[0022] 为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0023] 实施例1：本实施例的一种基于气溶胶颗粒物图像的智能测风系统，由气溶胶颗粒物图像拍摄设备和图像处理设备5组成，气溶胶颗粒物图像拍摄设备包括安装在一个U型可调支架1上的激光器2、激光扩束器6、CCD相机3、相机镜头、滤光片4、控制器。激光器2安装在可调支架1的一端上，激光扩束器6安装在激光器2的激光发射端并与其光轴重合，使激光器2发射的激光变宽。CCD相机3安装在可调支架1的另一端上，CCD相机3上安装相机镜头，并在镜头前安装滤光片4，滤光片4选用可使激光器2发出的激光通过的频率。激光器2和CCD相机
3还连接控制器，控制器集成在图像处理设备5中，用于控制设备运行及接收CCD相机3采集的图像数据。
[0024] 激光器2和CCD相机3的光轴成一可调夹角θ，夹角设为0‑45度之间，两光轴的交点区域便是本实施例智能测风系统的检测区域，也就是气溶胶颗粒物图像的拍摄区域。在上述区域中激光照射空气中的气溶胶颗粒物，而被照射的气溶胶颗粒物会将激光散射，散射光线经过滤光片4过滤、通过相机镜头进入CCD相机，使CCD相机可以拍摄到气溶胶颗粒物的位置。而可调支架1的底座可以水平旋转、U型架部分设有转轴，可以竖直调整俯仰角，配合激光器2和CCD相机3光轴的夹角改变、交点位置变化，可以实现拍摄区域的灵活改变。通过上述结构设计，在无外露探测元件的前提下实现了风速检测，且可以通过调整激光器2和CCD相机3的方向以快速调整风速遥测目标区域。
[0025] 上述结构中，激光器选用长春新产业公司的PGL‑FS‑532‑80mw18061723；CCD相机选用日本Watec株式会社的WAT‑902H ULTIMATE；相机镜头选用深圳华谷动力科技有限公司的VM0410MPIR；滤光片选用中心波长532nm、贷款1nm的窄带滤光片；控制器使用DH‑CG300图像采集卡接收CCD相机拍摄的图像。
[0026] 图像处理设备5除集成的控制器外，还包括预处理模块和卷积神经网络模块，预处理模块在卷积神经网络模块进行特征提取前对气溶胶颗粒物图像预处理，以凸显特征区域、减少卷积神经网络的计算量和加快神经网络的处理速度。其中包括筛选层、裁剪层、灰度化层；筛选层从采集到的气溶胶颗粒物运动轨迹图片中挑选出带有线段特征的图片；裁剪层将筛选层选出的图片裁剪，在保留线段特征的前提下减少图片的无关区域，在本实施例中裁剪层将768 pixel×576 pixel原始图片裁剪成带有线段特征的48 pixel×48 pixel图片；灰度化层将裁剪后的图片做灰度化处理；归一化层将灰度化后的图片做归一化处理，归一化层的计算公式为：AFTimage=(I‑min(I))/(max(I)‑min(I))，其中，AFTimage为归一化处理后的图像像素点值，I为图像像素点值，min(I)为图像像素的最小值，max(I)为图像像素的最大值。归一化能够降低几何变换的影响以及加快梯度下降和寻找最优解的速度。
[0027] 预处理后将预处理过的图片输入卷积神经网络模块计算风速。卷积神经网络模块中内含的卷积神经网络使用VGG结构的CNN模型，采用MatConvNet框架实现。本实施例用于对0‑3 m/s的风速进行测量，将风速分为0 m/s、1 m/s、3 m/s三档，用于上述条件的卷积神经网络结构如图2所示：由第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第六卷积层、全连接层及softmax分类器依次连接组成，六个卷积层分别包含36、36、36、72、96、3个卷积核，卷积核大小分别为5×5、5×5、5×5、5×5、3×3、1×1，步长都为1；所有卷积层都使用非线性激活函数ReLu；所有池化层大小为3×3，步长为2，第一池化层为最大池化层，第二、第三、第四池化层为平均池化层。卷积神经网络模型的具体结构表1所示：
[0028] 表1 卷积神经网络模型的结构参数
[0029]
[0030] 上述卷积神经网络的训练方法如下：调节CCD相机3与激光器2之间的夹角为30mrad并使气溶胶颗粒物的运动图像充满CCD相机3视场，调节镜头焦距使成像清晰，本实施例中相机镜头成像清晰处为离硬件部分10 m处，且CCD相机3的分辨率为768 pixel×576 pixel。控制相机镜头成像清晰处范围风速在0 m/s、1 m/s、3 m/s变化，控制CCD相机3连续拍摄300张气溶胶颗粒物运动轨迹图片并做分类，图像采集速度为25帧/s。
