文摘

准确的识别和分类的大气颗粒物可以提供他们的源解析的基础。目前大多数的研究主要集中在大气粒子的分类基于粒子的能谱,低精度的问题,耗费时间。有必要研究大气粒子的分类方法更高的精度。摘要卷积神经网络(CNN)模型与注意力机制提出了识别和分类的扫描电子显微镜(SEM)图像的大气粒子。首先,这项工作建立了一个数据库,青岛2016 - 2018年大气粒子的分类研究。这个数据库包含3469 SEM图像的单颗粒。其次,通过分析单粒子SEM图像的形态特征,它可以分为四类:纤维粒子,絮状颗粒球形粒子,粒子和矿物质。第三,通过将注意力机制引入卷积神经网络,一个Attention-CNN模型识别和分类的四种类型的大气粒子建立基于SEM图像。最后,Attention-CNN模型训练和测试基于SEM图像数据库,识别和分类的结果,得到了四种类型的粒子。在同样的扫描电镜图像数据库,分类结果Attention-CNN比较与CNN和支持向量机。 It is found that Attention-CNN has higher classification accuracy and reduces significantly the misclassification number of particles, which shows the focusing effect of attention mechanism.

1。介绍

大气颗粒物是指微小固体或液体悬浮在大气中很重要。颗粒物质的空气动力学等效直径小于或等于2.5μ米被称为PM2.5。PM2.5粒径小,表面积大,大多数纳米球和椭圆形的球体。他们可以携带大量的有毒、有害物质,在大气中停留很长时间。这对身体健康有很大的影响,渗透深入肺和加剧慢性呼吸道和肺部疾病1]。此外,长期接触PM2.5会增加疾病的发病率和死亡率2,3]。此外,大气PM2.5影响全球气候:烟尘气溶胶粒子是造成全球变暖的主要因素通过吸收太阳辐射的4],PM2.5对气候变化的反应是复杂的和变量不同地区(5]。目前,PM2.5的研究已成为一个重要的问题在全球空气污染的预防和控制。

大气颗粒物具有不同的形态特征和化学成分。单粒子的研究可以反映其物理和化学特征和形成机制中发挥着重要作用,运输过程中,颗粒物化学活动,和环境的影响。许多学者研究了粒度分布,微观形态学、吸湿性、光学特性、元素组成和单粒子的混合状态。Genga et al。6)应用主成分分析和层次聚类分析对PM10的空气动力当量直径小于或等于10μm,探讨化学和形态参数之间的关系。根据扫描电子microscope-energy色散x射线能谱(能谱),粒子的微观图像处理,和地区,长宽比,圆度,分形维数,箱宽度,盒子的高度,和周边的粒子是通过图像分析。Chithra和湿婆Nagendra [7测量悬浮颗粒物的化学特性的室内和室外钦奈市季风期间,冬天和夏天的季节使用离子色谱法和电感耦合等离子体光学发射光谱法。粒子的形态特征进行了分析通过扫描电子显微镜(SEM)加上能量色散x射线谱,和颗粒物的化学成分的分布。染料等。8收集好城市气溶胶(< 1μ米)使用直接抽样城市气溶胶在多孔碳的电影。气溶胶粒子形态特征进行了分析使用透射电子显微镜(TEM)、分形维数和颗粒直径进行了测量和分析。Akram et al。9)调查了形态、微观结构和化学成分的各种粒子排放燃煤电厂、钢铁厂、车辆尾气通过SEM和TEM。调查表明,从这三个来源不同的粒子形态、微观结构和化学成分。球聚合通常是最丰富的组件,与硅和铝作为主要元素。菩提树et al。10)调查了形状、形态、和元素成分的气溶胶PM10和PM2.5在阿格拉位于北印度中部使用能谱和得出结论,能谱的来源是一个方便的方法来确定空气颗粒污染的排放。赵et al。11]研究了形态学、化学特性和源解析的PM2.5样品收集从五个网站嘉兴。SEM和TEM分析PM2.5和结果表明,烟尘总量和燃煤飞灰是最丰富的组件样品。结果表明,在冬季和春季PM2.5浓度高于秋季和夏季。李和邵12)应用TEM和SEM研究形态、大小和成分的气溶胶粒子在雾和nonfog集在北京。雾和矿物粒子的大小分布数量nonfog发作了,结果表明粒子主要包括制备、Ca-rich和丰富。菩提树et al。13)使用介质体积空气取样器取样PM10和PM2.5颗粒在路边和半农村的网站在阿格拉,印度。粒子数量PM2.5和PM10的浓度由格林气溶胶分光光度计测量。颗粒物的形貌和元素组成分析是由SEM和能量色散谱(EDS),分别。Bahadar·et al。14]研究了形态、大小和组成PM2.5和PM10使用傅里叶变换红外光谱和扫描电镜和能量色散x射线光谱。

