基于卷積神經(jīng)網(wǎng)絡(luò)的煙霧濃度檢測(cè)方法

文/劉劍鋒 苗林

1 引言

煙霧污染一直是國(guó)內(nèi)外聚焦的重要環(huán)境問(wèn)題之一，目前煙霧排放的檢測(cè)主要靠人力，無(wú)論是成本還是效果都不理想，而卷積神經(jīng)網(wǎng)絡(luò)適合處理此類(lèi)問(wèn)題。

近年來(lái)，深度學(xué)習(xí)的理論知識(shí)和應(yīng)用技術(shù)快速發(fā)展，其中卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）作為重要組成部分，能以較小的計(jì)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(lǐng)域。

2 卷積神經(jīng)網(wǎng)絡(luò)的介紹

2.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括輸入層、卷積層、池化層、全連接層和輸出層，對(duì)網(wǎng)絡(luò)逐層分析：

（1）輸入層輸入圖片I 。

（2）卷積層對(duì)應(yīng)卷積操作，圖像以矩陣X的形式輸入，在卷積層中與參數(shù)矩陣W做卷積操作，其中W由n個(gè)卷積核w和偏置b構(gòu)成，通過(guò)式（1）計(jì)算得到下一層數(shù)據(jù)。卷積層作用是提取圖像特征。

（3）激活函數(shù)加入非線性因素，單純的卷積不能處理非線性問(wèn)題。

（4）池化層有縮小卷積層輸出信息的作用，既能簡(jiǎn)化網(wǎng)絡(luò)計(jì)算復(fù)雜度，也能壓縮提取圖像的主要特征。池化層主要有兩個(gè)方法，平均值池化以目標(biāo)區(qū)域的平均值作為該區(qū)域池化后的值，最大值池化以區(qū)域的最大值作為池化后的值。

（5）全連接層在卷積神經(jīng)網(wǎng)絡(luò)中有分類(lèi)器的作用，將特征空間中的特征參數(shù)映射到樣本的標(biāo)記空間中。在實(shí)際操作中，全連接層可以通過(guò)全局卷積操作來(lái)實(shí)現(xiàn)，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(yùn)算得到分類(lèi)結(jié)果，在輸出層輸出。

表1：網(wǎng)絡(luò)設(shè)置

2.2 局部感知和權(quán)值共享

局部感知和權(quán)值共享兩種方法都可以減少神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)目。局部感知使每個(gè)神經(jīng)元只需感受局部的圖像區(qū)域，然后在更高層綜合局部的信息來(lái)得到全局信息，不需要對(duì)每個(gè)像素進(jìn)行連接。權(quán)值共享令每個(gè)神經(jīng)元都使用相同的偏置和權(quán)值，極大地減少了模型訓(xùn)練參數(shù)的數(shù)量。

2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

網(wǎng)絡(luò)的訓(xùn)練是求解參數(shù)的過(guò)程，每個(gè)訓(xùn)練樣本都包括一個(gè)輸入對(duì)象和一個(gè)理想輸出值（標(biāo)簽）。訓(xùn)練主要包括2個(gè)階段：

（1）前向傳播：初始化網(wǎng)絡(luò)參數(shù)，假設(shè)樣本為(x,y)，將x從網(wǎng)絡(luò)的輸入層輸入，對(duì)x進(jìn)行多層非線性變換等計(jì)算，最終得到對(duì)應(yīng)輸出y′，并在輸出層輸出。

（2）反向傳播：首先計(jì)算代價(jià)函數(shù)（cost function），即理想輸出值y′與實(shí)際輸出值y之間的誤差。以誤差最小化為目的進(jìn)行優(yōu)化，計(jì)算代價(jià)函數(shù)對(duì)各層參數(shù)的梯度，采用梯度下降等方法來(lái)不斷實(shí)現(xiàn)權(quán)值和梯度的調(diào)整，并更新訓(xùn)練參數(shù)。

3 煙霧圖像的處理過(guò)程

3.1 圖片預(yù)處理

對(duì)樣本圖片進(jìn)行裁剪和壓縮，保存為128*72大小。對(duì)所有圖片分類(lèi)和標(biāo)記，有煙霧濃度高和煙霧濃度低兩類(lèi)，保留RGB三個(gè)通道。

3.1 模型訓(xùn)練

抽取樣本圖片轉(zhuǎn)換成矩陣后傳入神經(jīng)網(wǎng)絡(luò)。

依次通過(guò)三個(gè)卷積層和池化層的組合，卷積層過(guò)濾器的尺寸都設(shè)置為3*3，步長(zhǎng)為1，深度分別為32、64和64，使用ReLU函數(shù)作為激活函數(shù)。池化層過(guò)濾器的大小設(shè)置為2*2，使用全0填充。

全連接層設(shè)置1024個(gè)神經(jīng)元。最后使用Softmax回歸對(duì)數(shù)據(jù)進(jìn)行二分類(lèi)。得到包含兩個(gè)概率值的一維數(shù)組，比較大小判斷圖像的煙霧濃度屬于哪一級(jí)別。

網(wǎng)絡(luò)的具體配置，如表1所示。

使用Softmax交叉熵?fù)p失函數(shù)，采用隨機(jī)梯度下降法。為防止過(guò)擬合，丟棄0.05的訓(xùn)練數(shù)據(jù)。

每批次圖片訓(xùn)練完后，再傳入一定量圖片進(jìn)行測(cè)試，準(zhǔn)確率達(dá)到預(yù)設(shè)值后停止訓(xùn)練，否則再次訓(xùn)練。

3.2 圖像預(yù)測(cè)

預(yù)測(cè)的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練時(shí)一樣，見(jiàn)表1，傳入同樣大小的煙霧圖像，得到圖像煙霧濃度的預(yù)測(cè)值。

4 結(jié)束語(yǔ)

本文主要介紹了卷積神經(jīng)網(wǎng)絡(luò)在圖像煙霧濃度檢測(cè)上的應(yīng)用，所給出的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)必定不是最佳方案，只是一個(gè)基本框架。在本文基礎(chǔ)上，可以對(duì)模型進(jìn)行擴(kuò)充，煙霧濃度的級(jí)別可以擴(kuò)充，圖像處理也可擴(kuò)展為視頻處理，從而達(dá)到實(shí)時(shí)監(jiān)控的效果。