[0001] 本申请涉及环境监测领域，且更为具体的涉及一种工业园区环境监测方法及其系统。

[0002] 工业园区是集聚了大量工业企业的区域，工业生产需要用到大量能源，而在燃烧过程中会产生大量废气，这些废气中含有诸如PM2.5等各种有害颗粒物，这些废气直接排放到空气中会导致空气污染，工厂的废气超标会严重危害工业园区附近的居民的健康。目前的工业园区环境监测方法存在一些缺点，例如由于数据量大、监测项目多，传统监测方法需要耗费大量时间和人力物力对数据进行处理，分析这些数据成为一项繁琐的工作。

[0003] 因此，期待一种工业园区环境监测方法，其能够基于工业园区空气中有害颗粒物图像判断工业园区空气中有害颗粒物含量是否超过正常标准。

[0069] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

[0070] 申请概述

[0071] 如上所述，工业园区是集聚了大量工业企业的区域，工业生产需要用到大量能源，而在燃烧过程中会产生大量废气，这些废气中含有诸如PM2.5等各种有害颗粒物，这些废气直接排放到空气中会导致空气污染，工厂的废气超标会严重危害工业园区附近的居民的健康。目前的工业园区环境监测方法存在一些缺点，例如由于数据量大、监测项目多，传统监测方法需要耗费大量时间和人力物力对数据进行处理，分析这些数据成为一项繁琐的工作，因此，期望一种工业园区环境监测方法，其能够基于工业园区空气中有害颗粒物图像判断工业园区空气中有害颗粒物含量是否超过正常标准。

[0072] 具体地，在本申请的技术方案中，提出了一种工业园区环境监测方法，其首先获取有害颗粒物的拍摄图像并进行图像降噪以得到降噪后有害颗粒物图像，然后采用基于深度学习的人工智能检测技术对降噪后有害颗粒物图像进行处理，并以此来进行分类以对工业园区空气中有害颗粒物的实际大小和浓度进行检测评估。这样，基于工业园区空气中有害颗粒物的大小和浓度来判断工业园区空气中有害颗粒物含量是否超过正常标准，用于工业园区内的产业对污染物进行优化处理做参考，保证工业园区附近的居民的身体健康。

[0073] 相应地，考虑到在实际工业园区环境监测过程中，工业园区的有害颗粒物在空气中含量较低且危害性极大。因此，在本申请的技术方案中，期望基于工业园区空气中有害颗粒物的大小和浓度来判断工业园区空气中有害颗粒物含量是否超过正常标准，以对工业园区的产业对污染物进行优化处理，保证工业园区附近的居民的身体健康。由于所述空气中有害颗粒物的大小和浓度为小尺度的隐含特征信息，传统的特征提取方案难以进行有效准确地特征捕捉。因此，在此过程中，难点在于如何挖掘所述空气中颗粒物的大小和浓度隐含特征分布信息，以此来基于空气中颗粒物的大小和浓度判断工业园区空气中有害颗粒物含量是否超过正常标准，用于工业园区内的产业对污染物进行优化处理做参考，保证工业园区附近的居民的身体健康。

[0074] 近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述空气中有害颗粒物的大小和浓度隐含特征分布信息提供了新的解决思路和方案。

[0075] 具体地，在本申请的技术方案中，首先，通过摄像头采集有害颗粒物的拍摄图像。应可以理解，所述空气中有害颗粒物的大小和浓度在所述有害颗粒物的拍摄图像中都有所呈现，但是，在实际进行图像采集的过程中，可能会由于环境噪声和设备原因导致图像中关于颗粒物的大小和浓度隐含特征变得模糊，难以进行特征的捕捉提取。因此，在本申请的技术方案中，期望在特征提取前进行所述有害颗粒物的拍摄图像的去噪处理，以此来得到处理后带电颗粒物图像。特别地，在本申请的一个具体示例中，可以通过具有处理后有害颗粒物图像功能的自动编解码器来进行图像降噪处理，这里，所述自动编解码器包含有图像编码器和图像解码器，其中，所述图像编码器使用卷积层对所述带电颗粒物的拍摄图像进行显式空间编码以得到图像特征，所述图像解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述处理后带电颗粒物图像。

