多模式颗粒物质预测:使用移动设备和深度学习模型实现可扩展和高精度空气质量监测
Hirokazu Madokoro1, Stephanie Nix1
1Faculty of Software and Information Science, Iwate Prefectural University, Takizawa 020-0693, Iwate, Japan.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
这项研究使用智能手机摄像头和深度学习来预测空气污染 (颗粒物). 移动摄像头设备为环境监测提供了实用,分布式的方法,减少了对传统系统的依赖.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 持续的空气污染挑战需要创新的监测解决方案.
- 传统的监控系统可能是昂贵的和集中式的.
- 移动设备为分布式环境传感提供了潜力.
研究的目的:
- 开发和评估一种新的系统,用于使用移动摄像头设备预测颗粒物 (PM) 度.
- 通过图像利用深度学习和多式联运框架来评估空气质量.
- 评估边缘部署用于实时环境监测的可行性.
主要方法:
- 利用基于变压器的深度学习架构,包括对比语言图像预训练 (CLIP).
- 使用时间序列模型 (NLinear) 开发了一个基线,用于1D PM信号预测.
- 实施了基于CLIP的系统,用于对智能手机捕获的环境场景进行二维图像分析.
主要成果:
- 线性模型 (NLinear) 在短期1D PM预测方面表现优于复杂的变压器.
- 基于CLIP的系统在各种图像上实现了0.24的Top-1精度和0.52的Top-5精度.
- 展示了可行的边缘部署,每个图像的处理时间为0.29s (GPU) 和2.68s (SBC).
结论:
- 基于变压器的多式联运模型显示出在环境监测中的移动传感应用的前景.
- 这项研究为使用可访问硬件进行分布式空气质量监测提供了实际框架.
- 未来的工作可能涉及季节性数据扩展和架构改进,以提高准确性.


