基于卷積神經(jīng)網(wǎng)絡(luò)的聚落肌理表意型分類探究

宋靖華 | Song Jinghua

鄭芷奇 | Zheng Zhiqi

1 研究背景

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種普及率高、適用性強、可操作性強的圖像分類工具，應(yīng)用領(lǐng)域非常廣泛。在建筑領(lǐng)域中，卷積神經(jīng)網(wǎng)絡(luò)已被用于城市密度、建筑容積率計算、建筑形態(tài)分類等方面的研究[1]。但在城市聚落方面，卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用仍是空白。因此，本文希望通過卷積神經(jīng)網(wǎng)絡(luò)的圖像識別及圖像分類技術(shù)對聚落肌理形態(tài)進(jìn)行初步探究。

在現(xiàn)有聚落中，受到政策、觀念、產(chǎn)業(yè)、環(huán)境等各類影響，導(dǎo)致新開發(fā)的聚落往往或機械單調(diào)或雜亂無章，失去了傳統(tǒng)聚落所特有的生機與活力，簡單的整體性邏輯使其無法適應(yīng)生氣勃勃的聚落中起博弈作用的種種微妙影響力及其構(gòu)成的復(fù)雜網(wǎng)絡(luò)關(guān)系。而現(xiàn)有的聚落生成方式一般從類型學(xué)角度出發(fā)，研究傳統(tǒng)聚落形式背后相似的空間原型，通過抽象其共性特點來還原特征原型，嘗試以較少的基本單元通過有序的組織實現(xiàn)多樣性的聚落形態(tài)。雖然避免了無機聚落中簡單粗暴的平行關(guān)系，但仍難形成傳統(tǒng)有機聚落中互相滲透的有機肌理結(jié)構(gòu)。本文基于現(xiàn)有研究，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)，基于圖像分類識別處理的技術(shù)手段，建構(gòu)一個聚落肌理分類識別系統(tǒng)，有助于進(jìn)一步分析及生成有機聚落肌理。

2 研究框架

2.1 研究路線

運用卷積神經(jīng)網(wǎng)絡(luò)，以人工分類后的兩類聚落肌理圖片作為數(shù)據(jù)集，經(jīng)過大量訓(xùn)練后，通過提取全局訓(xùn)練特征和分類，產(chǎn)生訓(xùn)練好的模型。根據(jù)所給出的圖片，計算出對應(yīng)哪一類數(shù)據(jù)集的概率更大。通過分析計算數(shù)據(jù)，總結(jié)不同類型的聚落肌理結(jié)構(gòu)特征，并分析傳統(tǒng)聚落肌理符號所具有的共性及多樣性。

2.2 相關(guān)理論研究

（1）聚落的概念

聚落是人類聚居和生活的場所，是通過人類有意識的開發(fā)利用和改造自然所創(chuàng)造出來的生存環(huán)境，是人類各種形式的聚居地的總稱[2]。而聚落形態(tài)的形成與演變?nèi)Q于多方面的影響，主要包括:文化、氣候、地理、政治、經(jīng)濟(jì)、技術(shù)條件等，在現(xiàn)代經(jīng)濟(jì)為導(dǎo)向的社會發(fā)展模式下,更包括了政府管理、開發(fā)商、設(shè)計師、公民居住觀念、城市規(guī)劃的普世模式、城市的規(guī)劃方向等因素?？偠灾粋€聚落的獨特形態(tài)是上述各種力量長期博弈的結(jié)果，具有重要的歷史、文化、經(jīng)濟(jì)價值。但大量傳統(tǒng)聚落在開發(fā)過程中遭到破壞，打破了原有的聚落所具有的緊密性與關(guān)聯(lián)性，破壞了傳統(tǒng)聚落的有機特征，不利于聚落的研究與發(fā)展。而新建城市聚落在整體性的規(guī)劃調(diào)控下，很難形成有機的聚落肌理，不利于聚落的發(fā)展與演變。所以對聚落進(jìn)行分類能幫助設(shè)計者認(rèn)識有機聚落的豐富性以及多樣性，對聚落進(jìn)行識別能深入分析有機聚落的共性，從而深化對我國傳統(tǒng)有機聚落特征的理解，為有機聚落的保護(hù)及新興聚落的生成等相關(guān)工作提供方法論支持，引導(dǎo)規(guī)劃師和建筑師創(chuàng)造多元、多樣性、有活力、可控的富有特色的“千面”空間，為不同背景、不同需求的使用者提供豐富、多維的生活及體驗空間，使鄉(xiāng)鎮(zhèn)建設(shè)符合聚落發(fā)展規(guī)律，實現(xiàn)聚落與環(huán)境的協(xié)調(diào)發(fā)展。

