Resumen

Las partículas (PM) se han convertido en uno de los contaminantes importantes que deterioran la salud pública. Dado que las PM están omnipresentes en la atmósfera, están estrechamente relacionadas con la calidad de vida de muchas maneras diferentes. Por lo tanto, es imperativo disponer de un sistema para controlar con precisión las PM en diversos entornos. Los estudios anteriores que utilizaban imágenes digitales se han basado en imágenes atmosféricas individuales, sin beneficiarse de los efectos espaciales y temporales de las secuencias de imágenes. Esta deficiencia ha mermado el poder predictivo. Para solventar este inconveniente, proponemos un modelo predictivo que utiliza la CNN en cascada con dehazing profundo y priorizaciones temporales. La prioridad temporal tiene en cuenta los movimientos visuales instantáneos y estima la concentración de PM a partir de los residuos entre las imágenes originales y las desdibujadas. El presente método también proporciona, como subproducto, secuencias de imágenes desdiferenciadas de alta calidad superiores a los métodos no temporales. Las mejoras se apoyan en varios experimentos realizados en distintos escenarios de simulación y en evaluaciones realizadas con métricas estándar.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:imágenes atmosféricas individuales, movimientos visuales instantáneos, muchas formas diferentes, concentración de pm, partículas, estudios anteriores, dehazing profundo, imagen dehazed, imágenes dehazed, imágenes digitales
• Keywords:individual atmospheric images, instantaneous visual moves, many different ways, pm concentration, particulate matters, previous studies, deep dehazing, dehazed image, dehazed images, digital images