上述研究大气粒子的形态主要关注大气粒子的形态特征的研究,SEM和TEM以及特征和粒子通过EDS成分分析。因为大气颗粒物的SEM图像的背景很复杂,有很多噪音,是耗费时间和劳动密集型的大气粒子的分类基于EDS,大气颗粒物和有效的分类方法需要进一步调查。

作为机器学习的兴起,深层神经网络,尤其是CNN,具有良好的数据处理能力,获得了深入应用在图像识别和分类。摘要CNN与注意机制应用于扫描电镜图像的大气粒子的识别和分类进行了研究。主要贡献如下:(1)大气颗粒物的SEM图像数据库,包括四种类型的形态特征,建立了包含纤维颗粒,絮状颗粒,球形颗粒、矿物颗粒。(2)为了提高识别和分类的准确性CNN,注意力机制引入CNN, Attention-CNN模型识别和分类建立大气粒子的扫描电镜图像。(3)Attention-CNN模型训练和测试使用SEM图像数据库的大气粒子。结果表明,该Attention-CNN优于CNN和支持向量机模型。

剩下的纸是组织如下。节2相关的研究现状,介绍了大气粒子的识别和分类。节3,样本收集和SEM图像采集的过程的大气粒子提供和大气颗粒物SEM图像的形态特征进行了分析。节4Attention-CNN模型。节5,并给出了实验结果和分析。最后,提出了未来工作的一个简短的结论和建议部分6。

2。文献综述

有些学者应用深CNN颗粒物的浓度的研究,取得了一系列的成就。黄和郭15)结合CNN与长期和短期记忆(LSTM)预测PM2.5浓度。结果表明,预测的准确性提出CNN-LSTM模型较传统的机器学习方法是最好的。Chakma et al。16)结合机器学习和自然图像,分类自然图像具有不同PM2.5浓度基于CNN深处,并估计PM2.5浓度。温家宝et al。(17)提出了一种时空卷积长短期记忆神经网络扩展(C-LSTME) PM2.5浓度预测模型。模型中,高层时空特性提取通过CNN的组合和long-short-term记忆神经网络(LSTM-NN)。结果表明,提出的模型取得更好的性能。Soh et al。18)提出了PM2.5使用多个神经网络的组合预测模型,包括人工神经网络、CNN和long-short-term记忆提取的时空关系。采用台湾和北京数据集的实验表明,该模型取得了优异的性能。李等人。19)提出了一种深CNN模型利用空间遥感PM2.5浓度的影响。结果表明,深CNN模型可以应用在空间遥感分析大数据的字段。深的准确性CNN远远高于地理加权回归。Bo et al。20.)结合图像和天气信息估计PM2.5指数使用CNN和支持向量回归(SVR)技术。首先,CNN是用来预测PM2.5指数基于图像信息,然后预测的PM2.5 CNN和两个天气特征,湿度和风速,组合收益率最终使用创建了SVR模型估计PM2.5指数。