（2）聚落的分類

聚落一般可分為城市聚落和鄉(xiāng)村聚落，也可按照聚落形態(tài)的形成與演進(jìn)方式分為有機聚落與無機聚落。有機聚落一般是指通過“自然式”有機演進(jìn)形成，可稱之為“自下而上”途徑，主要體現(xiàn)在古村落、商業(yè)性城鎮(zhèn)中?？臻g生成以人的活動為發(fā)展因素，人與自然相互結(jié)合滲透，社會發(fā)展與聚落演進(jìn)有機結(jié)合，具有適應(yīng)聚落動態(tài)發(fā)展的有機變化、社會調(diào)整發(fā)展轉(zhuǎn)換的可持續(xù)發(fā)展能力。無機聚落則是指通過“計劃式”理性演進(jìn)，可稱之為“自上而下”的途徑，是在政治經(jīng)濟(jì)規(guī)劃干預(yù)下產(chǎn)生的結(jié)果，主要是以人為的邏輯生成而非自然的生態(tài)演變而形成，故而不具有有機聚落的生命力與活力，形成的聚落空間形態(tài)簡單，同質(zhì)化明顯，摒棄傳統(tǒng)聚落的豐富個性特色，空間多樣性缺失，容易造成“千城一面”的形象，生活宜居性較低。

（3）相關(guān)聚落案例分析

①宏村。有機聚落識別結(jié)果以安徽宏村為例（圖1），在不同的演變時期，村落的空間肌理都會形成新的特定結(jié)構(gòu)網(wǎng)絡(luò)，隨著社會環(huán)境及自然環(huán)境的更迭變化不斷發(fā)展。傳統(tǒng)聚落或城市空間有機的發(fā)展結(jié)構(gòu)應(yīng)是源自居民日常生活中改造生活環(huán)境的欲望、對生活質(zhì)量的向往、改造環(huán)境的客觀能力和居民間樸素的相互關(guān)系，在地形和社會條件的約束下自然地演化，是一種自下而上的、具有生機與活力的機構(gòu)體系，演化原因及演化結(jié)果具有多樣性，物質(zhì)要素構(gòu)成及結(jié)構(gòu)形態(tài)較為復(fù)雜。宏村的聚落空間不是單純?nèi)藶樵O(shè)計的結(jié)果，也不是自然發(fā)展無規(guī)律的結(jié)果，而是村民根據(jù)生活需求進(jìn)行長期選擇的結(jié)果，是“自下而上”的結(jié)果，具有開放、融合、非平衡、非線性的特征，這是“自上而下”的精英式的設(shè)計所不能具有的。在新農(nóng)村建設(shè)中，便應(yīng)借鑒以上經(jīng)驗，將聚落鄉(xiāng)村建設(shè)理解為一個過程而并非一個結(jié)果，充分尊重村民自主權(quán)，促進(jìn)村民的自我管理及自我有機更新。

圖1 宏村聚落平面圖

②昌迪加爾。無機聚落識別結(jié)果以印度昌迪加爾規(guī)劃為例（圖2），以功能作為整體規(guī)劃的主要邏輯，分區(qū)明確，布局規(guī)整，道路也按功能分級布置呈棋盤式系統(tǒng)。但以建成后的效果而言，建筑與環(huán)境并不親切，城市與居民生活關(guān)系疏離，人為的設(shè)計邏輯無法形成自然有機聚落所特有的凝聚力和交互感。此類聚落在國家城市化進(jìn)程中較為常見，主要是在政治、經(jīng)濟(jì)規(guī)劃的干預(yù)下，通過自上而下的整體性規(guī)劃，形成的總體邏輯形態(tài)較為單一，以線狀、塊狀、網(wǎng)狀等形態(tài)為代表的聚落形式。

