基于卷积神经网络的烟雾浓度检测方法

文/刘剑锋 苗林

1 引言

烟雾污染一直是国内外聚焦的重要环境问题之一，目前烟雾排放的检测主要靠人力，无论是成本还是效果都不理想，而卷积神经网络适合处理此类问题。

近年来，深度学习的理论知识和应用技术快速发展，其中卷积神经网络（Convolutional Neural Network,CNN）作为重要组成部分，能以较小的计算量提取特征中包含的大部分有效信息，适用于图像处理领域。

2 卷积神经网络的介绍

2.1 卷积神经网络的结构

卷积神经网络的结构包括输入层、卷积层、池化层、全连接层和输出层，对网络逐层分析：

（1）输入层输入图片I 。

（2）卷积层对应卷积操作，图像以矩阵X的形式输入，在卷积层中与参数矩阵W做卷积操作，其中W由n个卷积核w和偏置b构成，通过式（1）计算得到下一层数据。卷积层作用是提取图像特征。

（3）激活函数加入非线性因素，单纯的卷积不能处理非线性问题。

（4）池化层有缩小卷积层输出信息的作用，既能简化网络计算复杂度，也能压缩提取图像的主要特征。池化层主要有两个方法，平均值池化以目标区域的平均值作为该区域池化后的值，最大值池化以区域的最大值作为池化后的值。

（5）全连接层在卷积神经网络中有分类器的作用，将特征空间中的特征参数映射到样本的标记空间中。在实际操作中，全连接层可以通过全局卷积操作来实现，卷积核大小与前一层输出图像矩阵的大小相同。将图像展平后输入到全连接层运算得到分类结果，在输出层输出。

表1：网络设置

2.2 局部感知和权值共享

局部感知和权值共享两种方法都可以减少神经网络的参数数目。局部感知使每个神经元只需感受局部的图像区域，然后在更高层综合局部的信息来得到全局信息，不需要对每个像素进行连接。权值共享令每个神经元都使用相同的偏置和权值，极大地减少了模型训练参数的数量。

2.3 卷积神经网络的训练

网络的训练是求解参数的过程，每个训练样本都包括一个输入对象和一个理想输出值（标签）。训练主要包括2个阶段：

（1）前向传播：初始化网络参数，假设样本为(x,y)，将x从网络的输入层输入，对x进行多层非线性变换等计算，最终得到对应输出y′，并在输出层输出。

（2）反向传播：首先计算代价函数（cost function），即理想输出值y′与实际输出值y之间的误差。以误差最小化为目的进行优化，计算代价函数对各层参数的梯度，采用梯度下降等方法来不断实现权值和梯度的调整，并更新训练参数。

3 烟雾图像的处理过程

3.1 图片预处理

对样本图片进行裁剪和压缩，保存为128*72大小。对所有图片分类和标记，有烟雾浓度高和烟雾浓度低两类，保留RGB三个通道。

3.1 模型训练

抽取样本图片转换成矩阵后传入神经网络。

依次通过三个卷积层和池化层的组合，卷积层过滤器的尺寸都设置为3*3，步长为1，深度分别为32、64和64，使用ReLU函数作为激活函数。池化层过滤器的大小设置为2*2，使用全0填充。

全连接层设置1024个神经元。最后使用Softmax回归对数据进行二分类。得到包含两个概率值的一维数组，比较大小判断图像的烟雾浓度属于哪一级别。

网络的具体配置，如表1所示。

使用Softmax交叉熵损失函数，采用随机梯度下降法。为防止过拟合，丢弃0.05的训练数据。

每批次图片训练完后，再传入一定量图片进行测试，准确率达到预设值后停止训练，否则再次训练。

3.2 图像预测

预测的网络结构和训练时一样，见表1，传入同样大小的烟雾图像，得到图像烟雾浓度的预测值。

4 结束语

本文主要介绍了卷积神经网络在图像烟雾浓度检测上的应用，所给出的神经网络结构必定不是最佳方案，只是一个基本框架。在本文基础上，可以对模型进行扩充，烟雾浓度的级别可以扩充，图像处理也可扩展为视频处理，从而达到实时监控的效果。