此外,由于其强大的学习能力形象,CNN是广泛应用于图像分类和几个取得了成就。Ciocca et al。21]调查使用CNN-based食品识别和检索功能,在CNN网络的架构是基于剩余50层的网络。Steinbrener et al。22CNN)用于较小的数据集进行分类的高光谱图像的水果和蔬菜。该方法利用高光谱图像的附加信息来达到提高精度与一组有限的训练图像。迪帕克和埃米尔(23]应用pretrained深网络分类脑瘤使用转移学习。实验结果表明,该系统记录最好的分类精度与所有相关的工作。吴et al。24)研究了不同的CNN算法分类的脸皮肤疾病,这是基于临床图像。结果表明,cnn有能力识别面部皮肤疾病和模型使用转移学习达到更高的平均精度。周et al。25)提出了一个CNN模型radiomics方法基于横波弹性成像对恶性和良性乳腺肿瘤进行分类。该方法的目的是直接从数据中提取特征没有细分的前提和手动操作。与现有的方法相比,该方法性能优越。在[26),基于转移学习使用一个数学模型,在CNN的体系结构中,VGG-16 ImageNet训练数据集,被用作特征提取器。实验结果表明,一个优秀的准确性。在[27- - - - - -32基于CNN),高光谱图像分类及其改进方法,和相应的优越性是通过实验验证的方法。马等。33)提出了一个混合CNN对PM2.5污染水平基于图像分类的价值观。该方法取得了良好的分类性能的空气污染水平从一个捕获的图像。

由于集中注意力机制的影响,将其添加到CNN分配不同的权重不同的信息,过滤掉不重要的信息,并使模型关注的关键信息区域图像,从而提高识别和CNN模型的分类精度。李等人。34)建立了一个大规模引起青光眼(滞后)数据库,并提出了一种引起CNN青光眼检测,称为AG-CNN。实验结果从测试延迟数据库和另一个公共青光眼数据库显示,AG-CNN明显高级艺术青光眼的状态检测。恋人et al。35]利用CNN学到的特性在不同处理层次结构使用注意机制和实现了98%的总体精度验证集的5倍交叉验证。李等人。36)提出了一种基于深度学习城市PM2.5浓度预测的方法,由一维CNN, LSTM,引起网络。结果表明,该方法能够处理PM2.5浓度预测和优于六基线的方法。歌等。37]提供了一个高度区别的网络,即关注分支基于卷积神经网络(ABCNN),区分叶子特性之间的差异。LeafSnap ABCNN是测试特殊数据集的高度相似的树叶和分类精度达到了91.43%,高于先前的方法。

在上面所引的大气颗粒物研究工作,获得SEM图像的基本方法。扫描电镜图像的大气颗粒物可以用来分析粒子的形态,广泛应用于大气粒子的研究。此外,CNN图像学习和分类能力强,主要用于分析和预测中微粒的浓度对大气颗粒物的研究。很少有研究的应用深度CNN大气颗粒物的分类基于SEM图像。在[16,33,36),CNN和其改进算法被用来分类和研究大气颗粒物的自然图像,主要解决颗粒物浓度和污染程度的问题。形态特征的大气颗粒物SEM图像,影响颗粒物源解析,应进一步研究。本文探讨了SEM图像的大气颗粒物PM2.5的基于形态学特征。CNN和注意机制应用于识别大气粒子的扫描电镜图像,实现粒子的四种类型的分类。

3所示。样本收集和准备

3.1。采样地点的大气粒子

七个环境监测站点在青岛,中国,选择收集大气颗粒物,青岛港,中德生态园,公民文化广场,恒源热电厂,黄岛发电厂,新街口,北部和山东科技大学(SDUST)。7个监测站点的信息包括名称、采样高度,功能区,地理位置,如表所示1。采样时间包括四季和三年,这是2016年的夏天(7月3-22),2016年秋季(6-19 10月),2017年的春天(4—4月),2017年秋季(9月5 - 21日),2018年的春天(4月6-19),和2018年冬季(11月8至21)。每个采样周期是2到5个小时。

3.2。大气颗粒物采样滤膜

一般来说,有三种大气颗粒物采样滤膜:石英纤维过滤膜、醋酸纤维素滤膜和聚碳酸酯过滤膜。在扫描电子显微镜下,可以观察到这三个过滤膜的形态从微观水平。

如图1(一)石英纤维过滤膜显示,复杂的纤维粒子SEM。由于大型石英纤维过滤膜的厚度、微小颗粒容易被嵌入到纤维的差距,这使得它不方便对运营商获得图像。然而,膜具有耐高温、耐腐蚀、透气性好,和高流量抽样。