[0076] 然后，考虑到由于所述处理后有害颗粒物图像中关于颗粒物的大小和浓度隐含特征为小尺度的细微特征，即在图像中所占有的比例较小。因此，为了能够提高所述处理后有害颗粒物图像中关于小尺度的颗粒物大小和浓度隐含特征的表达能力，以此来提高判断工业园区空气中有害颗粒物含量是否超过正常标准的准确度，在本申请的技术方案中，进一步对所述处理后有害颗粒物图像进行图像分块处理以得到图像块的序列。应可以理解，所述图像块的序列中的各个图像块的尺度相较于原图像被缩减，因此，所述处理后带电颗粒物图像中关于小尺度的颗粒物大小和浓度隐含特征在所述各个图像块中不再是小尺寸对象，以利于后续进行颗粒物的特征捕捉提取。

[0077] 进一步地，对于所述图像块的序列中的各个图像块来说，所述各个图像块中关于颗粒物的大小和浓度隐含特征信息在图像块的不同局部位置处的关联程度不同。因此，为了能够充分进行所述有害颗粒物的大小和浓度隐含特征在所述各个图像块中的表达，在本申请的技术方案中，将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列。特别地，这里，所述多尺度卷积结构包括第一卷积层和第二卷积层，且所述第一卷积层和第二卷积层使用具有不同尺度的二维卷积核，以此来提取出每个所述图像块中关于有害颗粒物的大小和浓度的局部隐含多尺度关联特征信息。

[0078] 接着，还考虑到由于各个所述图像块中关于有害颗粒物的大小和浓度的局部隐含多尺度关联特征在所述处理后有害颗粒物图像整体上具有着关联关系，也就是说，所述有害颗粒物的大小和浓度隐含特征不仅存在于所述各个图像块中，还存在于所述各个图像块之间。因此，在本申请的技术方案中，进一步将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型中进行处理，以提取出所述各个图像块中关于有害颗粒物的大小和浓度特征的关联性特征分布信息，从而得到分类特征图。

[0079] 最后，将所述分类特征图通过分类器以得到用于表示工业园区空气中有害颗粒物含量是否超过正常标准，也就是，以所述各个图像块中关于颗粒物的大小和浓度特征的关联性特征来进行分类，从而能够对于有害颗粒物的实际大小和浓度进行检测评估，以此来基于空气中有害颗粒物的大小和浓度来判断工业园区空气中有害颗粒物含量是否超过正常标准，用于工业园区内的产业对污染物进行优化处理做参考，保证工业园区附近的居民的身体健康。

[0080] 特别地，在本申请的技术方案中，考虑到分类特征图中可能会包含一些冗余或干扰的特征。如果通过能够对分类特征图进行优化从而强化有用的特征，去除冗余和干扰，以提高后续处理的准确性。通过对分类特征图进行优化，还提高其质量、丰富其中的信息，并突出有关业园区空气中有害颗粒物含量是否超过正常标准的特征。优化分类特征图可以更好地区分业园区空气中有害颗粒物含量是否超过正常标准，并为后续的分类提供更有信心的特征输入。

[0081] 具体地，对分类特征图进行鲁棒性聚类优化以得到优化分类特征图，包括：将所述分类特征图的沿通道维度的各个局部特征矩阵进行特征展平以得到多个分类局部特征向量；

[0082] 以如下公式来分别计算所述分类特征图的聚类中心与所述多个分类局部特征向量中的各个分类局部特征向量之间的JS散度值以得到多个JS散度值；

[0083] 其中，所述公式为：

[0084]

