文/劉劍鋒 苗林

1 引言

煙霧污染一直是國內(nèi)外聚焦的重要環(huán)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(jīng)網(wǎng)絡(luò)適合處理此類問題。

近年來，深度學(xué)習(xí)的理論知識和應(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，對網(wǎng)絡(luò)逐層分析：

（1）輸入層輸入圖片I 。

（2）卷積層對應(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個卷積核w和偏置b構(gòu)成，通過式（1）計算得到下一層數(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題。

（4）池化層有縮小卷積層輸出信息的作用，既能簡化網(wǎng)絡(luò)計算復(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。在實際操作中，全連接層可以通過全局卷積操作來實現(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算得到分類結(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得到全局信息，不需要對每個像素進行連接。權(quán)值共享令每個神經(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)的過程，每個訓(xùn)練樣本都包括一個輸入對象和一個理想輸出值（標(biāo)簽）。訓(xùn)練主要包括2個階段：

（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x進行多層非線性變換等計算，最終得到對應(yīng)輸出y′，并在輸出層輸出。

（2）反向傳播：首先計算代價函數(shù)（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(yōu)化，計算代價函數(shù)對各層參數(shù)的梯度，采用梯度下降等方法來不斷實現(xiàn)權(quán)值和梯度的調(diào)整，并更新訓(xùn)練參數(shù)。

3 煙霧圖像的處理過程

3.1 圖片預(yù)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(biāo)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(xùn)練

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

依次通過三個卷積層和池化層的組合，卷積層過濾器的尺寸都設(shè)置為3*3，步長為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個神經(jīng)元。最后使用Softmax回歸對數(shù)據(jù)進行二分類。得到包含兩個概率值的一維數(shù)組，比較大小判斷圖像的煙霧濃度屬于哪一級別。

網(wǎng)絡(luò)的具體配置，如表1所示。

使用Softmax交叉熵損失函數(shù)，采用隨機梯度下降法。為防止過擬合，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行測試，準(zhǔn)確率達到預(yù)設(shè)值后停止訓(xùn)練，否則再次訓(xùn)練。

3.2 圖像預(yù)測

預(yù)測的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)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(yù)測值。

4 結(jié)束語

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，只是一個基本框架。在本文基礎(chǔ)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(jiān)控的效果。