醋酸纤维素滤膜的形貌的SEM呈现粗糙毛孔形态,如图1 (b)。微粒嵌入洞或缺口。醋酸纤维素滤膜的优点是比石英纤维过滤膜薄,透气性好,相对完整的吸附颗粒,和相对较少的时间找到微粒。然而,由于膜纤维的影响,很容易使闭塞的粒子。

聚碳酸酯过滤膜的微观形貌SEM是非常清楚的,并提出了一个光滑的表面微孔形状,如图1 (c)。SEM照片表明,微粒坚持膜的表面和孔很小。作为背景,聚碳酸酯膜过滤器非常适合分析PM2.5使用图像处理。聚碳酸酯滤膜也有缺点。由于小洞和渗透性差,较小的气流和收集样本时需要较长的采样时间。

三个过滤膜都有自己的优点和缺点。本文采用深度学习方法来确定大气微粒。不同背景的SEM图像更有利于网络模型的适用性。因此,所有三个过滤膜用于样本集合。

3.3。准备样品

细颗粒物采样器和介质流PM2.5取样器是用于抽样PM2.5。取样过滤器是石英纤维过滤器、醋酸纤维素过滤器为0.8μ0.1 m孔隙大小,聚碳酸酯过滤器μ孔隙大小。采样流量校准前后的采样粒子,和空滤膜离开现场取样分析抽样过程是否被污染。

为了获得PM2.5的SEM照片,需要三个步骤。首先,使观测样本:面积大小5毫米×10毫米被切断的过滤随机和坚持扫描电镜样品成堆的铝导电胶粘剂。第二,观察样品涂铂:样本放置在喷淋罐和表面镀铂离子溅射条件下的真空。第三,样本成堆被放置在扫描电子显微镜(450年美国范新星纳米SEM),和PM2.5的SEM图像获得高真空模式下的加速电压20 KV和20000倍的放大。

3.4。形态特征的大气颗粒物SEM图像

基于之前的研究,我们小组(38),观察和分析大量PM2.5 SEM图片,发现有四种类型的颗粒明显的形态特征,即纤维颗粒,絮状颗粒,球形颗粒、矿物颗粒。四种类型的大气颗粒物的SEM图像如图所示2。

纤维颗粒的形态特征是显而易见的,他们的表面是光滑和长。他们通常来自矿物质、植物纤维和人造纤维分散在空中。纤维颗粒大多属于初级气溶胶,不改变大气中二次化学反应。

絮状颗粒是由大量的30 - 50纳米粒子聚集,主要来自机动车排放的微粒吸附空气中的其他元素通过二次转换和冷凝。它们的形态特征链和集群一般来说,这很容易区分(39]。

球形颗粒通常被称为燃煤飞灰。由于他们的光滑球面的特点,他们在大气粒子很容易识别。球形颗粒的主要来源是煤燃烧、生物质燃烧,或垃圾焚烧,其形成机制是固体粉煤灰在高温下融化。通常微米大小的球形颗粒,其表面还可以吸附其他超细粒子或次级粒子。

矿物颗粒通常来自尘埃和二级大气化学反应的产物。逃亡的灰尘主要包括公路逃亡的灰尘,土壤逃亡的灰尘,逃亡的尘埃,工业逃亡的灰尘。它们的形态特征存在差异,通常表现为矿物或固定块的形式,这是很难区分的。矿物颗粒来自细颗粒物在地球表面的飞尘。常规矿物颗粒通常来自大气中的化学反应。

4所示。卷积神经网络与注意力机制

4.1。卷积神经网络

卷积神经网络是深度学习的共同框架之一,已广泛应用在图像处理由于其独特的优势。卷积图像处理,应用于数字图像的空间域直接计算原始像素空间,也就是说,获取图像中重要的功能通过multi-convolution内核操作。同时,采用基于梯度下降的反向传播算法训练网络的权值,具有良好的鲁棒性翻译,缩放、倾斜,等等,最后准确的实现图像的识别和分类。

CNN应用于图像识别和分类主要包括五部分:输入层、卷积层、汇聚层、连接层,和输出层,如图3。其中,卷积层使用卷积内核获得图像特征,实现过滤和加强图像的特性。池层降低了特征维卷积层将采样、压缩的数据量和参数,并减少过度拟合。完整的连接层连接所有节点串联输入向量和输出图像的特性。