[0085] 其中，JSi表示所述多个JS散度值中的第i个JS散度值，Vi表示所述多个分类局部特征向量中的第i个分类局部特征向量，V1,V2,....,Vn表示所述多个分类局部特征向量， 表示特征训练的按位置加法，n表示所述多个分类局部特征向量的个数，表示所述分类特征图的聚类中心，即所述多个分类局部特征向量
的按位置均值向量，S表示所述分类特征图的聚类中心和所述多个分类局部特征向量中的第i个分类局部特征向量的平均分布，KL表示相对熵；

[0086] 对所述多个JS散度值进行高斯归一化以得到多个归一化JS散度值；以所述各个归一化JS散度值作为权重，分别对所述各个分类局部特征向量进行加权以得到多个优化分类局部特征向量；以及，将所述多个优化分类局部特征向量进行维度重构以得到所述优化分类特征图。

[0087] 在本申请的技术方案中，对分类特征图进行鲁棒性聚类优化以充分利用所述分类特征图的沿通道维度的各个局部特征之间的特征流形表达之间的非监督自组织一致性以得到聚类中心，并利用所述聚类中心与各个局部特征的概率分布之间的相似性来可度量地加入聚类鲁棒性平衡参数以使得各个局部特征能够在高维流形特征空间中趋向所述聚类中心，通过这样的方式，增强能够促进分类的局部特征且抑制降低分类精准度的局部特征，这样，能够有效地抑制所述分类特征图中的噪声和冗余信息，提高特征的表达能力和判别力。

[0088] 在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

[0089] 示例性方法

[0090] 图1为根据本申请实施例的工业园区环境监测方法的流程图。如图1所示，根据本申请实施例的工业园区环境监测方法，包括：S110，获取由摄像头采集的有害颗粒物的拍摄图像；S120，对所述有害颗粒物的拍摄图像进行图像降噪以得到降噪后有害颗粒物图像；S130，对所述降噪后有害颗粒物图像进行图像分块处理以得到图像块的序列；S140，将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列，其中，所述多尺度卷积结构包括第一卷积层和第二卷积层，所述第一卷积层和第二卷积层使用具有不同尺度的二维卷积核；S150，将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；
S160，对分类特征图进行鲁棒性聚类优化以得到优化分类特征图；以及S170，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示工业园区空气中有害颗粒物含量是否超过正常标准。

[0091] 图2为根据本申请实施例的工业园区环境监测方法的架构图。如图2所示，在该架构中，首先，获取由摄像头采集的有害颗粒物的拍摄图像。然后，对所述有害颗粒物的拍摄图像进行图像降噪以得到降噪后有害颗粒物图像。接着，对所述降噪后有害颗粒物图像进行图像分块处理以得到图像块的序列。接着，将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列，其中，所述多尺度卷积结构包括第一卷积层和第二卷积层，所述第一卷积层和第二卷积层使用具有不同尺度的二维卷积核。然后，将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图。接着，对分类特征图进行鲁棒性聚类优化以得到优化分类特征图。最后，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示工业园区空气中有害颗粒物含量是否超过正常标准。

[0092] 在步骤S110中，获取由摄像头采集的有害颗粒物的拍摄图像。

[0093] 如上所述，工业园区是集聚了大量工业企业的区域，工业生产需要用到大量能源，而在燃烧过程中会产生大量废气，这些废气中含有诸如PM2.5等各种有害颗粒物，这些废气直接排放到空气中会导致空气污染，工厂的废气超标会严重危害工业园区附近的居民的健康。目前的工业园区环境监测方法存在一些缺点，例如由于数据量大、监测项目多，传统监测方法需要耗费大量时间和人力物力对数据进行处理，分析这些数据成为一项繁琐的工作，因此，期望一种工业园区环境监测方法，其能够基于工业园区空气中有害颗粒物图像判断工业园区空气中有害颗粒物含量是否超过正常标准。

