基于卷積神經網絡的煙霧濃度檢測方法

文/劉劍鋒 苗林

1 引言

煙霧污染一直是國內外聚焦的重要環境問題之一，目前煙霧排放的檢測主要靠人力，無論是成本還是效果都不理想，而卷積神經網絡適合處理此類問題。

近年來，深度學習的理論知識和應用技術快速發展，其中卷積神經網絡（Convolutional Neural Network,CNN）作為重要組成部分，能以較小的計算量提取特征中包含的大部分有效信息，適用于圖像處理領域。

2 卷積神經網絡的介紹

2.1 卷積神經網絡的結構

卷積神經網絡的結構包括輸入層、卷積層、池化層、全連接層和輸出層，對網絡逐層分析：

（1）輸入層輸入圖片I 。

（2）卷積層對應卷積操作，圖像以矩陣X的形式輸入，在卷積層中與參數矩陣W做卷積操作，其中W由n個卷積核w和偏置b構成，通過式（1）計算得到下一層數據。卷積層作用是提取圖像特征。

（3）激活函數加入非線性因素，單純的卷積不能處理非線性問題。

（4）池化層有縮小卷積層輸出信息的作用，既能簡化網絡計算復雜度，也能壓縮提取圖像的主要特征。池化層主要有兩個方法，平均值池化以目標區域的平均值作為該區域池化后的值，最大值池化以區域的最大值作為池化后的值。

（5）全連接層在卷積神經網絡中有分類器的作用，將特征空間中的特征參數映射到樣本的標記空間中。在實際操作中，全連接層可以通過全局卷積操作來實現，卷積核大小與前一層輸出圖像矩陣的大小相同。將圖像展平后輸入到全連接層運算得到分類結果，在輸出層輸出。

表1：網絡設置

2.2 局部感知和權值共享

局部感知和權值共享兩種方法都可以減少神經網絡的參數數目。局部感知使每個神經元只需感受局部的圖像區域，然后在更高層綜合局部的信息來得到全局信息，不需要對每個像素進行連接。權值共享令每個神經元都使用相同的偏置和權值，極大地減少了模型訓練參數的數量。

2.3 卷積神經網絡的訓練

網絡的訓練是求解參數的過程，每個訓練樣本都包括一個輸入對象和一個理想輸出值（標簽）。訓練主要包括2個階段：

（1）前向傳播：初始化網絡參數，假設樣本為(x,y)，將x從網絡的輸入層輸入，對x進行多層非線性變換等計算，最終得到對應輸出y′，并在輸出層輸出。

（2）反向傳播：首先計算代價函數（cost function），即理想輸出值y′與實際輸出值y之間的誤差。以誤差最小化為目的進行優化，計算代價函數對各層參數的梯度，采用梯度下降等方法來不斷實現權值和梯度的調整，并更新訓練參數。

3 煙霧圖像的處理過程

3.1 圖片預處理

對樣本圖片進行裁剪和壓縮，保存為128*72大小。對所有圖片分類和標記，有煙霧濃度高和煙霧濃度低兩類，保留RGB三個通道。

3.1 模型訓練

抽取樣本圖片轉換成矩陣后傳入神經網絡。

依次通過三個卷積層和池化層的組合，卷積層過濾器的尺寸都設置為3*3，步長為1，深度分別為32、64和64，使用ReLU函數作為激活函數。池化層過濾器的大小設置為2*2，使用全0填充。

全連接層設置1024個神經元。最后使用Softmax回歸對數據進行二分類。得到包含兩個概率值的一維數組，比較大小判斷圖像的煙霧濃度屬于哪一級別。

網絡的具體配置，如表1所示。

使用Softmax交叉熵損失函數，采用隨機梯度下降法。為防止過擬合，丟棄0.05的訓練數據。

每批次圖片訓練完后，再傳入一定量圖片進行測試，準確率達到預設值后停止訓練，否則再次訓練。

3.2 圖像預測

預測的網絡結構和訓練時一樣，見表1，傳入同樣大小的煙霧圖像，得到圖像煙霧濃度的預測值。

4 結束語

本文主要介紹了卷積神經網絡在圖像煙霧濃度檢測上的應用，所給出的神經網絡結構必定不是最佳方案，只是一個基本框架。在本文基礎上，可以對模型進行擴充，煙霧濃度的級別可以擴充，圖像處理也可擴展為視頻處理，從而達到實時監控的效果。