2、基于视觉的细颗粒物估算方法详解

基于视觉的细颗粒物估算方法详解

1. 背景与问题提出

随着空气污染问题日益严重，城市地区空气质量指数（AQI），尤其是细颗粒物 2.5（PM2.5）的监测受到了广泛关注。目前，PM2.5 的测量主要依赖于空气质量监测站，但这些监测站成本高昂且分布稀疏。远离监测站的地区很难获得准确的 PM2.5 读数，这使得基于高分辨率图像传感器的视觉估算方法成为提高 PM2.5 估算精度和分辨率的有效途径。

传统的 PM2.5 估算方法存在诸多局限性。现有监测站的低空间密度导致难以准确估计高分辨率的污染场，且现有方法通常假设图像内颗粒和气体分布均匀，这与实际情况中污染浓度在空间上的快速变化不符。因此，需要一种基于视觉的估算算法来实现更准确的 PM2.5 评估。

2. 相关工作

• 基于视觉的空气质量估算 ：
  • Zhang 等人提出了一种集成卷积神经网络（CNN）用于基于视觉的空气质量估算，将空气质量分为不同等级，将估算问题转化为分类问题，输出为空气质量指数（AQI）。
  • Li 等人利用社交媒体照片，结合图像中像素的透射率和深度来估计雾霾水平，提取的特征为手动设计。
  • Yang 等人提出了 Imgsensingnet，这是一个用于预测 AQI 的 CNN，以六个图像特征图为输入，空气质量等级为输出。
  • 与这些方法不同，我们的工作直接估算空气质量浓度，使用 2D 卷积作为基本组件，输出 PM 浓度而非 AQI，并且模型输入除了特征图外，还包括传感器读数。