[0094] 具体地，在本申请的技术方案中，提出了一种工业园区环境监测方法，其首先获取有害颗粒物的拍摄图像并进行图像降噪以得到降噪后有害颗粒物图像，然后采用基于深度学习的人工智能检测技术对降噪后有害颗粒物图像进行处理，并以此来进行分类以对工业园区空气中有害颗粒物的实际大小和浓度进行检测评估。这样，基于工业园区空气中有害颗粒物的大小和浓度来判断工业园区空气中有害颗粒物含量是否超过正常标准，用于工业园区内的产业对污染物进行优化处理做参考，保证工业园区附近的居民的身体健康。

[0095] 相应地，考虑到在实际工业园区环境监测过程中，工业园区的有害颗粒物在空气中含量较低且危害性极大。因此，在本申请的技术方案中，期望基于工业园区空气中有害颗粒物的大小和浓度来判断工业园区空气中有害颗粒物含量是否超过正常标准，以对工业园区的产业对污染物进行优化处理，保证工业园区附近的居民的身体健康。由于所述空气中有害颗粒物的大小和浓度为小尺度的隐含特征信息，传统的特征提取方案难以进行有效准确地特征捕捉。因此，在此过程中，难点在于如何挖掘所述空气中颗粒物的大小和浓度隐含特征分布信息，以此来基于空气中颗粒物的大小和浓度判断工业园区空气中有害颗粒物含量是否超过正常标准，用于工业园区内的产业对污染物进行优化处理做参考，保证工业园区附近的居民的身体健康。

[0096] 近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述空气中有害颗粒物的大小和浓度隐含特征分布信息提供了新的解决思路和方案。

[0097] 具体地，在本申请的技术方案中，首先，通过摄像头采集有害颗粒物的拍摄图像。应可以理解，所述空气中有害颗粒物的大小和浓度在所述有害颗粒物的拍摄图像中都有所呈现。

[0098] 在步骤S120中，对所述有害颗粒物的拍摄图像进行图像降噪以得到降噪后有害颗粒物图像。在实际进行图像采集的过程中，可能会由于环境噪声和设备原因导致图像中关于颗粒物的大小和浓度隐含特征变得模糊，难以进行特征的捕捉提取。因此，在本申请的技术方案中，期望在特征提取前进行所述有害颗粒物的拍摄图像的去噪处理，以此来得到处理后带电颗粒物图像。特别地，在本申请的一个具体示例中，可以通过具有处理后有害颗粒物图像功能的自动编解码器来进行图像降噪处理，这里，所述自动编解码器包含有图像编码器和图像解码器，其中，所述图像编码器使用卷积层对所述有害颗粒物的拍摄图像进行显式空间编码以得到图像特征，所述图像解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后有害颗粒物图像。

[0099] 具体地，在上述的工业园区环境监测方法中，所述对所述有害颗粒物的拍摄图像进行图像降噪以得到降噪后有害颗粒物图像，包括：将所述有害颗粒物的拍摄图像输入所述基于自动编解码器的降噪模块的编码器，其中，所述编码器使用卷积层对所述有害颗粒物的拍摄图像进行显式空间编码以得到图像特征；以及将所述图像特征输入所述基于自动编解码器的降噪模块的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后有害颗粒物图像。

[0100] 在步骤S130中，对所述降噪后有害颗粒物图像进行图像分块处理以得到图像块的序列。考虑到由于所述降噪后有害颗粒物图像中关于颗粒物的大小和浓度隐含特征为小尺度的细微特征，即在图像中所占有的比例较小。因此，为了能够提高所述降噪后有害颗粒物图像中关于小尺度的颗粒物大小和浓度隐含特征的表达能力，以此来提高判断工业园区空气中有害颗粒物含量是否超过正常标准的准确度，在本申请的技术方案中，进一步对所述降噪后有害颗粒物图像进行图像分块处理以得到图像块的序列。应可以理解，所述图像块的序列中的各个图像块的尺度相较于原图像被缩减，因此，所述降噪后带电颗粒物图像中关于小尺度的颗粒物大小和浓度隐含特征在所述各个图像块中不再是小尺寸对象，以利于后续进行颗粒物的特征捕捉提取。

