CN117095230A - 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 - Google Patents

Abstract

本发明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。该方法包括：构建待检测图像数据集；构建样本数据集；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，若直接判别出结果，则结束；若无法判别，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待检测图像进行判别，若直接判别出结果，则结束；若无法判别，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待检测图像进行判别，得到最终的图像判别结果；最终确定该城市的空气质量状况。本发明结合多种智能模型，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，有效节约了计算资源。

Description

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

技术领域

本发明涉及图像分析技术领域，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。

背景技术

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。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明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。

为解决上述技术问题，本发明采用的技术方案为：

第一方面，本发明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：

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；

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。

首先，本发明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，本发明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，本发明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。

本发明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。本发明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。

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：

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。

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：

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。

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。

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：

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样本图像和负样本图像，还包括新的正样本图像和负样本图像；

利用新的样本数据集中的正样本图像和负样本图像对卷积神经网络进行训练，以得到精准式空气质量判别模型；

利用精准式空气质量判别模型对待检测图像进行判别，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。

第二方面，本发明提供一种基于图像大数据智能分析的空气质量低耗评估系统，包括图像采集模块、样本集构建模块、第一判别模块、第二判别模块、第三判别模块以及空气质量确定模块，其中：

图像采集模块，用于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；

样本集构建模块，用于构建样本数据集，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；

第一判别模块，用于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；

第二判别模块，用于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；

第三判别模块，用于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；

空气质量确定模块，用于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。

本系统通过图像采集模块、样本集构建模块、第一判别模块、第二判别模块、第三判别模块以及空气质量确定模块等多个模块的配合，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。本发明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。

首先，本发明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，本发明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，本发明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。

第三方面，本申请提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器；当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。

本发明至少具有如下优点或有益效果：

1、本发明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；

2、本发明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。

3、本发明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。

4、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。本发明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。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例一种基于图像大数据智能分析的空气质量低耗评估方法的流程图；

图2为本发明实施例一种基于图像大数据智能分析的空气质量低耗评估系统的原理框图；

图3为本发明实施例提供的一种电子设备的结构框图。

附图标记说明：100、图像采集模块；200、样本集构建模块；300、第一判别模块；400、第二判别模块；500、第三判别模块；600、空气质量确定模块；101、存储器；102、处理器；103、通信接口。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本发明实施例的描述中，“多个”代表至少2个。

实施例：

如图1所示，第一方面，本发明实施例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：

S1、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；对于某一个城市，当天按固定时间间隔在不同区域采集多幅能够体现空气质量的图像，作为待检测图像数据集。

S2、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；样本数据集包含足量的空气质量较好的图像作为正样本，部分代表性较强的正样本被标记为核心正样本；样本数据集包含足量的空气质量较差的图像作为负样本，部分代表性较强的负样本被标记为核心负样本。为了进一步提高后续的判别效果，选择核心正样本和核心负样本进行比对分析，为后续提供更为精准的参照图像。上述空气质量较好或较差的图像是预先就标记好的图像。

S3、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；

进一步地，包括：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。依次计算待检测图像和选取的基础样本图像的相似度，只要计算出任意一幅基础样本图像和待检测图像相似度高，则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。

在本发明的一些实施例中，对于某一幅待检测图像，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其进行判别。若能够直接判别出结果，则无需进行下一步；若无法判别出结果，则继续进行下一步。

基于空洞卷积的哈希编码式空气质量快速判别模型具体包括：任取一个核心样本(可以是核心正样本或核心负样本)，计算待检测图像和它的相似度。具体地，利用空洞系数较低的空洞卷积核对两幅图像进行过滤，并对两幅图像进行哈希编码，计算两幅图像的相似度；利用空洞系数适中的空洞卷积核对两幅图像进行过滤，并对两幅图像进行哈希编码，计算两幅图像的相似度；利用空洞系数较大的空洞卷积核对两幅图像进行过滤，并对两幅图像进行哈希编码，计算两幅图像的相似度。若在上述多个相似度中，多数相似度结果均较高，直接认定两幅图像的相似度较高。按照上述方式，依次计算待检测图像和每一个核心样本的相似度，如果待检测图像和某一个核心样本相似度较高，直接对结果进行判别。其中，若待检测图像和某一个核心正样本相似度较高，直接认定该待检测图像为空气质量较好的图像；若待检测图像和某一个核心负样本相似度较高，直接认定该待检测图像为空气质量较差的图像。