4.2。注意机制

注意机制是一种类似于人类的关注功能模型。它利用的原则,人们会将注意力集中在一个特定的位置在一个特定时间,减少他们的注意力转向其他地方。注意力的作用机制可以解释为筛选重要信息从多个信息,关注重要信息,忽略不重要的信息。注意机制使用的方法分配不同的权重的输入特性模型关注的重要信息。重要信息的集中过程是权重系数的计算过程。信息的重要性越高,权重分配系数越大。

注意机制的原则(40)如图4,在这X= (x₁,x₂、…x_n)代表输入时间t,H= (h₁,h₂、…h_n)隐藏状态信息在输入序列,和每一个h_我(我= 1,2,…n)包含的信息从CNN的输入序列。中的信息h_我主要关注周围的输入数据我th输入序列y_t是输出的时间吗t,它可以表示为 在哪里(⋅)是美国有线电视新闻网,年代_t是隐藏的输出状态的时间吗t,c_t表示上下文状态向量通过学习获得的。的计算年代_t可以表示如下:

的计算公式c_t如下: 在哪里一个_{“透明国际”}是关注的参数,对应的重量吗h_我;也就是说,其计算公式如下: 在哪里e_{“透明国际”}是一个对齐模型,评估输出时间之间的匹配度t和信息我输入。它可以通过学习计算隐藏状态年代_t−1和h_我。计算公式如下: 在双曲正切(·)是激活函数,W_一个和U_一个重量参数,b_一个是偏差参数。

从上面可以看出,注意力机制可以提高学习不同的模型状态的影响关系的训练重量的每个输入的影响x_我在输出y_我,因此该模型可以专注于输入数据的信息有更大影响产出和提高输出的准确性y_我。

4.3。Attention-CNN模型

通过将注意力机制引入到CNN,网络可以自适应地分配重量信息对整个网络的数据通过最后时刻的输出和输入的电流。图像的关键信息可以关注,以提高分类的准确性和适应性。

摘要大气颗粒物是通过识别SEM图像分类的。有必要确定颗粒的形态特征的扫描电镜图像。然而,SEM图像主要是由颗粒和滤膜相当于背景。如果注意力机制集成到CNN识别粒子在扫描电镜图片,注意颗粒形状特征可以关注,这背景和其他非形状特性可以减少。可以提高粒子的识别精度,提高分类精度。

在此基础上,建立Attention-CNN模型通过将注意力机制集成到CNN。Attention-CNN用于识别和分类SEM图像的大气粒子,和它的结构如图5。Attention-CNN模型包括输入层、卷积层,注意层,完整的连接层和输出层。

由于输入是粒子的SEM图像的四种类型,输入层四个节点,也就是说,标签的扫描电镜图像四种类型的粒子。卷积层设置为四层,每一层的卷积核的8×3×3,16×5×5,32×3×3,和32×3×3先后,和关注层卷积后添加层每层实现的重量分布。池一层一层添加到第一个和最后一个卷积。卷积的输出层的输入完整的连接层,和完整的连接层的节点数量设置为64。把粒子分为4类,输出层和输出层节点的数量是4。

摘要TensorFlow模型是用于构造Attention-CNN模型。分析了模型的主要参数如下。

4.3.1。激活函数

之间可以引入一个非线性函数神经网络通过设置层的激活函数,和输出节点的不再是线性的,所以它可以适应各种曲线和增强网络的表达能力。在Attention-CNN模型中,两个激活函数,Relu(修正线性单元)和softmax函数,用于隐藏层和输出层,分别。

Relu可以解决梯度扩散过程中参数传递。当Relu函数大于0,它的导数是1。它很简单找到梯度,这可以大大提高梯度下降法的收敛速度。Relu函数的表达式如下:

Softmax地图的输出多个神经元(0,1)并执行多个分类。假设有一个输入数组,我代表了我th元素;将softmax这个元素的值是通过计算 在哪里n代表所有的输入元素。