[0101] 在步骤S140中，将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列，其中，所述多尺度卷积结构包括第一卷积层和第二卷积层，所述第一卷积层和第二卷积层使用具有不同尺度的二维卷积核。对于所述图像块的序列中的各个图像块来说，所述各个图像块中关于有害颗粒物的大小和浓度隐含特征信息在图像块的不同局部位置处的关联程度不同。因此，为了能够充分进行所述有害颗粒物的大小和浓度隐含特征在所述各个图像块中的表达，在本申请的技术方案中，将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列。特别地，这里，所述多尺度卷积结构包括第一卷积层和第二卷积层，且所述第一卷积层和第二卷积层使用具有不同尺度的二维卷积核，以此来提取出每个所述图像块中关于有害颗粒物的大小和浓度的局部隐含多尺度关联特征信息。

[0102] 具体地，在上述的工业园区环境监测方法中，所述将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列，包括：将所述图像块通过所述多尺度卷积结构的第一卷积层以得到第一尺度检测特征矩阵；将所述图像块通过所述多尺度卷积结构的第二卷积层以得到第二尺度检测特征矩阵；对所述第一尺度检测特征矩阵和所述第二尺度检测特征矩阵进行融合以得到所述图像块特征矩阵。

[0103] 具体地，在上述的工业园区环境监测方法中，将所述图像块通过所述多尺度卷积结构的第一卷积层以得到第一尺度检测特征矩阵，包括：对所述图像块进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的全局均值池化处理以得到池化特征矩阵；以及对所述池化特征矩阵进行非线性激活以得到所述第一尺度检测特征矩阵。

[0104] 具体地，在上述的工业园区环境监测方法中，将所述图像块通过所述多尺度卷积结构的第二卷积层以得到第二尺度检测特征矩阵，包括：对所述图像块进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的全局均值池化处理以得到池化特征矩阵；以及对所述池化特征矩阵进行非线性激活以得到所述第二尺度检测特征矩阵。

[0105] 具体地，在上述的工业园区环境监测方法中，对所述第一尺度检测特征矩阵和所述第二尺度检测特征矩阵进行融合以得到所述图像块特征矩阵，用于：以如下融合公式来融合所述第一尺度检测特征矩阵和所述第二尺度检测特征矩阵以得到所述图像块特征矩阵；其中，所述融合公式为：

[0106] Mc＝Concat[M1，M2]

[0107] 其中，M1表示所述第一尺度检测特征矩阵，M2表示所述第二尺度检测特征矩阵，Concat[·]表示级联函数，Mc表示所述图像块特征矩阵。

[0108] 在步骤S150中，将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图。考虑到由于各个所述图像块中关于有害颗粒物的大小和浓度的局部隐含多尺度关联特征在所述处理后有害颗粒物图像整体上具有着关联关系，也就是说，所述有害颗粒物的大小和浓度隐含特征不仅存在于所述各个图像块中，还存在于所述各个图像块之间。因此，在本申请的技术方案中，进一步将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型中进行处理，以提取出所述各个图像块中关于有害颗粒物的大小和浓度特征的关联性特征分布信息，从而得到分类特征图。

[0109] 图3为根据本申请实施例的工业园区环境监测方法中将将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图的流程图。如图3所示，将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S151，对输入数据进行卷积处理以得到卷积特征图；S152，对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及S153，对所述池化特征图进行非线性激活以得到激活特征图。

