基于图像大数据智能分析的空气质量低耗评估方法及系统技术方案

本发明专利技术公开了一种基于图像大数据智能分析的空气质量低耗评估方法及系统，涉及图像分析技术领域

【技术实现步骤摘要】
基于图像大数据智能分析的空气质量低耗评估方法及系统


[0001]本专利技术涉及图像分析
，具体而言，涉及一种基于图像大数据智能分析的空气质量低耗评估方法及系统
。

技术介绍

[0002]空气质量评估不仅可以为城市规划提供科学依据，而且可以为城市能源管理提供有效支持，因此越来越受到政府
、
企业
、
民众的广泛关注
。
相比于传统的空气质量评估方法，基于图像分析的空气质量评估方法能够更加便捷地对空气质量进行评估
。
然而，现有的基于图像分析的空气质量评估方法往往会消耗巨大的计算资源，没有体现出较好的实际应用价值
。
尤其，当需要对海量图像进行分析时，计算资源消耗较大这一问题会更加突出
。
因此，提出一种基于图像大数据智能分析的空气质量低耗评估方法及系统有非常重要的价值和意义
。

技术实现思路

[0003]为了克服上述问题或者至少部分地解决上述问题，本专利技术提供一种基于图像大数据智能分析的空气质量低耗评估方法及系统，结合基于空洞卷积的哈希编码式空气质量快速判别模型
、
基于样本均衡化的样本优选式
SVM
空气质量鲁棒性判别模型
、
样本生成式卷积神经网络空气质量精准判别模型，针对待检测图像的空气质量进行精准合理的判别，大大提高了判别精度，并有效节约了计算资源
。
[0004]为解决上述技术问题，本专利技术采用的技术方案为：<br/>[0005]第一方面，本专利技术提供一种基于图像大数据智能分析的空气质量低耗评估方法，包括以下步骤：
[0006]按照预设的采集周期，采集目标城市不同区域的空气环境图像，以构建待检测图像数据集；
[0007]构建样本数据集，该样本数据集包括多幅代表空气质量好的正样本图像和多幅代表空气质量差的负样本图像；
[0008]针对待检测图像数据集中的待检测图像，利用基于空洞卷积的哈希编码式空气质量快速判别模型对待检测图像进行判别，以得到第一判别结果；
[0009]若第一判别结果为待检测图像为空气质量好的图像或空气质量差的图像，则结束；若第一判别结果为无法判别，则利用基于样本均衡化的样本优选式
SVM
空气质量鲁棒性判别模型对该待检测图像进行判别，以得到第二判别结果；
[0010]若第二判别结果为待检测图像为空气质量好的图像或空气质量差的图像，则结束；若第二判别结果为无法判别，则利用样本生成式卷积神经网络空气质量精准判别模型对该待检测图像进行判别，得到最终的图像判别结果；
[0011]统计并根据待检测图像数据集中所有待检测图像的判定结果，确定该目标城市当天的空气质量状况
。
[0012]首先，本专利技术提出了基于空洞卷积的哈希编码式空气质量快速判别模型，对待检测图像的空气质量进行判别；该模型能够较低消耗
、
较快速度地完成待检测图像空气质量的判别
。
其次，本专利技术提出了基于样本均衡化的样本优选式
SVM
空气质量鲁棒性判别模型，对待检测图像的空气质量进行判别；在该模型的训练过程中，充分利用了样本均衡化的思想对样本进行优化，确保了能够降低样本的使用量及计算资源消耗，并保证了判别的鲁棒性
。
最后，本专利技术提出了样本生成式卷积神经网络空气质量精准判别模型，对待检测图像的空气质量进行判别；在该模型的训练过程中，有效利用了样本生成的方式解决了样本不充分这一问题，确保了训练出的模型有较高的判别精度
。
[0013]本专利技术在对待检测图像的空气质量进行判别时用了较为合理的方案，有效地将基于空洞卷积的哈希编码式空气质量快速判别模型
、
基于样本均衡化的样本优选式
SVM
空气质量鲁棒性判别模型
、
样本生成式卷积神经网络空气质量精准判别模型进行了结合使用
。
当利用相对较为简易和低耗的模型能够判别出结果时，无需继续进行下一步；反之，再利用相对较为复杂的模型进行判别
。
本专利技术不仅能够保证待检测图像的空气质量的判别精度，而且能够最大限度地降低计算资源消耗
。
[0014]基于第一方面，进一步地，上述利用基于空洞卷积的哈希编码式空气质量快速判别模型对待检测图像进行判别的方法包括以下步骤：
[0015]依次选取样本数据集中的一幅正样本图像或负样本图像作为基础样本图像；
[0016]利用空洞系数低的空洞卷积核对待检测图像和基础样本图像进行过滤，并对过滤后的两幅图像进行哈希编码，计算两幅图像的相似度，以得到第一相似度结果；
[0017]利用空洞系数中等的空洞卷积核对待检测图像和基础样本图像进行过滤，并对过滤后的两幅图像进行哈希编码，计算两幅图像的相似度，以得到第二相似度结果；
[0018]利用空洞系数大的空洞卷积核对待检测图像和基础样本图像进行过滤，并对过滤后的两幅图像进行哈希编码，计算两幅图像的相似度，以得到第三相似度结果；
