今天是第二十二天我們可以寫一空氣品質系統結合了lstm與yolo以下是程式碼

import cv2
import numpy as np
import torch
import pandas as pd
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# YOLOv8 模型加載 (假設使用 YOLOv8)
model = torch.hub.load('ultralytics/yolov8', 'yolov8x')  # 使用 YOLOv8

def detect_pollution_sources(image_path):
    img = cv2.imread(image_path)
    results = model(img)  # 執行 YOLO 檢測
    return results.pandas().xyxy[0]  # 返回檢測結果

def preprocess_data(pollution_data, time_series_data):
    # 假設 pollution_data 是一個 DataFrame，其中包含 YOLO 檢測到的污染源數據
    pollution_features = pollution_data[['class', 'confidence']].groupby('class').count()  # 簡單示例
    pollution_features = pollution_features.values.flatten()

    # 處理時間序列數據
    time_series_data = time_series_data[['PM2.5', 'PM10', 'CO2']]
    time_series_data = time_series_data.values

    # 合併 YOLO 特徵與時間序列數據
    combined_data = np.hstack([time_series_data, pollution_features])
    
    return combined_data

def build_lstm_model(input_shape):
    model = Sequential()
    model.add(LSTM(50, return_sequences=True, input_shape=input_shape))
    model.add(LSTM(50))
    model.add(Dense(1))  # 預測未來的空氣質量
    model.compile(optimizer='adam', loss='mse')
    return model

def train_model(model, train_data, train_labels):
    model.fit(train_data, train_labels, epochs=10, batch_size=32)
    return model

# 模擬影像 YOLO 檢測
image_path = 'city_image.jpg'
pollution_data = detect_pollution_sources(image_path)

# 模擬時間序列數據
time_series_data = pd.read_csv('air_quality_data.csv')

# 數據預處理
combined_data = preprocess_data(pollution_data, time_series_data)

# 準備 LSTM 模型輸入
train_data = combined_data[:-1]
train_labels = combined_data[1:, 0]  # 假設我們預測 PM2.5 濃度
train_data = train_data.reshape((train_data.shape[0], 1, train_data.shape[1]))

# 構建並訓練 LSTM 模型
input_shape = (train_data.shape[1], train_data.shape[2])
lstm_model = build_lstm_model(input_shape)
lstm_model = train_model(lstm_model, train_data, train_labels)

# 使用 LSTM 模型進行預測
predictions = lstm_model.predict(train_data)
print("未來空氣質量預測：", predictions)

1. 載入 YOLO 模型

import cv2
import numpy as np
import torch
import pandas as pd
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# YOLOv8 模型加載 (假設使用 YOLOv8)
model = torch.hub.load('ultralytics/yolov8', 'yolov8x')  # 使用 YOLOv8

這部分代碼引入了一些所需的庫，包括 cv2（OpenCV，用於影像處理），numpy（用於數學運算），torch（PyTorch，用於深度學習模型），pandas（用於處理資料框），以及 tensorflow（用於構建 LSTM 模型）。接著，它透過 PyTorch 的 torch.hub 介面來加載 YOLOv8 模型，這個模型可以用來在影像中檢測物體。

2. YOLO 檢測功能

def detect_pollution_sources(image_path):
    img = cv2.imread(image_path)
    results = model(img)  # 執行 YOLO 檢測
    return results.pandas().xyxy[0]  # 返回檢測結果

這個函數 detect_pollution_sources 負責使用 YOLO 模型來檢測影像中的污染源：

• image_path：影像檔案的路徑。
• cv2.imread：讀取影像。
• model(img)：用 YOLO 模型對影像進行物體檢測。
• results.pandas().xyxy[0]：將 YOLO 檢測結果轉換為 Pandas DataFrame，方便後續處理。

3. 數據預處理

def preprocess_data(pollution_data, time_series_data):
    # 假設 pollution_data 是一個 DataFrame，其中包含 YOLO 檢測到的污染源數據
    pollution_features = pollution_data[['class', 'confidence']].groupby('class').count()  # 簡單示例
    pollution_features = pollution_features.values.flatten()

