基于深度學(xué)習(xí)的疑似違法圖斑快速檢測(cè)研究

李奇，龍奇勇，趙東旭

(廣州市城市規(guī)劃勘測(cè)設(shè)計(jì)研究院，廣東 廣州 510060)

1 引 言

城市違法建設(shè)和城市違法用地問題是現(xiàn)代城市發(fā)展和治理面臨的主要問題之一，一旦違法建設(shè)完成，既導(dǎo)致后續(xù)的查出工作壓力增大，也會(huì)帶來更多的經(jīng)濟(jì)損失，因此及時(shí)發(fā)現(xiàn)和制止違法情況的發(fā)展是解決這一問題的主要手段[1]。無人機(jī)技術(shù)具有數(shù)據(jù)獲取快、監(jiān)測(cè)范圍大且不受天氣及云層影響的優(yōu)勢(shì)，近年來在城市違法監(jiān)測(cè)和治理應(yīng)用中成為主要的手段，在城市治理工作中發(fā)揮著越來越不可或缺的作用[2，3]。然而，傳統(tǒng)人工交互檢測(cè)進(jìn)行違法發(fā)現(xiàn)的方式效率低下，對(duì)于大面積、高頻率的監(jiān)測(cè)需求更顯無力。如何通過自動(dòng)化手段進(jìn)行違法現(xiàn)象監(jiān)測(cè)是近年來對(duì)于影像處理的主要研究?jī)?nèi)容之一。

深度學(xué)習(xí)依靠其在圖像處理方面的巨大優(yōu)勢(shì)，近年來在相關(guān)領(lǐng)域得到了廣泛的應(yīng)用[4～10]?，F(xiàn)有大多數(shù)的遙感影像變化檢測(cè)方法主要依靠?jī)善谕粋鞲衅饔跋衽錅?zhǔn)后，對(duì)影像變化信息進(jìn)行處理和特征學(xué)習(xí)，進(jìn)而達(dá)到變化檢測(cè)的目的。

繁雜的數(shù)據(jù)預(yù)處理工作常常復(fù)雜繁重而精度提升并不明顯，在面對(duì)高頻率的違法建設(shè)監(jiān)測(cè)任務(wù)時(shí)難以適應(yīng)需求，且由于違法建設(shè)本身不斷變化的特點(diǎn)，導(dǎo)致樣本庫的更新和維護(hù)需要花費(fèi)極大的人力物力。

針對(duì)這一問題，本文分析和總結(jié)了城市違法建設(shè)的發(fā)展過程和主要特點(diǎn)，對(duì)違法建設(shè)情況及其他待區(qū)分要素進(jìn)行針對(duì)性的樣本集構(gòu)建，直接在原始正射影像上進(jìn)行樣本采集，極大地降低了樣本庫構(gòu)建和后期維護(hù)更新的數(shù)據(jù)處理工作量。在此基礎(chǔ)上本文構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)兩期影像分別進(jìn)行分類并對(duì)比分類結(jié)果，實(shí)現(xiàn)了違法建設(shè)現(xiàn)象的快速檢測(cè)。本文研究以 0.5 m分辨率的無人機(jī)正射影像為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)，驗(yàn)證本文方法的可行性和有效性。

2 本文技術(shù)路線與方法

本文方法主要思路如圖1所示：

圖1 本文研究思路

2.1 樣本類集構(gòu)建

城市違法建設(shè)是指在未取得合法批文等手續(xù)的情況下進(jìn)行的建設(shè)活動(dòng)，包括推土、新建等情況。違法建設(shè)活動(dòng)在建設(shè)實(shí)施之前會(huì)有明顯的推土活動(dòng)特征，且往往為了建筑速成和降低成本，采用彩鋼瓦、集裝箱等相對(duì)低廉易整改的建筑材料。當(dāng)土地地類從植被綠地、水體、道路變化為推土區(qū)、城市建筑，則可認(rèn)定該圖斑為疑似違法建設(shè)用地或違法建筑。因此，本文研究為了能夠有效區(qū)分監(jiān)測(cè)用地的變化情況，將樣本集的主要類別設(shè)置為如下幾類(表1)：

樣本集類別選擇及示例 表1

2.2 卷積神經(jīng)網(wǎng)絡(luò)模型

CNN的基本結(jié)構(gòu)由輸入層、卷積層、池化層及輸出層構(gòu)成。數(shù)據(jù)由輸入層進(jìn)入模型，在卷積層通過卷積操作來實(shí)現(xiàn)低級(jí)特征如邊緣、線條等的提取，并進(jìn)一步在池化層中強(qiáng)化特征信息，最后由全連接層來完成整合，實(shí)現(xiàn)最終的興趣信息發(fā)現(xiàn)。

本文參考經(jīng)典的AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型，使用ReLU函數(shù)來提升訓(xùn)練速度和降低計(jì)算復(fù)雜度，并通過Dropout技術(shù)在訓(xùn)練過程中將中間層的一些神經(jīng)元隨機(jī)設(shè)置為0，使模型獲得了更好的魯棒性和減少全連階層的過擬合。模型包括3個(gè)卷積層、1個(gè)池化層和3個(gè)全連接層，使用3×3卷積核，如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

2.3 違法變化檢測(cè)方法

對(duì)前時(shí)影像和后時(shí)影像分別進(jìn)行分類處理，得到對(duì)應(yīng)的前時(shí)影像分類結(jié)果R1和后時(shí)影像分類結(jié)果R2。在分類結(jié)果中，設(shè)4個(gè)分類類別即綠地、水體、建筑、推土的結(jié)果像素值分別為x1、x2、x3、x4。對(duì)兩期影像分類結(jié)果R1和R2做求差運(yùn)算，差值結(jié)果R為：

