利用高效深度卷积神经网络从智能手机图像揭示局部聚合空气质量指数
计算机视觉与模式识别
2024-04-26 v3 人工智能
摘要
智能手机的普及性与移动性使其成为环境健康研究中广泛使用的工具。然而，现有文献中基于特定位置PM2.5浓度确定聚合空气质量指数（AQI）的潜力仍基本未被探索。本文中，我们深入考察了使用智能手机相机所拍摄图像预测位置特定PM2.5浓度相关的挑战。我们的研究聚焦于孟加拉国首都达卡，因其严重的空气污染水平及大量暴露人口。我们的研究涉及开发一个深度卷积神经网络（DCNN），并使用超过一千张拍摄并标注的室外图像进行训练。这些照片拍摄于达卡不同位置，其标签基于当地美国领事馆使用NowCast算法获得的PM2.5浓度数据。通过监督学习，我们的模型在训练期间建立关联指数，增强其作为基于图像的PM2.5浓度预测器（PPPC）的能力。这使得算法能从智能手机图像计算出等效的日均AQI指数。与流行的过度参数化模型不同，我们的模型因使用更少参数而显示出资源高效性。此外，测试结果表明，在预测位置特定PM2.5浓度方面，我们的模型优于ViT和INN等流行模型，以及VGG19、ResNet50和MobileNetV2等基于CNN的流行模型。我们的数据集是首个公开可用的包含达卡大气图像及对应PM2.5测量的集合。我们的代码与数据集可在 https://github.com/lepotatoguy/aqi 获取。
引用
@article{arxiv.2308.03200,
title = {Uncovering local aggregated air quality index with smartphone captured images leveraging efficient deep convolutional neural network},
author = {Joyanta Jyoti Mondal and Md. Farhadul Islam and Raima Islam and Nowsin Kabir Rhidi and Sarfaraz Newaz and Meem Arafat Manab and A. B. M. Alim Al Islam and Jannatun Noor},
journal= {arXiv preprint arXiv:2308.03200},
year = {2024}
}
备注
18 pages, 7 figures, published to Nature Scientific Reports