[0019]若第一相似度结果
、
第二相似度结果和第三相似度结果中至少存在两个结果大于预置的相似度阈值，则认定该待检测图像与对应的基础样本图像相似度高，认定该待检测图像为空气质量好的图像或空气质量差的图像
。
[0020]基于第一方面，进一步地，上述利用基于样本均衡化的样本优选式
SVM
空气质量鲁棒性判别模型对该待检测图像进行判别的方法包括以下步骤：
[0021]在样本数据集中选取多幅正样本图像和负样本图像，利用哈希编码方法对选取的正样本图像和负样本图像进行编码；
[0022]编码完成后，利用聚类算法分别对正样本图像和负样本图像进行聚类，以得到多个正样本聚类簇和多个负样本聚类簇，每个正样本聚类簇中保留相同数量的正样本图像，每个负样本聚类簇中保留相同数量的负样本图像；
[0023]利用保留后的正样本图像和保留后的负样本图像对
SVM
模型进行训练，以得到鲁棒性空气质量判别模型；
[0024]利用鲁棒性空气质量判别模型对待检测图像进行判别，生成判别得分；
[0025]若判别得分大于预置的得分上限值，则认定待检测图像为空气质量好的图像；若判别得分小于预置的得分下限值，则认定待检测图像为空气质量差的图像；若判别得分大于预置的得分下限值且小于预置的得分上限值，则认定为无法判别
。
[0026]基于第一方面，进一步地，上述聚类算法为无预设类别数目的聚类算法
。
[0027]基于第一方面，进一步地，上述利用样本生成式卷积神经网络空气质量精准判别模型对该待检测图像进行判别的方法包括以下步骤：
[0028]基于样本数据集中的正样本图像和负样本图像，利用对抗生成网络生成新的正样本图像和新的负样本图像，以构建新的样本数据集，该新的样本数据集包括原始的正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图像大数据智能分析的空气质量低耗评估方法，其特征在于，包括以下步骤：按照预设的采集周期，采集目标城市不同区域当天的空气环境图像，以构建待检测图像数据集；构建样本数据集，该样本数据集包括多幅代表空气质量好的正样本图像和多幅代表空气质量差的负样本图像；针对待检测图像数据集中的所有待检测图像，利用基于空洞卷积的哈希编码式空气质量快速判别模型对待检测图像进行判别，以得到第一判别结果；若第一判别结果为待检测图像为空气质量好的图像或空气质量差的图像，则结束；若第一判别结果为无法判别，则利用基于样本均衡化的样本优选式
SVM
空气质量鲁棒性判别模型对该待检测图像进行判别，以得到第二判别结果；若第二判别结果为待检测图像为空气质量好的图像或空气质量差的图像，则结束；若第二判别结果为无法判别，则利用样本生成式卷积神经网络空气质量精准判别模型对该待检测图像进行判别，得到最终的图像判别结果；统计并根据待检测图像数据集中所有待检测图像的判定结果，确定该目标城市当天的空气质量状况
。2.
根据权利要求1所述的一种基于图像大数据智能分析的空气质量低耗评估方法，其特征在于，所述利用基于空洞卷积的哈希编码式空气质量快速判别模型对待检测图像进行判别的方法包括以下步骤：依次选取样本数据集中的一幅正样本图像或负样本图像作为基础样本图像；利用空洞系数低的空洞卷积核对待检测图像和基础样本图像进行过滤，并对过滤后的两幅图像进行哈希编码，计算两幅图像的相似度，以得到第一相似度结果；利用空洞系数中等的空洞卷积核对待检测图像和基础样本图像进行过滤，并对过滤后的两幅图像进行哈希编码，计算两幅图像的相似度，以得到第二相似度结果；利用空洞系数大的空洞卷积核对待检测图像和基础样本图像进行过滤，并对过滤后的两幅图像进行哈希编码，计算两幅图像的相似度，以得到第三相似度结果；若第一相似度结果
、
第二相似度结果和第三相似度结果中至少存在两个结果大于预置的相似度阈值，则认定该待检测图像与对应的基础样本图像相似度高，认定该待检测图像为空气质量好的图像或空气质量差的图像
。3.
根据权利要求1所述的一种基于图像大数据智能分析的空气质量低耗评估方法，其特征在于，所述利用基于样本均衡化的样本优选式
SVM
空气质量鲁棒性判别模型对该待检测图像进行判别的方法包括以下步骤：在样本数据集中选取多幅正样本图像和负样本图像，利用哈希编码方法对选取的正样本图像和负样本图像进行编码；编码完成后，利用聚类算法分别对正样本图像和负样本图像进行聚类，以得到多个正样本聚类簇和多个负样本聚类簇，每个正样本聚类簇中保留相同数量的正样本图像，每个负样本聚类簇中保留相同数量的负样本图像；利用保留后的正样本图像和保留后的负样本图像对
SVM
模型进行训练，以得到鲁棒性空气质量判别模型；
利用鲁棒性空气质量判别模型对待检测图像进行判别，生成判别得分；若判别得分...

【专利技术属性】
技术研发人员：辛显文，
申请(专利权)人：北京印星恒耀科技有限公司，
类型：发明
国别省市：