改进YOLOv3网络在图像中评价空气质量

doi:10.3778/j.issn.1002-8331.1908-0121

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (20): 232-242.DOI: 10.3778/j.issn.1002-8331.1908-0121

改进YOLOv3网络在图像中评价空气质量

邓益侬，罗健欣，张琦，刘祯，胡琪，金凤林，毕鹏程

1.陆军工程大学指挥控制工程学院，南京 210007
2.南京小吉狗网络科技有限公司，南京 210000

出版日期:2020-10-15 发布日期:2020-10-13

Improving YOLOv3 Network to Assess Air Quality in Image

DENG Yinong, LUO Jianxin, ZHANG Qi, LIU Zhen, HU Qi, JIN Fenglin, BI Pengcheng

1.College of Command & Control Engineering, Army Engineering University of PLA, Nanjing 210007, China
2.Nanjing Lucky Dog Network Technology Co., Ltd., Nanjing 210000, China

Online:2020-10-15 Published:2020-10-13

摘要/Abstract

摘要：

空气质量指数和PM2.5浓度是衡量大气污染程度的两种重要指标。在图像检测算法的框架下，提出了一种基于YOLOv3网络模型的空气质量评价方法。该模型对YOLOv3网络进行了改进，包含多锚点检测机制和卷积投票网两个模块，适用于非固定场景下的空气质量指数评估，以及固定场景下的PM2.5浓度预测。该方法的准确率在2018年全球人工智能应用大赛中得到了总分第3名的成绩，同时基于darknet框架的YOLOv3模型可以达到实时的需求，对空气质量评价的相关研究具有重要的借鉴意义。

关键词: 空气质量, PM2.5, 图像检测, 多锚点, 卷积投票

Abstract:

Air quality index and PM2.5 concentration are two important indicators to measure the degree of air pollution. In the framework of image detection algorithm, this paper proposes an air quality assessment method based on YOLOv3 network model. The YOLOv3 network is improved in the model, which includes two modules：multi-anchor detection mechanism and convolution voting network. The model is suitable for air quality index evaluation in non-fixed scenarios and PM2.5 concentration prediction in fixed scenarios. The accuracy of the method described in this paper has been ranked 3rd in the global AI application contest in 2018. At the same time, the YOLOv3 model based on Darknet framework can meet the real-time requirements, which has important reference significance for the related research of air quality assessment.

Key words: air quality, PM2.5, image detection, multi anchors, convolutional voting

邓益侬，罗健欣，张琦，刘祯，胡琪，金凤林，毕鹏程. 改进YOLOv3网络在图像中评价空气质量[J]. 计算机工程与应用, 2020, 56(20): 232-242.

DENG Yinong, LUO Jianxin, ZHANG Qi, LIU Zhen, HU Qi, JIN Fenglin, BI Pengcheng. Improving YOLOv3 Network to Assess Air Quality in Image[J]. Computer Engineering and Applications, 2020, 56(20): 232-242.

[1]	时亚南, 陈志远, 刘兆英, 陈迎春, 张婷, 范效礼, 苗锐, 叶伟. 改进YOLOv5n的管道DR缺陷图像检测方法[J]. 计算机工程与应用, 2024, 60(12): 366-372.
[2]	郭平秀, 李启南, 杨忠鹏. 一种图像增强及改进海洋生物图像检测算法[J]. 计算机工程与应用, 2023, 59(8): 208-216.
[3]	夏吉品，邹滨，杨忠霖，李沈鑫. 室外空气污染暴露规避健康路径规划服务[J]. 计算机工程与应用, 2020, 56(3): 266-271.
[4]	任才溶1，谢刚1，2. 基于随机森林和气象参数的PM2.5浓度等级预测[J]. 计算机工程与应用, 2019, 55(2): 213-220.
[5]	卢月明1，王亮1，仇阿根1，张用川1，2，赵阳阳1. 基于半监督学习的克里金插值方法[J]. 计算机工程与应用, 2018, 54(22): 265-270.
[6]	郭景，王萍，柯永振. USM增强的边缘羽化拼接图像检测方法[J]. 计算机工程与应用, 2018, 54(12): 177-181.
[7]	许少秋，杨群，钟小芸，骆德汉. 背光图像的检测与校正[J]. 计算机工程与应用, 2017, 53(21): 174-178.
[8]	廖志芳1，彭燕妮1，李永1，赵颖2. AirVis：一个基于Web的空气质量数据可视分析系统[J]. 计算机工程与应用, 2015, 51(15): 174-178.
[9]	汪小寒1，张燕平2，赵姝2，张铃2. 基于动态粒度小波神经网络的空气质量预测[J]. 计算机工程与应用, 2013, 49(6): 221-224.
[10]	张卓阳，李峰，熊兵. 基于JPEG块效应频域特性的合成图像检测[J]. 计算机工程与应用, 2012, 48(34): 166-170.
[11]	赵宏^1，3，4，刘爱霞²，王恺^1，3，4，白志鹏^1，3. 环境空气SO₂和NO₂浓度的GA_ANN预测模型研究[J]. 计算机工程与应用, 2010, 46(8): 199-201.
[12]	刘红^1，2，文朝晖². 基于局部特征的WEB近重复图像检测[J]. 计算机工程与应用, 2010, 46(28): 189-191.
[13]	陈德裕¹，苏啸晨²，朱学芳³，杭月芹¹. 自动孔板印刷机中图像检测系统的设计与实现[J]. 计算机工程与应用, 2010, 46(24): 60-63.
[14]	徐丽珍^1，2，何耀平²，孙霖². 基于智能手机的人行横道红绿灯自动识别[J]. 计算机工程与应用, 2010, 46(23): 219-222.
[15]	刘苗，郑江滨. 利用小波域同态滤波的伪造图像检测方法[J]. 计算机工程与应用, 2009, 45(34): 169-170.

改进YOLOv3网络在图像中评价空气质量

Improving YOLOv3 Network to Assess Air Quality in Image

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics