HyperAI

Les Smartphones Peuvent-ils Également Être Utilisés Comme Moniteurs De Qualité De L’air ? Un Guide De Plusieurs Étudiants En Ingénierie

il y a 6 ans
Titres
Dao Wei
特色图像

Pour résoudre le problème de la détection de la qualité de l’air, une équipe de l’Institut indien de technologie a formé un modèle d’estimation de l’IQA dans le cloud. En prenant des photos avec un téléphone portable, les utilisateurs peuvent en apprendre davantage sur la qualité de l’air et obtenir efficacement des informations sur la météo du smog.

Rédigé par Prerna Khanna et al., Institut indien de technologie

Compilation | Petit Noyer, Laboratoire du Noyer Noir

Cet article est autorisé à être reproduit à partir du compte officiel "Laboratoire du Noyer Noir"ID : blackwanutlabs, merci à l'auteur et au traducteur !

Saviez-vous qu’il existe une sorte de toux appelée « toux de smog » ? Il existe aussi une couleur appelée « couleur brume » ? Après avoir lutté longtemps contre le smog, tout le monde se moque, impuissant, de la mauvaise qualité de l'air. 

Outre les villes comme Pékin, Lanzhou et Chengdu en Chine, qui sont confrontées à la pollution de l'air depuis des années, des villes étrangères comme Delhi en Inde, Séoul en Corée du Sud et Chiang Mai en Thaïlande sont également confrontées à de graves problèmes de pollution de l'air, en particulier en hiver. 

En hiver, en raison de la pollution de l’air, les activités des gens sont non seulement restreintes, mais ils souffrent également de problèmes de santé. Selon les médias, la pollution de l’air a tué 8,8 millions de personnes dans le monde. 

Le problème de la pollution atmosphérique mondiale est grave et la première étape pour le résoudre est de permettre aux gens de surveiller la qualité de l’air qu’ils respirent. 

Bien que la surveillance de la qualité de l’air puisse être effectuée à l’aide de capteurs de pollution, un déploiement à grande échelle est coûteux. Une équipe d'étudiants de l'Institut indien de technologie a conçu une solution fiable et peu coûteuse pour évaluer la qualité de l'air, permettant aux gens de la surveiller à l'aide de leurs smartphones. 

Estimation des PM 2,5 à l'aide d'appareils mobiles

Analyse en temps réel de la qualité de l'air à partir de photos prises avec un téléphone portable

Des études antérieures ont démontré que l’apprentissage automatique peut utiliser efficacement les images des caméras pour évaluer la qualité de l’air, mais elles se limitaient généralement aux images de quelques caméras statiques. 

Une équipe d'étudiants indiens espère fournir des évaluations locales et en temps réel de la qualité de l'air sur une application mobile basée sur Android en utilisant des images prises avec un téléphone mobile. 

Ils ont choisi de cibler les PM 2,5 et les particules de plus petit diamètre comme critères d’évaluation de la qualité de l’air. Pour visualiser les résultats, les prévisions de PM 2,5 ont été cartographiées sur un tableau de l’indice de qualité de l’air (IQA) à gradient de couleurs, qui est une échelle standard prescrite par les gouvernements du monde entier. Ensuite, l'avertissement de pollution correspondant sera affiché en fonction de la valeur AQI. 

Prédire la qualité de l'air à l'aide de TensorFlow Lite 

Plus précisément, l’application collecte des images provenant de l’appareil photo du téléphone et Tensorflow Lite les traite sur l’appareil pour fournir une prédiction AQI. Avant de développer l’application, ils ont formé un modèle d’estimation de l’AQI dans le cloud. Le modèle peut être téléchargé automatiquement dans les applications Android à l'aide de Firebase ML Kit. 

Le système se compose des éléments suivants : 

1. Application mobile : utilisée pour capturer des images et prédire les niveaux d'IQA, l'application traite les images sur l'appareil. 

2. TensorFlow Lite : utilisé pour faire des prédictions à l’aide du modèle formé, et il s’agit lui-même d’un très petit fichier binaire (ce qui est important pour la vitesse de téléchargement lorsque la bande passante est limitée). 

