查看原文
其他

研究︱基于深度学习的建筑物识别及其在空间规划“三线”智能监管的应用研究

张恒、崔学森等 国地资讯 2021-09-21


近年来,随着深度学习在不同领域中的快速应用,使用人工智能的方法支撑国土空间规划在开发利用、现状分析、监测预警评估和决策分析等应用也在逐步深入。为适应新时代国土空间规划的要求,国地科技积极探索数据驱动、智能应用的智慧国土空间规划新模型。在国土空间规划中监测城市开发与土地资源利用往往需要耗费很大的人力物力,而本文在遥感技术的基础上,使用深度学习模型提取城市建筑物数据,结合生态保护红线、永久基本农田、城镇开发边界“三线”边界,精准识别违法建筑物,及时预警,为国土空间智能监管提供有力的技术保障。


1、研究背景及意义


党的十九大报告明确提出,加大生态系统保护力度,实施重要生态系统保护和修复重大工程,优化生态安全屏障体系,构建生态廊道和生物多样性保护网络,提升生态系统质量和稳定性,完成生态保护红线、永久基本农田、城镇开发边界三条控制线的划定工作。


生态保护红线是依法在重点生态功能区、生态环境敏感区和脆弱区等区域划定的严格管控边界,是国家和区域生态安全的底线。永久基本农田是按照一定时期人口和社会经济发展对农产品的需求,依法确定的不得占用、不得开发、需要永久性保护的耕地空间。城镇开发边界是在国土空间规划中划定的,在一定时期内因城镇发展需要,可以进行城镇开发和城镇集中建设,重点完善城镇功能的区域边界。


深度学习是实现机器学习的一种技术。以深度学习为核心的人工智能已经在语音识别、自然语言处理、图像识别等领域取得显著成果。基于深度学习能为国土空间规划生态保护红线、永久基本农田、城镇开发边界“三线”智能监管提供有力的技术保障。


2、研究思路、数据与方法


2.1 研究思路


本研究选用某区域无人机拍摄的高清影像图,通过人工标绘的方法标出部分建筑物作为样本,然后使用数据增强的方法,获得较大样本量且较多特征值的训练数据集,将训练集数据输入深度学习模型训练,再将切片的遥感影像输入到训练好的模型识别出建筑物范围,最后选用相同地区不同区域的影像图验证模型的识别效果。


图1 研究思路


2.2 研究数据


本研究使用的数据均为无人机拍摄的高清影像,空间分辨率0.2米,数据格式是TIFF栅格数据。


图2 训练样本数据


2.3 研究方法


为了提取影像图中的建筑物,本研究采用深度卷积网络模型对影像进行语义分割,分割为建筑和非建筑两类。架构示意图如下:


图3 模型架构图


本研究的模型损失函数采用二分类交叉熵,优化器采用Adam (Adaptive Gradient自适应梯度) 方法,解码器采用xception_41,使用增强后的遥感影像切片数据集对模型进行训练,得到训练好的模型。其中,损失函数的计算方法为:




表1 模型参数表


本研究使用计算总体准确率对识别结果验证:


式中,Accuracy表示总体准确率;TP(True Positive): 真实为0,预测也为0;FN(False Negative): 真实为0,预测为1;FP(False Positive): 真实为1,预测为0;TN(True Negative): 真实为1,预测也为1。


3、建筑物识别模型


3.1 选择模型样本


在训练模型之前需要先对数据预处理并将影像裁切为小块的图片样本。首先将输入数据的格式统一为RGB 3波段、像素深度为8位。根据对影像图的目视解译,标绘出典型区域内的建筑物范围,再将数据转换为二值栅格图像作为样本数据。


图4 建筑物样本


为了提高模型的泛化能力及充分挖掘数据集的潜力,本研究以每个建筑物为中心采用随机旋转、镜像翻转、高斯模糊等多种方法进行数据增强,并作为训练样本。经过数据增强后扩展到30480张。


图5 数据增强处理


3.2 模型训练效果


经过13次迭代后,模型在训练集上的准确率Accuracy稳定在97.61%,验证集准确率Accuracy稳定在96.12%。模型训练集准确率和验证集准确率较高而且比较接近,说明模型能较好地识别出城市中的建筑物,训练结果总体表现较好。


4、模型验证


4.1 数据准备


选用与模型训练样本处于同一地区不同区域的影像图作为测试数据,来验证模型的实际效果。对测试数据采用使用移动窗口法对影像图进行裁切,以图6为例,窗口大小为256*256像素,窗口移动步长为128像素,每在X轴或Y轴方向上移动一步就裁切出窗口范围内的一个影像,从而得到一组待识别的小图片,以此类推,将测试数据切分为22762张图片的测试集。


图6 移动窗口裁切影像图


4.2 建筑物识别


为了验证模型识别的效果,将测试集输入到训练好的模型进行识别。在识别结果中,建筑物将被标记为白色,非建筑物为黑色。


图7 建筑物识别结果(局部)


裁剪出识别结果的中心区域,并拼接为一张完整的栅格图,识别结果整体正确率Accuracy为89.2%,说明使用该模型的识别效果良好。


图8 建筑物识别结果


5、国土空间规划“三线”智能监管应用


基于深度学习的建筑物识别,结合国土空间规划生态保护红线、永久基本农田、城镇开发边界“三线”边界,能够快速精准识别压占生态保护红线、永久基本农田以及城镇开发边界的违法建筑,并对违法建筑进行智能预警。


图9 违法建筑物识别结果


6、总结


本研究通过深度学习技术从遥感影像中提取建筑物,结合了GIS技术以每栋建筑为中心裁切后再进行数据增强,有效的扩展了样本量;同时,充分挖掘了样本的潜能。从测试结果中分析发现,本文提出的方法对于本地区密集的建筑物可以进行较好的分割,识别效果较好。相比于传统建筑普查的方式,基于深度学习的建筑物识别更快速、效率更高、成本更低。同时,相对于以往耗费大量人力物力和时间的违法建筑巡查,结合基于深度学习建筑物智能识别与国土空间规划“三线”监管预警,能有效实现违规建筑物的精准快速识别与预警。


深度学习具有自主学习模式与特征的能力。将这种能力和城市研究进行深度融合,是智慧国土空间规划业务在智能化新技术上的有益探索。


文章作者:


张恒,电子信息工程学士,广东国地规划科技股份有限公司大数据中心项目经理,主要从事数据处理、数据可视化、深度学习及软件开发等方面的工作。


崔学森,国地科技大数据中心大数据工程师,地图学与地理信息系统硕士,主要研究方向为城市大数据分析与建模。


吕帝江,国地科技大数据中心大数据工程师,地图学与地理信息系统硕士,主要从事时空大数据分析、国土空间规划信息化、智慧城市等研究。

责任编辑:林冬娜、邓小云

文章审核:张鸿辉、洪良


智慧国土空间规划全流程解决方案


国地资讯聚焦国内外自然资源、城乡发展、生态环境行业,致力于宣传热点政策,分享新鲜资讯,展示研究成果。


空间规划大数据联盟关注“空间规划大数据联盟”给你想要的资源!           
: . Video Mini Program Like ,轻点两下取消赞 Wow ,轻点两下取消在看

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存