A CN117437460A (zh) | 2023-10-12 | 2023-10-12 | 一种基于环境特征的空气质量智能评级方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117437460A true CN117437460A (zh) | 2024-01-23 |
Family
ID=89552576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311317094.0A Pending CN117437460A (zh) | 2023-10-12 | 2023-10-12 | 一种基于环境特征的空气质量智能评级方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437460A (zh) |
-
2023
- 2023-10-12 CN CN202311317094.0A patent/CN117437460A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN110516514B (zh) | 一种目标检测模型的建模方法和装置 | |
CN112801169B (zh) | 一种基于改进yolo算法的伪装目标检测方法、系统、装置及存储介质 | |
CN111311475A (zh) | 检测模型训练方法、装置、存储介质和计算机设备 | |
CN109580004A (zh) | 一种温度检测方法及装置 | |
CN109598301B (zh) | 检测区域去除方法、装置、终端和存储介质 | |
CN111125405A (zh) | 电力监控图像异常检测方法和装置、电子设备及存储介质 | |
CN116310850B (zh) | 基于改进型RetinaNet的遥感图像目标检测方法 | |
CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
CN112818162A (zh) | 图像检索方法、装置、存储介质和电子设备 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN113537070A (zh) | 一种检测方法、装置、电子设备及存储介质 | |
CN115797349A (zh) | 一种缺陷检测方法、装置和设备 | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
CN116805387B (zh) | 基于知识蒸馏的模型训练方法、质检方法和相关设备 | |
CN111488829A (zh) | 杆塔巡检照片分类方法、装置、电子设备以及存储介质 | |
CN115035347A (zh) | 图片识别方法、装置及电子设备 | |
CN115131695A (zh) | 视频检测模型的训练方法、视频检测方法及装置 | |
CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
CN116204648A (zh) | 样本确定方法、装置、计算机设备及计算机可读存储介质 | |
US10789477B2 (en) | Method and apparatus for real-time detection of a scene | |
CN114397306B (zh) | 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法 | |
CN110796115A (zh) | 图像检测方法、装置、电子设备及可读存储介质 | |
CN117437460A (zh) | 一种基于环境特征的空气质量智能评级方法及系统 |
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 |