R=R2-R1

(3)

則在R中，地類變化存在違法用地或違法建設(shè)可能的情況如表2所示。

疑似違法建設(shè)或違法用地變化檢測(cè)結(jié)果對(duì)應(yīng)關(guān)系 表2

因此，只要區(qū)別表2中的5類變化情況，同時(shí)設(shè)置綠地、水體之間的變化為未變化，即可區(qū)分疑似違法區(qū)域的變化情況。為了便于區(qū)分，本文研究將綠地、水體的分類結(jié)果像素值設(shè)置為0，將建筑類設(shè)置為2，推土類設(shè)置為3，則易知差值影像R中像素置為0的區(qū)域?yàn)槲醋兓?，大?的(對(duì)應(yīng)1、2或者3)區(qū)域?yàn)榘l(fā)生了疑似違法變化。

3 卷積網(wǎng)絡(luò)模型實(shí)現(xiàn)與數(shù)據(jù)測(cè)試

本文使用Python語言在PyTorch開發(fā)框架下實(shí)現(xiàn)了深度學(xué)習(xí)模型構(gòu)建和訓(xùn)練，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。使用計(jì)算機(jī)為64位Windows10系統(tǒng)，內(nèi)存32G，GPU型號(hào)為GeoForce RTX 2080，顯存8G。

樣本集按照分類方式設(shè)置為4類，每類采集尺寸為50×50像素的樣本500張。選取兩個(gè)不同區(qū)域、不同時(shí)期的城市無人機(jī)正射影像作為實(shí)驗(yàn)測(cè)試數(shù)據(jù)，兩期影像分別為2019年4月和2020年5月拍攝，實(shí)驗(yàn)測(cè)試區(qū)域與樣本選取區(qū)域不重疊。具體情況如圖3、圖4所示：

圖3 測(cè)試區(qū)域A前后時(shí)影像情況

圖4 測(cè)試區(qū)域B前后時(shí)影像情況

4 推土區(qū)圖斑發(fā)現(xiàn)實(shí)驗(yàn)結(jié)果及分析

利用本文構(gòu)建的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練后，按本文第2小節(jié)思路對(duì)測(cè)試區(qū)域進(jìn)行了疑似違法區(qū)域檢測(cè)試驗(yàn)，試驗(yàn)結(jié)果如圖5所示：

圖5 疑似違法區(qū)域變化檢測(cè)結(jié)果(黑色為非違法區(qū)域，白色為疑似違法區(qū)域)

通過對(duì)A、B兩個(gè)區(qū)域前后時(shí)影像的變化情況進(jìn)行目視判讀，對(duì)比由圖3和圖4測(cè)試結(jié)果可知，在A區(qū)域中，前時(shí)影像中右側(cè)有明顯的推土區(qū)域在后時(shí)影像中已形成簡(jiǎn)易建筑，左側(cè)樓房周圍有推土區(qū)已建成硬化道路，為疑似違法建筑變化類型；在B區(qū)域中，有大面積綠地變?yōu)橥仆羺^(qū)，疑似建筑施工前期的土地平整工作，屬于疑似違法用地類型，即主要的違法變化區(qū)域可以被有效地檢測(cè)到。

存在的主要問題是，檢測(cè)結(jié)果圖斑的邊界并不準(zhǔn)確，這主要是由于卷積神經(jīng)網(wǎng)絡(luò)的特性所決定的：卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于其使用的矩形樣本易于采集，在生產(chǎn)作業(yè)中，更易于實(shí)現(xiàn)樣本庫的更新維護(hù)，效率高且成本低；但矩形樣本同樣使得分類結(jié)果的邊界不準(zhǔn)確，造成一定的邊界精度損失。但另一方面，這也為后期樣本庫的更新和維護(hù)帶來了巨大的便利。

5 結(jié) 論

違法用地和違法建設(shè)已經(jīng)成為城市治理中的主要問題之一。無人機(jī)作為城市違法問題治理的主要手段，其數(shù)據(jù)的處理效率對(duì)執(zhí)法工作至關(guān)重要。當(dāng)下迅速發(fā)展的各類深度學(xué)習(xí)模型不乏能夠取得較高精度的模型，但高精度往往需要前期對(duì)于樣本數(shù)據(jù)的更復(fù)雜采集和預(yù)處理過程。對(duì)于追求效率的日常工作來說，花費(fèi)大量的人力物力來維護(hù)樣本庫和直接通過目視判讀發(fā)現(xiàn)變化并無太大區(qū)別，都無法解決實(shí)際問題。

本文基于卷積神經(jīng)網(wǎng)絡(luò)模型樣本庫更新維護(hù)更加方便，分類變化檢測(cè)精度較高的優(yōu)勢(shì)，有針對(duì)性地進(jìn)行了樣本集類型設(shè)置，構(gòu)建了面向違法變化發(fā)現(xiàn)的深度學(xué)習(xí)模型，并對(duì)實(shí)際數(shù)據(jù)進(jìn)行了測(cè)試。測(cè)試結(jié)果表明，本文提出的方法可以有效地發(fā)現(xiàn)疑似違法變化區(qū)域，能夠?yàn)槌鞘兄卫砉ぷ魈峁┲С帧?/p>