    # 處理時間序列數據
    time_series_data = time_series_data[['PM2.5', 'PM10', 'CO2']]
    time_series_data = time_series_data.values

    # 合併 YOLO 特徵與時間序列數據
    combined_data = np.hstack([time_series_data, pollution_features])
    
    return combined_data

這個函數 preprocess_data 負責將 YOLO 檢測結果與時間序列數據結合在一起，形成 LSTM 模型的輸入：

• pollution_data：來自 YOLO 的檢測數據（包括污染源的類別和信心值）。
• groupby('class').count()：根據檢測到的類別對污染源數據進行分組和計數，這是一個簡單的特徵提取方法。
• time_series_data[['PM2.5', 'PM10', 'CO2']]：提取時間序列數據中的空氣質量指標，如 PM2.5、PM10 和 CO2。
• np.hstack([time_series_data, pollution_features])：將 YOLO 提取的特徵和時間序列數據合併在一起。

4. 構建 LSTM 模型

def build_lstm_model(input_shape):
    model = Sequential()
    model.add(LSTM(50, return_sequences=True, input_shape=input_shape))
    model.add(LSTM(50))
    model.add(Dense(1))  # 預測未來的空氣質量
    model.compile(optimizer='adam', loss='mse')
    return model

這個函數 build_lstm_model 創建了一個用於預測未來空氣質量的 LSTM 模型：

• Sequential()：初始化一個序列模型。
• LSTM(50, return_sequences=True)：添加第一層 LSTM 層，具有 50 個記憶單元，並返回序列（允許堆疊多層 LSTM）。
• LSTM(50)：第二層 LSTM 層。
• Dense(1)：全連接層，用於最終的預測輸出（這裡預測一個數值）。
• compile(optimizer='adam', loss='mse')：編譯模型，使用 Adam 優化器和均方誤差損失函數。

5. 模型訓練

def train_model(model, train_data, train_labels):
    model.fit(train_data, train_labels, epochs=10, batch_size=32)
    return model

這個函數 train_model 負責訓練 LSTM 模型：

• model.fit(train_data, train_labels, epochs=10, batch_size=32)：使用給定的訓練數據和標籤進行模型訓練，設定訓練的迭代次數（epochs=10）和每批次處理的樣本數量（batch_size=32）。

6. 主程式

# 模擬影像 YOLO 檢測
image_path = 'city_image.jpg'
pollution_data = detect_pollution_sources(image_path)

# 模擬時間序列數據
time_series_data = pd.read_csv('air_quality_data.csv')

# 數據預處理
combined_data = preprocess_data(pollution_data, time_series_data)

# 準備 LSTM 模型輸入
train_data = combined_data[:-1]
train_labels = combined_data[1:, 0]  # 假設我們預測 PM2.5 濃度
train_data = train_data.reshape((train_data.shape[0], 1, train_data.shape[1]))

# 構建並訓練 LSTM 模型
input_shape = (train_data.shape[1], train_data.shape[2])
lstm_model = build_lstm_model(input_shape)
lstm_model = train_model(lstm_model, train_data, train_labels)

# 使用 LSTM 模型進行預測
predictions = lstm_model.predict(train_data)
print("未來空氣質量預測：", predictions)

這部分代碼是程式的主流程，將 YOLO 和 LSTM 結合起來：

1. YOLO 檢測：對影像 city_image.jpg 進行 YOLO 檢測，得到污染源數據 pollution_data。
2. 時間序列數據讀取：從 CSV 檔案中讀取空氣質量的時間序列數據。
3. 數據預處理：將 YOLO 檢測結果與時間序列數據結合起來，形成 combined_data。
4. LSTM 模型輸入準備：將 combined_data 轉換為 LSTM 模型的輸入格式。train_data 是模型的輸入數據，train_labels 是對應的目標數據（如未來 PM2.5 濃度）。
5. 構建並訓練 LSTM 模型：根據輸入數據的形狀構建 LSTM 模型，並使用訓練數據進行訓練。
6. 模型預測：使用訓練好的 LSTM 模型進行未來空氣質量的預測，並輸出結果。

這個系統可以根據城市影像中的污染源，結合歷史空氣質量數據，來預測未來的空氣質量趨勢。