[0110] 在步骤S160中，对分类特征图进行鲁棒性聚类优化以得到优化分类特征图。特别地，在本申请的技术方案中，考虑到分类特征图中可能会包含一些冗余或干扰的特征。如果通过能够对分类特征图进行优化从而强化有用的特征，去除冗余和干扰，以提高后续处理的准确性。通过对分类特征图进行优化，还提高其质量、丰富其中的信息，并突出有关业园区空气中有害颗粒物含量是否超过正常标准的特征。优化分类特征图可以更好地区分业园区空气中有害颗粒物含量是否超过正常标准，并为后续的分类提供更有信心的特征输入。

[0111] 具体地，对分类特征图进行鲁棒性聚类优化以得到优化分类特征图，包括：将所述分类特征图的沿通道维度的各个局部特征矩阵进行特征展平以得到多个分类局部特征向量；

[0112] 以如下公式来分别计算所述分类特征图的聚类中心与所述多个分类局部特征向量中的各个分类局部特征向量之间的JS散度值以得到多个JS散度值；

[0113] 其中，所述公式为：

[0114]

[0115] 其中，JSi表示所述多个JS散度值中的第i个JS散度值，Vi表示所述多个分类局部特征向量中的第i个分类局部特征向量，V1,V2,....,Vn表示所述多个分类局部特征向量， 表示特征训练的按位置加法，n表示所述多个分类局部特征向量的个数，表示所述分类特征图的聚类中心，即所述多个分类局部特征向量
的按位置均值向量，S表示所述分类特征图的聚类中心和所述多个分类局部特征向量中的第i个分类局部特征向量的平均分布，KL表示相对熵；

[0116] 对所述多个JS散度值进行高斯归一化以得到多个归一化JS散度值；以所述各个归一化JS散度值作为权重，分别对所述各个分类局部特征向量进行加权以得到多个优化分类局部特征向量；以及，将所述多个优化分类局部特征向量进行维度重构以得到所述优化分类特征图。

[0117] 在本申请的技术方案中，对分类特征图进行鲁棒性聚类优化以充分利用所述分类特征图的沿通道维度的各个局部特征之间的特征流形表达之间的非监督自组织一致性以得到聚类中心，并利用所述聚类中心与各个局部特征的概率分布之间的相似性来可度量地加入聚类鲁棒性平衡参数以使得各个局部特征能够在高维流形特征空间中趋向所述聚类中心，通过这样的方式，增强能够促进分类的局部特征且抑制降低分类精准度的局部特征，这样，能够有效地抑制所述分类特征图中的噪声和冗余信息，提高特征的表达能力和判别力。

[0118] 具体地，在上述的工业园区环境监测方法中，对分类特征图进行鲁棒性聚类优化以得到优化分类特征图，包括：将所述分类特征图的沿通道维度的各个局部特征矩阵进行特征展平以得到多个分类局部特征向量；分别计算所述分类特征图的聚类中心与所述多个分类局部特征向量中的各个分类局部特征向量之间的JS散度值以得到多个JS散度值；对所述多个JS散度值进行高斯归一化以得到多个归一化JS散度值；以所述各个归一化JS散度值作为权重，分别对所述各个分类局部特征向量进行加权以得到多个优化分类局部特征向量；以及，将所述多个优化分类局部特征向量进行维度重构以得到所述优化分类特征图。

[0119] 具体地，在上述的工业园区环境监测方法中，分别计算所述分类特征图的聚类中心与所述多个分类局部特征向量中的各个分类局部特征向量之间的JS散度值以得到多个JS散度值，用于：以如下散度公式来分别计算所述分类特征图的聚类中心与所述多个分类局部特征向量中的各个分类局部特征向量之间的JS散度值以得到多个JS散度值；其中，所述散度公式为：

[0120]

[0121] 其中，JSi表示所述多个JS散度值中的第i个JS散度值，Vi表示所述多个分类局部特征向量中的第i个分类局部特征向量，V1,V2,....,Vn表示所述多个分类局部特征向量， 表示特征训练的按位置加法，n表示所述多个分类局部特征向量的个数，表示所述分类特征图的聚类中心，即所述多个分类局部特征向量
的按位置均值向量，S表示所述分类特征图的聚类中心和所述多个分类局部特征向量中的第i个分类局部特征向量的平均分布，KL表示相对熵。