[0031] 卷积神经网络需要大量的训练数据来支持其训练。为了避免发生过拟合现象，提升卷积神经网络的鲁棒性，使用数据增强方法来获得大量数据：通过图像旋转，平移和镜像的方式增大数据集的数量，然后利用数据归一化降低几何变换的影响以及加快梯度下降和寻找最优解的速度。
[0032] 根据0 m/s、1 m/s、3 m/s的三种风速，将三种风速处理后的图像分别分成训练样本和验证样本，其中训练样本占75%，验证样本占25%，利用训练样本训练上述的卷积神经网络。对于卷积神经网络的验证，在三种风速下进行，利用训练后的卷积神经网络对验证样本进行实际风速测量即可验证训练后的卷积神经网络的准确性。
[0033] 经图像预处理过后的特征图像统一裁剪成48×48大小，训练时输入卷积神经网络的特征图像大小为1×48×48；输入卷积神经网络的特征图像经过第一卷积层后变为36×48×48，通过第一池化层后变为36×24×24；第一池化层的输出经过第二卷积层后变为36×24×24，通过第二池化层后变为36×12×12；第二池化层的输出经过第三卷积层后变为
36×12×12，通过第三池化层后变为36×6×6；第三池化层的输出经过第四卷积层后变为
72×6×6，通过第四池化层后变为72×3×3；第四池化层的输出经过第五卷积层后变为96×1×1；第五卷积层的输出经过第六卷积层后变为3×1×1；通过全连接层将第六卷积层得到的特征向量进行平铺，转化为一维向量，并将此向量作为softmax分类器的输入。训练时的批量大小为100，学习率为0.0001，迭代次数为100，权重衰减为0.0001，计算模型预测结果与特征图像实际类别之间的误差，使用随机梯度下降的误差反向传播算法，对卷积神经网络参数进行迭代更新，使总体误差最小，完成模型训练过程。
[0034] 本实施例所用的卷积神经网络对于风速测量的训练过程中错误率变化图如图3所示，而随着训练次数的增多，训练样本和验证样本的错误率大体上呈现逐渐下降到逐渐稳定的趋势，训练样本和验证样本的错误率非常接近，可看出该卷积神经网络训练效果较好。其中第100次模型迭代的训练样本总的错误率为7.64%，卷积神经网络对于风速测量的训练过程中最相似一张图的错误概率变化趋势如图4所示，第100次模型迭代时为1.818%，因此该卷积神经网络具有一定的可靠性，故应用该卷积神经网络的上述系统可以有效进行风速测量。
[0035] 卷积神经网络定量测量的过程为对测试样本图片进行风速的测量，将图片判成与之最接近的风速类别并进行计数，将每个风速类别的图片数量Ni除以测试样本图片总数M即为该测试样本测量成该风速类别的概率：
[0036] P(i)=Ni/M
[0037] 其中i的取值为1，2，3，分别代表0 m/s，1 m/s，3 m/s风速。
[0038] 在不同的环境下仍然拍取图片经过相同的处理之后，将样本图片标序，序号1代表0 m/s风速的图片，序号2代表1 m/s风速的图片，序号3代表3 m/s风速的图片。利用卷积神经网络进行定量的风速测量，测试样本的风速测量结果如表2所示，1号风速样本图片经卷积神经网络测量成0 m/s、1 m/s、3 m/s风速的概率分别为0.93、0.07、0.00，2号风速样本图片经卷积神经网络测量成0 m/s、1 m/s、3 m/s风速的概率分别为0.00、0.85、0.15，3号风速样本图片经卷积神经网络测量成0 m/s、1 m/s、3 m/s风速的概率分别为0.01、0.24、0.75。
从定量的风速测量结果中可看出三个序号风速的样本经卷积神经网络测量的准确性分别为0.93、0.85、0.75，卷积神经网络测量平均准确率为0.84,可以说明该卷积神经网络的可靠性。
[0039] 表2 测试样本的风速测量结果
[0040]
[0041] 而对于其他测量需求，只需要更改卷积神经网络的结构，并改变softmax分类器的分类便可以灵活实现各种风速范围的测量。
[0042] 实施例2：根据本发明的另一个实施例的一种基于气溶胶颗粒物图像的智能测风系统中，可调支架中底座和U型架的转轴设有电机；激光器和CCD相机与可调支架的连接处也安装有电机，该电机的转轴与激光器和CCD相机光轴所成平面垂直；上述所有电机的联动转动可以改变测风区域。
[0043] 控制器与上述所有电机连接，可通过控制器控制电机的运作，从而改变测风区域。
[0044] 其他结构和使用方法可以参考实施例1。
[0045] 应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