S4、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；

进一步地，包括：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。上述聚类算法为无预设类别数目的聚类算法。

在本发明的一些实施例中，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，若能够直接判别出结果，则无需进行下一步；若无法判别出结果，则继续进行下一步。

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具体包括：在样本数据集中选取部分正样本和负样本(大约各150个左右)，利用哈希编码方法对选取的正样本和选取的负样本均进行编码。利用聚类算法(仅利用无预设类别数目的算法)将正样本进行聚类，得到若干个聚类簇，每个聚类簇中保留相同数量的正样本。同样地，利用聚类算法(仅利用无预设类别数目的算法)将负样本进行聚类，得到若干个聚类簇，每个聚类簇中保留相同数量的负样本。利用保留后的正样本和保留后的负样本对SVM模型进行训练，得到鲁棒性空气质量判别模型。利用该判别模型对待检测图像进行判别，如果待检测图像的SVM模型得分较高，直接将其认定为空气质量较好的图像；如果待检测图像的SVM模型得分较低，直接将其认定为空气质量较差的图像；如果待检测图像的SVM模型得分处于临界状态，认定此时无法判别出结果。

S5、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。

进一步地，包括：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样本图像和负样本图像，还包括新的正样本图像和负样本图像；利用新的样本数据集中的正样本图像和负样本图像对卷积神经网络进行训练，以得到精准式空气质量判别模型；利用精准式空气质量判别模型对待检测图像进行判别，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。

在本发明的一些实施例中，基于样本数据集中已有的正样本，利用对抗生成网络生成部分新的正样本；基于样本数据集中已有的负样本，利用对抗生成网络生成部分新的负样本。利用足量的正样本(包含已有的和新生成的)和足量的负样本(包含已有的和新生成的)对卷积神经网络进行训练，得到精准式空气质量判别模型。利用该模型直接对待检测图像进行判别，判别该图像是空气质量较好的图像或空气质量较差的图像。

S6、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。对于待检测图像数据集中的所有待检测图像，都利用上述方法进行判别。如果绝大多数的待检测图像被判别为空气质量较好的图像，认定该城市当天的空气质量较好；如果绝大多数的待检测图像被判别为空气质量较差的图像，认定该城市当天的空气质量较差。

首先，本发明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，本发明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，本发明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。

本发明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。本发明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。

如图2所示，第二方面，本发明实施例提供一种基于图像大数据智能分析的空气质量低耗评估系统，包括图像采集模块100、样本集构建模块200、第一判别模块300、第二判别模块400、第三判别模块500以及空气质量确定模块600，其中：

图像采集模块100，用于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；

样本集构建模块200，用于构建样本数据集，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；

第一判别模块300，用于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；

第二判别模块400，用于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；

第三判别模块500，用于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；

空气质量确定模块600，用于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。

本系统通过图像采集模块100、样本集构建模块200、第一判别模块300、第二判别模块400、第三判别模块500以及空气质量确定模块600等多个模块的配合，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。本发明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。

首先，本发明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，本发明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，本发明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。

如图3所示，第三方面，本申请实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。

还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本申请所提供的实施例中，应该理解到，所揭露的方法及系统，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (8)

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。

4.根据权利要求3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，所述聚类算法为无预设类别数目的聚类算法。

5.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：

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样本图像和负样本图像，还包括新的正样本图像和负样本图像；

利用新的样本数据集中的正样本图像和负样本图像对卷积神经网络进行训练，以得到精准式空气质量判别模型；

利用精准式空气质量判别模型对待检测图像进行判别，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。

6.一种基于图像大数据智能分析的空气质量低耗评估系统，其特征在于，包括图像采集模块、样本集构建模块、第一判别模块、第二判别模块、第三判别模块以及空气质量确定模块，其中：

图像采集模块，用于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；

样本集构建模块，用于构建样本数据集，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；

第一判别模块，用于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；

第二判别模块，用于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；

第三判别模块，用于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；

空气质量确定模块，用于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。

7.一种电子设备，其特征在于，包括：

存储器，用于存储一个或多个程序；

处理器；

当所述一个或多个程序被所述处理器执行时，实现如权利要求1-5中任一项所述的方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。