[0122] 在步骤S170中，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示工业园区空气中有害颗粒物含量是否超过正常标准。将所述优化分类特征图通过分类器以得到用于表示工业园区空气中有害颗粒物含量是否超过正常标准，也就是，以所述各个图像块中关于颗粒物的大小和浓度特征的关联性特征来进行分类，从而能够对于有害颗粒物的实际大小和浓度进行检测评估，以此来基于空气中有害颗粒物的大小和浓度来判断工业园区空气中有害颗粒物含量是否超过正常标准，用于工业园区内的产业对污染物进行优化处理做参考，保证工业园区附近的居民的身体健康。

[0123] 具体地，在上述的工业园区环境监测方法中，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示工业园区空气中有害颗粒物含量是否超过正常标准，包括：将所述优化分类特征图的各个分类特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

[0124] 示例性系统

[0125] 图4为根据本申请实施例的工业园区环境监测系统的框图。如图4所示，根据本申请实施例的工业园区环境监测系统100，包括：数据获取模块110，用于获取由摄像头采集的有害颗粒物的拍摄图像；降噪模块120，用于对所述有害颗粒物的拍摄图像进行图像降噪以得到降噪后有害颗粒物图像；图像分块模块130，用于对所述降噪后有害颗粒物图像进行图像分块处理以得到图像块的序列；多尺度卷积模块140，用于将所述图像块的序列中的各个图像块分别通过多尺度卷积结构以得到图像块特征矩阵的序列，其中，所述多尺度卷积结构包括第一卷积层和第二卷积层，所述第一卷积层和第二卷积层使用具有不同尺度的二维卷积核；特征提取模块150，用于将所述图像块特征矩阵的序列按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；优化模块160，对分类特征图进行鲁棒性聚类优化以得到优化分类特征图；以及分类模块170，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示工业园区空气中有害颗粒物含量是否超过正常标准。

[0126] 这里，本领域技术人员可以理解，上述工业园区环境监测系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的工业园区环境监测方法的描述中得到了详细介绍，并因此，将省略其重复描述。

[0127] 综上，根据本申请实施例的所述工业园区环境监测方法及其系统被阐明，其首先获取有害颗粒物的拍摄图像并进行图像降噪以得到降噪后有害颗粒物图像，然后采用基于深度学习的人工智能检测技术对降噪后有害颗粒物图像进行处理，并以此来进行分类以对工业园区空气中有害颗粒物的实际大小和浓度进行检测评估。这样，基于工业园区空气中有害颗粒物的大小和浓度来判断工业园区空气中有害颗粒物含量是否超过正常标准，用于工业园区内的产业对污染物进行优化处理做参考，保证工业园区附近的居民的身体健康。

[0128] 如上所述，根据本申请实施例的工业园区环境监测系统100可以实现在各种终端设备中，例如工业园区环境监测服务器等。在一个示例中，根据本申请实施例的工业园区环境监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该工业园区环境监测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该工业园区环境监测系统100同样可以是该终端设备的众多硬件模块之一。

[0129] 替换地，在另一示例中，该工业园区环境监测系统100与该终端设备也可以是分立的设备，并且该工业园区环境监测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

[0130] 示例性电子设备

[0131] 下面，参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5所示，电子设备10包括一个或多个处理器11和存储器12。

[0132] 处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

[0133] 存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的工业园区环境监测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储有害颗粒物图像等各种内容。

[0134] 在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

[0135] 该输入装置13可以包括例如键盘、鼠标等等。

[0136] 该输出装置14可以向外部输出各种信息，包括工业园区空气中有害颗粒物含量是否超过正常标准等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

[0137] 当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

[0138] 以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

[0139] 本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

[0140] 还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

[0141] 提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

[0142] 为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。