城市空气质量估计使用视觉线索和深度卷积神经网络在班加罗尔 (班加罗尔),印度

科学领域:

• 环境科学 环境科学
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 移动监测提供了详细的空气污染数据,但由于资源限制而面临限制.
• 静态图像已被探索为空气污染评估的替代品,但有局限性.
• 开发具有成本效益,可扩展的空气质量监测方法至关重要.

研究的目的:

• 开发和评估深度学习方法,以利用仪表板摄像头的视频数据推断道路污染物度.
• 评估卷积神经网络 (CNN) 方法与其他机器学习技术对空气污染估计的性能.
• 通过随时可用的视频技术实现空气质量的实时分析.

主要方法:

• 在印度班加罗尔收集了50个小时的道路空气污染测量 (黑碳,颗粒数度,PM2.5,CO2).
• 利用深度学习,特别是回归CNN,分析视频,识别物体和运动 (细分,光流).
• 与传统的线性回归和其他机器学习模型比较CNN的性能.

主要成果:

• 在预测污染物度方面,CNN方法明显优于其他机器学习技术和传统分析.
• 二氧化碳预测模型表现出高准确度,正常化平方根平均误差在10-13.7%之间.
• 该研究成功地使用视频和物体运动,而不是静态图像,以推断污染.

结论:

• 对仪表板摄像头视频进行深度学习分析,为移动空气污染监测提供了一种新且有效的方法.
• 这种基于视频的方法提供了快速的实时分析能力,克服了传统方法的局限性.
• 该方法可适应其他移动监控活动,只需要廉价的仪表板摄像头.