圖2 昌迪加爾規(guī)劃圖

③杭州富陽東梓關(guān)回遷農(nóng)居。在現(xiàn)今的鄉(xiāng)鎮(zhèn)建設(shè)實踐之中，已有部分設(shè)計者注意到了聚落肌理這一問題，并進(jìn)行了初步的有機肌理還原嘗試。以具有一定代表性的杭州富陽東梓關(guān)回遷農(nóng)居設(shè)計為例（圖3～圖4），其設(shè)計方式為模擬有機聚落空間網(wǎng)絡(luò)，通過研究傳統(tǒng)有機聚落形式背后相似的空間原型，從類型學(xué)的思考角度出發(fā)，抽象有機聚落的共性特點，還原聚落單體的空間原型，將基本單元通過一定邏輯的規(guī)則進(jìn)行組合，以形成豐富的聚落形態(tài)。以傳統(tǒng)肌理的院落空間基本單元為基本模數(shù)，由單元生成組合，再由組合演變成聚落的生長邏輯，通過四種基本單元的組合再現(xiàn)傳統(tǒng)聚落的多樣性，避免城市無機肌理網(wǎng)絡(luò)對傳統(tǒng)村落有機肌理的侵襲破壞，力求還原鄉(xiāng)村的原真性。但令人遺憾的是，雖然摒棄了無機聚落傳統(tǒng)兵營式布局中宅基地和戶內(nèi)院落的平行關(guān)系，卻仍未形成有機聚落中自下而上交織的復(fù)雜性網(wǎng)絡(luò)形態(tài)。

圖3 杭州富陽東梓關(guān)回遷農(nóng)居總平面圖

圖4 杭州富陽東梓關(guān)回遷農(nóng)居設(shè)計圖例

3 聚落肌理的圖像識別

本文選取兩類極端的聚落形態(tài)：有機型和無機型聚落肌理，用機器學(xué)習(xí)圖像識別的方法，在大量樣本訓(xùn)練的基礎(chǔ)上，通過變異傳統(tǒng)聚落肌理符號后對地域的聚落初始符號庫進(jìn)行擴(kuò)充。但由于符號庫數(shù)量巨大，且文化表達(dá)形式有顯性亦有隱性，無法全面地描述聚落的肌理符號。但通過大量數(shù)據(jù)的收納采集，可研究理解有機聚落在整體的符號相似性背后，亦具有豐富的個體多樣性。

3.1 數(shù)據(jù)來源

聚落所具有的的復(fù)雜肌理形態(tài)豐富，內(nèi)部序列結(jié)構(gòu)復(fù)雜多變，因此要對其進(jìn)行識別與分類，就需要將兩類聚落圖片制作成數(shù)據(jù)集，通過人工分類將其作為訓(xùn)練數(shù)據(jù)，再進(jìn)行大量的訓(xùn)練以生成模型。本文通過谷歌地圖利用統(tǒng)一比例尺獲取所大量需要的聚落圖片（圖5～圖6），在輸入數(shù)據(jù)前，通過對聚落圖片進(jìn)行篩選，刪除部分聚集度較低以及其他不符合聚落定義的圖片，并將剩余圖片進(jìn)行分類，作為初始訓(xùn)練集，保留足夠數(shù)量的圖片用以神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)計算。

圖5 部分無機聚落圖集

圖6 部分有機聚落圖集

3.2 建構(gòu)過程

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，善于處理數(shù)量較多的圖像分析，從本質(zhì)上而言，是一種輸入到輸出的映射，它能夠?qū)W習(xí)并分析大量的輸入與輸出之間的映射關(guān)系，并且可以逼近任何輸入和輸出之間的精確的數(shù)學(xué)表達(dá)式，主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形[3]（圖7）。本文即采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對有機聚落及無機聚落進(jìn)行識別與分類。

圖7 CNN網(wǎng)絡(luò)結(jié)構(gòu)圖

CNN的一個非常重要的特點是自動提取圖像特征，并能自動實現(xiàn)分類，利用CNN建立模式分類器，并將其作為通用的分類方式，可直接用于灰度圖像。CNN善于通過學(xué)習(xí)圖像的局部數(shù)據(jù)，而提取全局的分類特征，它的權(quán)值共享結(jié)構(gòu)網(wǎng)絡(luò)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，利于進(jìn)行圖像數(shù)據(jù)的識別分類[4]?？赏ㄟ^對有機聚落圖像集合的學(xué)習(xí)與識別提取有機聚落的共性特征，通過抽取一些基本的視覺特征，比如邊緣、路徑等，再使用更高層的神經(jīng)元通過卷積操作對提取的圖像獲得特征圖，每個局部圖像來自不同特征圖的單元可以得到不同組合的特征模式。一個卷積層中通常包含多個具有不同權(quán)值向量的特征圖，使其能夠?qū)W習(xí)并保留圖像特征的豐富性和多樣性[5]。通過對有機聚落及無機聚落進(jìn)行處理及分類，產(chǎn)生訓(xùn)練好的CNN模型及特征圖，可作為算法評估函數(shù)的約束條件，利于后期有機聚落肌理的機器生成。而由于CNN的特征檢測層是通過大規(guī)模的聚落圖像數(shù)據(jù)進(jìn)行分類學(xué)習(xí)，所以在使用CNN時，避免了顯式的主觀形態(tài)模仿，而隱式地學(xué)習(xí)聚落肌理邏輯。CNN以其局部權(quán)值共享的數(shù)據(jù)處理結(jié)構(gòu)在圖像批量處理方面有著顯而易見的優(yōu)勢，因為其布局更接近于實際的生物神經(jīng)網(wǎng)絡(luò)，權(quán)值共享的特點可以降低網(wǎng)絡(luò)復(fù)雜性，特別是圖像可以直接輸入網(wǎng)絡(luò)的功能避免了在聚落肌理的特征學(xué)習(xí)和分類機制中數(shù)據(jù)重建的人為主觀性影響。