3. Firebase : les paramètres extraits de l'image (décrits ci-dessous) sont envoyés à Firebase. Un identifiant unique est créé pour chaque nouvel utilisateur lorsqu'il utilise l'application. Cela peut être utilisé ultérieurement pour personnaliser les modèles d’apprentissage automatique pour différents emplacements géographiques. 

4. Amazon EC2 : le modèle a été formé sur Amazon EC2 à l'aide de divers paramètres de géolocalisation et valeurs PM. 

5. Kit ML : le modèle formé est hébergé sur ML Kit et automatiquement chargé sur l'appareil, puis exécuté à l'aide de TensorFlow Lite. 

Deux modèles 

Ils ont formé deux modèles d'apprentissage automatique basés sur l'image : l'un pour prédire l'AQI en utilisant les caractéristiques des photos téléchargées par les utilisateurs et l'autre pour filtrer les images sans horizons.

Modèle IQA 

Sur la base des photos des utilisateurs, ils ont utilisé les caractéristiques suivantes pour prédire l'AQI : Ces caractéristiques ont été extraites par des techniques de traitement d'image traditionnelles et combinées par un modèle linéaire. Le deuxième modèle (discuté plus tard) utilise directement des images. 

Transmission : décrit la quantité de lumière qui pénètre dans l'appareil photo du téléphone après l'atténuation de la scène et les réflexions des particules d'air. On peut le décrire par cette équation : 

où I est l'image floue observée, t est la transmission de la scène à la caméra, J est la radiance de la scène et A est le vecteur de couleur de l'air. 

En utilisant le concept de canal sombre, nous trouvons la transmission d'une seule image floue en supposant qu'il y a au moins quelques pixels avec une intensité nulle ou très faible dans un canal de couleur dans toutes les images extérieures. Pour l'image sans voile J, le canal sombre est : 

où Jc est l'un des canaux de couleur de J et Ω(x) est un patch local centré en x. La lumière du ciel peut être estimée à partir du ciel ou de la zone la plus lumineuse, de sorte que la transmission peut être obtenue par : 

Où Ic(y)/A est l'image floue normalisée par la lumière de l'air A, et le deuxième terme à droite est le canal sombre de l'image floue normalisée. 

Couleur du ciel : Si le ciel est gris, nous considérons que c'est une journée polluée. La couleur bleue peut être estimée à l’aide de la segmentation RVB. 

Dégradé du ciel : Considérant que le ciel peut apparaître gris en raison de la couverture nuageuse, cette fonctionnalité est intégrée. Le gradient est calculé en réalisant un masque de la zone du ciel puis en calculant le Laplacien de cette zone. 

Entropie, contraste RMS : Ces caractéristiques indiquent les détails contenus dans l'image. S'il fait mauvais temps, l'image perdra ses détails. Le contraste RMS est défini comme l’écart type des intensités des pixels de l’image. Voici l'équation du contraste RMS : 

où Iij est la luminosité au pixel (i, j) d'une image de taille M×N, et avg(I) est la luminosité moyenne de tous les pixels de l'image. Par conséquent, le rapport de contraste est inversement proportionnel à PM 2,5. Pour estimer l'entropie, l'équation suivante est utilisée : 

Où pi est la probabilité que l'intensité d'un pixel soit égale à i, et M est la luminosité maximale de l'image. À mesure que la concentration en PM augmente, les détails de l’image sont progressivement perdus et l’entropie de l’image diminue. Il a donc une relation inverse avec les PM 2,5. 

Humidité : Des études ont conclu que les niveaux de pollution augmentent les jours humides car les PM 2,5 absorbent l’humidité et réduisent la visibilité.

Modèle Skyline 

Les utilisateurs peuvent-ils utiliser l'application pour prédire l'AQI à l'intérieur de leur pièce, tout comme elle prédit l'AQI à l'extérieur de leur maison ? 

Le modèle peut prédire une image si elle contient au moins 50 % de la ligne d'horizon et acceptera l'image de la ligne d'horizon en utilisant un classificateur binaire. 

