(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211066087.3 (22)申请日 2022.09.01 (71)申请人 中国地质科 学院 地址 100000 北京市西城区百万庄大街26 号 (72)发明人 王涛　杨凯越　 (74)专利代理 机构 郑州豫开专利代理事务所 (普通合伙) 41131 专利代理师 朱俊峰 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于卷积神经网络快速自动环境质量 评价的方法 (57)摘要 本发明公开一种基于卷积神经网络快速自 动环境质量评价的方法， 包括以下步骤： 在计算 机上将同一区域的不同地理图片灰度处理； 通过 卷积神经网络输入channel； 手动搭建模型， 采用 “卷积层‑池化层”相互交替的方式； 网络输出生 成的输出向量展开为一行， 输出向量的维数为分 类任务中的识别数与长度为3的输出向量进行全 连接； 生成长度为3的输出向量， 分别代表 三个分 类标准。 本发明运用卷积神经网络的方法， 学习 具体区域在各个成果图件上的特征值， 能够克服 人类自身认知能力的局限性最大程度的利用现 有大量的成果， 快速自动的给出评价结果供相关 人员参考， 同时针对不断后续获得的新的资料能 够快速的进行更新， 为城市的可持续发展保驾护 航。 权利要求书1页 说明书4页 附图3页 CN 115439747 A 2022.12.06 CN 115439747 A 1.一种基于卷积神经网络快速自动环境质量评价的方法， 其特 征在于： 包括以下步骤： （1） 在计算机上将同一区域的不同地理图片灰度处 理； （2） 通过卷积神经网络输入channel （CNN网络结构） ， 输入图像为(height  x width x  NUM(channel))； （3） 手动搭建模型， 采用 “卷积层‑池化层”相互交替的方式； （4） 在卷积层， 设定好filter的大小， 全部采用3 ×3的filter， 具体大小为(3 × 3  ×   NUM(channels) )； （5） 池化层采用MAX  pooling， 同样使用3 ×3大小 （单个channel） ， 一个整体的(3   × 3 ×NUM(channels) )； （6） 网络输出生成的输出向量展开为一行， 输出向量的维数为分类任务中的识别数与 长度为3的输出向量进行全连接， 即展开的一行中每一个参数都与3个输出向量相连， 形成 全连接层； （7） 生成长度为3的输出向量， 在三个位置中分别代表 “优” “良” “差”三个分类标准； 采 用监督式学习， 根据预 先打好标签的数据学习fi lter中具体的参数。 2.根据权利要求1所述的一种基于卷积神经网络快速自动环境质量评价的方法， 其特 征在于： 步骤 （2） 中CN N的输入为 二维视觉模式图片。 3.根据权利要求2所述的一种基于卷积神经网络快速自动环境质量评价的方法， 其特 征在于： 步骤 （4） 中卷积层的作用是将二 维图片映射成特征向量， 卷积操作的主要目的是提 取图像的区域特征， 区域特征 的大小和形状都由算法实现者自己决定， 通过卷积运算符来 操作； 卷积运算符作用过程： 在图像中水平和垂直滑动， 每次滑动后在当前区域上， 取所有 channel的数值， 提取 特征； 如果在提取图像边缘的特征时， 当前区域超出图像区域， 采用补0操作， 将不够的像素 点用0填充。 4.根据权利要求3所述的一种基于卷积神经网络快速自动环境质量评价的方法， 其特 征在于： 步骤 （5） 中池化层在CNN中的主要作用就是降低维度， 也就是缩小 卷积空间， 减少卷 积所必须的计算量； 池化层分为两种， 一种是max  pooling， 一种是average  pooling， max池 化层即在选定的区域内只保留最大的值， aver age pooling是将范围内的值计算平均并保 留； 这样做的目的也是非常直观的： 一个图像在一个局部的特征， 只关注它有没有出现， 但 并不在意它出现在这个局部的哪里。 5.根据权利要求4所述的一种基于卷积神经网络快速自动环境质量评价的方法， 其特 征在于： 步骤 （6） 中全连接层的作用就是将特 征向量做最后一 步工作： 分类到最终的结果； 具体来说， Flatten操作 （下 图） 将最后一层池化层的向量按行展开， 连接在一起， 形成 一个整体向量， 与最后的输出层建立全连接 （每一个输出节点都与整体向量建立连接） 。权　利　要　求　书 1/1 页 2 CN 115439747 A 2一种基于卷积神经 网络快速自动环境质量评价的方 法 技术领域 [0001]本发明属于环境质量评价技术领域， 具体涉及一种基于卷积神经网络快速自动环 境质量评价的方法。 背景技术 [0002]随着世界经济全球化、 地区经济一体化， 人类 活动对环境的影响与日俱增， 城市选 址安全底限、 城市发展规模上限、 城市发展可持续性等城市资源利用与环境保护问题日益 突出， 其相互协调发展日趋重要。 近年来， 伴随着人们对城市环境及人文地理相关基础工作 的逐渐重视， 自然资源、 规划、 环保等系统积累了大量了成果数据， 形成了一系列包含不同 类型、 多个历史时期的人类及自然要 素平面展布图间。 面对这些种类繁多， 数量巨大的成果 图件， 自然资源管 理、 环保及规划人员进 行使用的时候， 仅凭人力很难短时间内实现进行全 要素、 全历史周期、 全部图件的综合分析利用， 因而亟需基于上述资料对本地区的环境本地 进行系统评价认知。 发明内容 [0003]本发明为了解决现有技术中的不足之处， 提供一种方便操作、 评价全面、 效率高、 数据精确度高的基于卷积神经网络快速自动环境质量评价的方法。 [0004]为解决上述技术问题， 本发明采用如下技术方案： 一种基于卷积神经网络快速自 动环境质量评价的方法， 包括以下步骤： （1） 在计算机上将同一区域的不同地理图片灰度处 理； （2） 通过卷积神经网络输入channel （CNN网络结构） ， 输入图像为(height  x width  x NUM(channel))； （3） 手动搭建模型， 采用 “卷积层‑池化层”相互交替的方式； （4） 在卷积层， 设定好filter的大小， 全部采用3 ×3的filter， 具体大小为(3 × 3  ×  NUM(channels) )； （5） 池化层采用MAX  pooling， 同样使用3 ×3大小 （单个channel） ， 一个整体的(3   ×  3×NUM(channels) )； （6） 网络输出生成的输出向量展开为一行， 输出向量的维数为分类任务中的识别 数与长度为3的输出向量进行全连接， 即展开的一行中每一个参数都与3个输出向量相连， 形成全连接层； （7） 生成长度为3的输出向量， 在三个位置中分别代表 “优” “良” “差”三个分类标 准； 采用监 督式学习， 根据预 先打好标签的数据学习fi lter中具体的参数。 [0005]步骤 （2） 中CN N的输入为 二维视觉模式图片。 [0006]步骤 （4） 中卷积层的作用是将二维图片映射成特征向量， 卷积操作的主要目的是 提取图像的区域特征， 区域特征 的大小和形状都由算法实现者自己决定， 通过卷积运算符 来操作； 卷积运算符作用过程： 在图像中水平和垂直滑动， 每次滑动后在当前区域上， 取所说　明　书 1/4 页 3 CN 115439747 A 3