利用CNN，可以識別聚落圖像特征，對聚落進(jìn)行分類；而訓(xùn)練好的CNN模型后期可以用于多目標(biāo)演化算法以生成符合有機聚落的區(qū)域布局。其中，訓(xùn)練好的CNN模型將作為多目標(biāo)演化算法評估函數(shù)的約束條件。在訓(xùn)練好的CNN模型上，設(shè)計新的深度學(xué)習(xí)網(wǎng)絡(luò)，實現(xiàn)根據(jù)輸入聚落的要求生成實際的聚落圖像，達(dá)到模擬生成有機聚落肌理的最終目標(biāo)。

結(jié)語

傳統(tǒng)有機聚落的發(fā)展與演變是在時間、空間及社會因素等多維度調(diào)整下而產(chǎn)生的，整體與局部之間經(jīng)過相互滲透影響的生成與被生成呈現(xiàn)一種復(fù)雜的空間肌理，與無機聚落自上而下的線性簡單演變不同，是一個自主動態(tài)演變的非線性復(fù)雜系統(tǒng)，呈現(xiàn)出具有豐富性、多樣性特征的空間邏輯形態(tài)。因此，人為對其進(jìn)行特征提取、分類研究及模擬生成較為困難，具有較大的片面性。此外，傳統(tǒng)有機聚落空間進(jìn)行動態(tài)演化的生成過程是一個典型的復(fù)雜系統(tǒng)問題，對其進(jìn)行可控性研究一直是個難題，同時也是復(fù)雜科學(xué)及聚落空間研究領(lǐng)域前沿的熱點、難點和新興問題，需要用更加客觀及科學(xué)的方法進(jìn)行深入研究。

應(yīng)用機器學(xué)習(xí)解決復(fù)雜系統(tǒng)問題是當(dāng)今學(xué)術(shù)界的一個令人矚目的交叉研究方向，已經(jīng)引起越來越多來自不同領(lǐng)域的研究人員的關(guān)注和重視。在城市規(guī)劃方向，劍橋大學(xué)和清華大學(xué)的相關(guān)研究已經(jīng)將卷積神經(jīng)網(wǎng)絡(luò)用于街景地圖的識別分析，從而對城市整體景觀進(jìn)行研究，而本文涉及的聚落肌理判別模型可以與其相結(jié)合，從宏觀層面對聚落空間形態(tài)進(jìn)行分析研究[5]。

本文試圖基于聚落肌理圖片數(shù)據(jù)，對傳統(tǒng)聚落這一難以模擬及復(fù)制的概念進(jìn)行分類判定，通過機器學(xué)習(xí)識別空間肌理的隱形特征，利用卷積神經(jīng)網(wǎng)絡(luò)在圖像識別方面的獨特優(yōu)勢，可用于提取聚落、社區(qū)、城鎮(zhèn)、人群社會活動空間等復(fù)雜系統(tǒng)的共性特征并進(jìn)行相關(guān)研究，輔助現(xiàn)今的聚落保護(hù)與設(shè)計，也為后續(xù)如何生成有機聚落空間肌理提供研究基礎(chǔ)，創(chuàng)造復(fù)雜系統(tǒng)可控性研究的開拓性成果。

資料來源：

圖1：引自閔東日報數(shù)字報。來源網(wǎng)站：https://www.itouchtv.cn/article；

圖2：引自百度百科“昌迪加爾城市規(guī)劃”。來源網(wǎng)站：https://baike.baidu.com/item；

圖3～4：引自Archdaily“當(dāng)代鄉(xiāng)村聚落 杭州富陽東梓關(guān)回遷農(nóng)居”。來源網(wǎng)站：https://www.archdaily.com/；

圖5～6：底圖截取自Google地圖。來源網(wǎng)站：http://maps.google.com/；

圖7：陳友宣.卷積神經(jīng)網(wǎng)絡(luò)(CNN)在汽車無人駕駛中的應(yīng)用與分析[J].科技創(chuàng)新與應(yīng)用,2019(05):13-14。