Ils ont créé ce classificateur à l'aide de Transfer Learning et ont recyclé le modèle sur leur ensemble de données étiqueté à l'aide de TensorFlow Hub. L'ensemble de données se compose de 2 classes : 500 images avec 50 % de skyline, 540 images sans skyline (ou moins de 50 % de skyline), y compris des pièces, des bureaux, des jardins, des scènes extérieures, etc. Ensuite, en utilisant l'architecture MobileNet 0.50, nous avons obtenu une précision de 95 % lors des tests sur 100 échantillons invisibles. Parmi eux, TF for Poets propose une aide à la reconversion de l'image. 

La matrice de confusion du modèle recyclé est la suivante : 

  Gauche : Image avec une ligne d'horizon plus grande que 50 %. L'image de droite présente une ligne d'horizon à moins de 50 %

Modèles définis par l'utilisateur 

Étant donné que les spécifications de l’appareil photo de chaque smartphone varient, chaque utilisateur a besoin d’un modèle d’apprentissage automatique personnalisé. Pour former un tel modèle, ils ont collecté des images de chaque utilisateur. 

Ils ont décidé de combiner un modèle basé sur l’image avec un modèle temporel utilisant des paramètres météorologiques. L'utilisation de modèles temporels de paramètres météorologiques permet d'obtenir une plus grande précision d'inférence et fournit certains résultats aux utilisateurs lors de la formation de modèles d'apprentissage automatique basés sur l'image, ce qui nous aide à personnaliser le modèle pour des utilisateurs spécifiques, améliorant ainsi la précision d'inférence en réduisant les erreurs de prédiction. 

Pour créer un petit ensemble de données d’entraînement pour chaque utilisateur, ils ont extrait des fonctionnalités de 7 images pour l’entraînement. Les images doivent être prises sur une période de 7 jours consécutifs, avec la moitié de l'image couvrant le ciel et sans sources de lumière directe comme le soleil. Après avoir extrait les caractéristiques des images, elles sont utilisées pour former un modèle de régression. Le modèle est linéaire car toutes les caractéristiques de l’image sont plus ou moins linéairement proportionnelles aux valeurs de PM 2,5. 

Après avoir créé l’ensemble de données de formation et le modèle, vous créerez un deuxième ensemble d’images à des fins de test. Une fois que l'ensemble de données contenait 7 jours de caractéristiques d'image différentes, les tests ont commencé. Si le RMSE de formation est inférieur à 5 jours, le modèle sera gelé et envoyé à ML Kit, qui sera téléchargé dans l'application. Si le RMSE n’est pas inférieur à 5 jours, collectez davantage de données de formation. 

Relation entre les caractéristiques de l'image et les PM 2,5

Paramètres météorologiques 

Pour améliorer la précision de l’inférence, ils ont également utilisé un modèle temporel de données météorologiques pour prédire l’AQI basé sur l’AQI historique des emplacements récents et ont complété le modèle temporel par un modèle basé sur l’image. 

L'équipe a collecté un ensemble de données météorologiques pour Delhi à partir du site Web du gouvernement indien de 2015 à 2017 et a effectué une régression de crête à l'aide de l'optimisation LASSO pour sélectionner les paramètres clés qui affectent les niveaux de PM 2,5. 

Les paramètres clés sélectionnés sont : la concentration de PM 2,5 au cours de l'heure précédente, les concentrations de divers gaz tels que NO2, SO2, O3 et le point de rosée. Ensuite, les données sont respectivement formées et testées. Le taux de précision de son ensemble de données a atteint 90 %. 

Le graphique linéaire montre les valeurs d’erreur RMS données par les trois modèles sur une période de 21 jours. 

Le prochain défi consiste à héberger le modèle adaptatif basé sur l’image pour chaque utilisateur. Pour ce faire, ils ont utilisé une solution de Firebase ML Kit. Il permet d'héberger des modèles ML personnalisés et adaptatifs dans le cloud et sur des appareils. 

Jusqu’où ce système simple mais efficace peut-il aller pour détecter ou contrôler le smog ? Attendons avec impatience leur exploration plus approfondie et leurs améliorations !