4.3.2。优化策略

在整个培训过程的深度学习模型中,有必要使用优化算法迭代模型参数,减少损失函数值。一些参数优化算法被提出并应用于相关领域(41- - - - - -44]。因为亚当优化算法充分利用一阶时刻均值和二阶梯度计算的均值自适应学习速率参数,和动量因子包括在更新过程(45亚当),本文算法选为Attention-CNN的优化策略。亚当的计算过程如下: 在哪里米_t是一阶矩估计,是二阶动量词,β₁,β₂动态值,后的成本函数的梯度t迭代,修正一阶矩的价值,是二阶矩的校正值,W_t的参数吗t迭代模型,ε是一个很小的数量,可以避免分母为零。

4.3.3。损失函数

损失函数用于训练神经网络评估预测值和真实值之间的差异,是一个标准的测试模型的性能。摘要叉成本函数被选中作为Attention-CNN损失函数,它可以表示为 在哪里x是样品,n是样品的总和,一个是输出值,y是实际的价值。

的梯度计算如下: 在哪里是输出之间的误差和实际价值。

5。实验和结果分析

5.1。数据库

根据PM2.5三种采样滤膜采集的数据从7环境监测站点在青岛,SEM图像的大气颗粒物,它包含四种类型的微粒:纤维颗粒,絮状颗粒,球形颗粒、矿物颗粒。

收集到的扫描电镜图像传输到电脑,和525扫描电镜图像。自从SEM图像通常有图像的信息栏,包括拍摄时间、放大、规模、和其他信息的图像,在图像处理之前,有必要减少扫描电镜图像,去除图像信息栏,以避免影响扫描电镜图像的处理。通过裁剪和旋转处理,3469单粒子SEM图像的四种类型的大气粒子获得和设置数据库,也就是说,青岛2016 - 2018。根据2428年Attention-CNN模型建立,SEM图像数据库中作为训练样本,和其余1041图像作为测试样本。大气粒子的样本数量的四种类型和数量的训练和测试样本Attention-CNN如表所示2。

5.2。结果与讨论

Attention-CNN模型部分4所示。3训练和测试基于SEM图像数据库的大气粒子的四种类型。同时,为了验证Attention-CNN模型的性能,常用的CNN和SVM在图像分类也应用于扫描电镜图像的大气粒子的识别和分类。CNN的结构是一样的Attention-CNN模型,但没有注意层。这三个模型训练和测试使用相同的扫描电镜图像数据库。Attention-CNN和CNN Relu函数选为卷积层的激活函数,softmax函数作为激活函数的输出层,亚当优化器作为网络优化策略,成本函数和叉作为损失函数,训练时间设置为200次迭代,和批量大小设置为128。

Attention-CNN之后,CNN和SVM的训练和测试,得到了相应的结果。的准确性和损失曲线得到Attention-CNN训练样本和测试样本,如图6。图7四种类型的分类结果显示粒子通过三种模式。

从图可以看出6(一)训练样本的分类精度逐渐增加并趋于稳定的迭代次数增加。测试样本的分类精度增加快速迭代的初始阶段。在最初的波动之后,随着次数的增加,测试样品的准确性接近训练样本的准确性,基本上是稳定的。从图可以看出6 (b),类似于变化的准确性训练样本和测试样本,训练样本和测试样本的损失函数减少快速迭代的数量增加,最后趋于稳定。分类精度的变化和损失函数Attention-CNN模型的迭代次数增加表明Attention-CNN模型的设计是合理的。

如图7Attention-CNN模型优于其他两种模型在大气粒子的四种类型的分类。纤维的分类精度和絮状达到98.56%,矿物的分类精度是至少94.33%。四种类型的分类精度的粒子使用Attention-CNN已经提高了0.77%,2.59%,0.68%,和1.44%,分别比使用CNN和增加了2.79%,6.44%,1.06%,和7.39%,分别使用SVM相比。这表明Attention-CNN模型可以有效的大气粒子的扫描电镜图像进行分类。

此外,为了研究的优势Attention-CNN在CNN和SVM识别和分类SEM图像的大气颗粒物,三个模型的性能比较混淆矩阵,如图8。

根据图8可以得到以下结论:(1)纤维粒子、Attention-CNN CNN,和支持向量机分类的问题作为矿物颗粒。然而,Attention-CNN分类纤维颗粒矿物粒子在最少,其次是CNN和支持向量机和支持向量机也将它们作为絮状颗粒划分的问题。(2)絮凝颗粒,Attention-CNN和CNN分类成其他三种类型的微粒误。支持向量机分类纤维颗粒和矿物颗粒。但是微粒的总数至少使用Attention-CNN更进一步的是,CNN和SVM紧随其后。其中,矿物颗粒的数量被错误归类是最大的。被误诊的Attention-CNN、CNN和SVM是6,24和33。可以看出,絮状颗粒的数量已经被Attention-CNN并被错误地归类为矿物颗粒明显减少,这表明注意力的集中效应机制。(3)为球形粒子,Attention-CNN分类矿物颗粒。CNN分类纤维粒子和矿物粒子。支持向量机分类的其他三种类型的粒子。其中,并被错误地归类为矿物颗粒的数量是最大的。球形粒子并被错误地归类为矿物粒子的数量由Attention-CNN CNN,而支持向量机是13日,27日和26日,分别,这也表现出注意力机制的主要功能。(4)矿物粒子的三个模型将它们作为其他粒子划分的问题。Attention-CNN和CNN分类成球形粒子,和支持向量机分类絮状颗粒。但是,使用Attention-CNN粒子分类错误的总数是最小的,其次是CNN和支持向量机。

总之,它可以获得Attention-CNN比CNN和SVM具有更好的分类性能,尤其是对纤维粒子,絮状颗粒,球形粒子。与CNN相比,Attention-CNN显著减少粒子数被误诊后添加关注机制,CNN,这表明注意力的集中效应机制。与此同时,所有的三个模型的问题分类纤维粒子,絮状颗粒,和球形颗粒矿物粒子,它们是不是和矿物颗粒的数量是最大的与其他粒子相比,这表明,矿物粒子有不同的形态特征,与其他类型的颗粒很容易混淆。

为了进一步评估Attention-CNN的分类性能,四个评价指标、精度、回忆,特异性,F1-score、使用及其计算公式如下: TP, FP、TN和FN PM2.5的SEM图像分类的数量为真阳性、假阳性,真阴性和假阴性。F1-score查全率和查准率是评价指标相结合,用于全面反映整体的结果。

根据Attention-CNN的试验结果,得到了上面的四个评价指标并与CNN和支持向量机的结果,如表所示3。

从表3,可以发现,在纤维颗粒的识别和分类,球形颗粒,絮状颗粒,Attention-CNN的四个评价指标优于CNN和支持向量机。识别和分类的矿物颗粒,回忆和F1-score Attention-CNN比CNN和SVM和精度和特异性不如CNN但比支持向量机。一般来说,该Attention-CNN模型优于CNN和SVM识别和分类的大气颗粒物SEM图像。

6。结论

本文的PM2.5样品收集和他们得到基于扫描电镜SEM图像。通过分析大气微粒SEM图像的特点,他们分为四种典型的微粒:纤维颗粒,絮状颗粒,球形颗粒、矿物颗粒。Attention-CNN模型大气粒子SEM图像的识别和分类建立了将注意力机制集成到CNN,其中包括输入层、卷积层,注意层,完整的连接层和输出层。Attention-CNN模型训练和测试后的扫描电镜图像数据库的大气颗粒物,得到分类结果与分类精度高,这表明该Attention-CNN模型是合理的大气粒子SEM图像识别和分类。

此外,Attention-CNN模型与CNN和SVM模型基于相同的数据库。结果表明Attention-CNN优于CNN和支持向量机分类的四种类型的大气粒子,具有更高的分类精度和更好的评价指标。同时,相比之下,CNN, Attention-CNN显著减少粒子数被误诊后添加关注机制,CNN,这表明注意力的集中效应机制。

这项研究提供了一种可靠的方法对大气粒子的自动识别和分类。然而,大气颗粒物的形态特征是复杂和多样化。本文只关注识别和分类的四种类型的粒子和粒子的类型在未来可以扩展。此外,如何介绍一个更好的算法来提高颗粒的识别和分类精度与形态多样性利用CNN也进一步研究的内容。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金项目(61503224和61503224号)和中国的山东省自然科学基金项目(没有。ZR2017MF048)。