基于深度學(xué)習(xí)和數(shù)學(xué)形態(tài)學(xué)的經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)農(nóng)村住房智能識(shí)別研究

勞春華，林燕慧

（廣東工業(yè)大學(xué) 管理學(xué)院，廣州 510520）

隨著中國(guó)經(jīng)濟(jì)的高速發(fā)展以及政府在政策和資金上的支持，農(nóng)村住房的需求量和建設(shè)量開始不斷增大。2000—2020 年，廣東省農(nóng)村建設(shè)量增長(zhǎng)迅速，平均每年增長(zhǎng)16.569 萬(wàn)戶，其中2019 和2020年的增長(zhǎng)速度較快，高于平均水平的75.38%和65.25% （《廣東農(nóng)村統(tǒng)計(jì)年鑒》編輯委員會(huì)，2021）。當(dāng)前，由于中國(guó)的農(nóng)村村莊規(guī)劃指導(dǎo)性較弱，大部分農(nóng)村住房仍處于一種無(wú)規(guī)劃的自發(fā)性建設(shè)狀態(tài)，建設(shè)隨意性較大（王晶 等，2016；胡典雄，2018）。農(nóng)民盲目占用耕地資源新建住房，導(dǎo)致大量耕地面積被占用，耕地總量明顯下降，農(nóng)村住房建設(shè)的無(wú)序擴(kuò)張與耕地占用是對(duì)耕地資源的嚴(yán)重浪費(fèi)（趙其國(guó) 等，2006）。作為人均耕地面積不足世界平均水平40%的人口第一大國(guó)，當(dāng)前迫切需要進(jìn)行農(nóng)村住房監(jiān)測(cè)以減少耕地占用現(xiàn)象，并促進(jìn)農(nóng)村住房集約利用，這對(duì)中國(guó)耕地資源的可持續(xù)性發(fā)展和糧食安全具有重要意義。

中國(guó)當(dāng)前農(nóng)村住房監(jiān)測(cè)的主要手段是全國(guó)土地調(diào)查，傳統(tǒng)的數(shù)據(jù)獲取方法以人工實(shí)地測(cè)繪及地方上報(bào)等方式為主，這種方式因?yàn)楣ぷ髁看蠖馁M(fèi)大量的人力與時(shí)間，導(dǎo)致巡查效率較低、難以滿足即時(shí)性需求（武東海 等，2018）。并且由于專業(yè)素養(yǎng)和主觀認(rèn)知的差異，所獲取的建筑物數(shù)據(jù)質(zhì)量不一，還容易漏檢，其信息真?zhèn)涡院蛯?shí)效性得不到保障。如果在調(diào)查過程中遇到疫情、惡劣天氣、交通狀況、當(dāng)?shù)貙?shí)際情況等不可抗拒力因素的影響，巡查的可靠性也難以得到保障。

近年來，深度學(xué)習(xí)技術(shù)迅猛發(fā)展，在多個(gè)領(lǐng)域均取得良好的應(yīng)用效果，如人臉識(shí)別、語(yǔ)音識(shí)別、目標(biāo)識(shí)別、自動(dòng)駕駛、機(jī)器翻譯、圖像識(shí)別及分類等（張?zhí)栧?等，2018；林倩 等，2019；鄭遠(yuǎn)攀 等，2019；劉娟宏 等，2020；賀豐收 等，2020；朱向雷 等，2021；余璀璨 等，2021），為農(nóng)村住房識(shí)別提供新的思路。農(nóng)村住房識(shí)別的本質(zhì)是圖像分類問題，可以通過學(xué)習(xí)大量的樣本數(shù)據(jù)對(duì)圖形進(jìn)行特征提取，從而智能化地得到農(nóng)村住房識(shí)別結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）是一種典型的深度學(xué)習(xí)圖像分類算法，一般由一個(gè)或多個(gè)卷積層、池化層以及全連接層組成，其提取的效果更勝于傳統(tǒng)人工特征與傳統(tǒng)淺層分類器，是遙感地類目標(biāo)檢測(cè)、圖像分類與識(shí)別、圖像分割等領(lǐng)域的研究熱點(diǎn)（張慧 等，2017）。

卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中常用的模型有AlexNet （Abdel-rahman et al., 2011）、 VGGNet（Karen et al., 2014）、GoogleNet （Szegedy et al.,2015）、 ResNet （He et al., 2016）、 MobileNet（Howard et al., 2017）等。其中，AlexNet網(wǎng)絡(luò)最早用于數(shù)字識(shí)別，其優(yōu)點(diǎn)是使用ReLU 作為激活函數(shù)從而加快收斂速度，使用dropout 避免過擬合，使用data augmentation擴(kuò)增數(shù)據(jù)集，缺點(diǎn)是參數(shù)過多，計(jì)算量較大；VGGNet網(wǎng)絡(luò)的優(yōu)點(diǎn)是結(jié)構(gòu)非常簡(jiǎn)潔，通過不斷加深網(wǎng)絡(luò)結(jié)構(gòu)提升其自身性能，缺點(diǎn)是需要耗費(fèi)較多計(jì)算資源，并且比較占內(nèi)存；GoogleNet網(wǎng)絡(luò)的優(yōu)點(diǎn)是模型既準(zhǔn)又輕，用GAP 代替全連接層，在便于遷移學(xué)習(xí)的同時(shí)提高準(zhǔn)確率，缺點(diǎn)是網(wǎng)絡(luò)不夠深、遷移能力不足；ResNet是2015年ImageNet競(jìng)賽的冠軍，優(yōu)點(diǎn)是可有效解決深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)難以訓(xùn)練的問題，缺點(diǎn)是ResNet前后層之間的短接沒有很好的復(fù)用各層之間的特征圖，因此導(dǎo)致模型隨著層數(shù)的增加，參數(shù)量也快速增加；MobileNet 是典型的輕量化網(wǎng)絡(luò)，被廣泛應(yīng)用于工業(yè)界。2017 年推出的MobileNetV1（Howard et al.,2017）卷積神經(jīng)網(wǎng)絡(luò)，以深度可分離卷積替換標(biāo)準(zhǔn)卷積的方式降低網(wǎng)絡(luò)結(jié)構(gòu)的大小及計(jì)算復(fù)雜度，并在略微降低精度的情況下大幅度減小模型的運(yùn)算量，降低對(duì)用戶硬件環(huán)境的要求，從而提升用戶體驗(yàn)、提高訪問的靈活性。其不足是在訓(xùn)練過程中深度可分離卷積的參數(shù)值為0，導(dǎo)致訓(xùn)練結(jié)果不理想。而MobileNetV2（Sandler et al., 2018）網(wǎng)絡(luò)在MobileNetV1的基礎(chǔ)上進(jìn)行改進(jìn)，新增層之間的線性瓶頸、瓶頸之間的連接捷徑功能，具有體積小、計(jì)算量少、速度高及準(zhǔn)確率高等特點(diǎn)。一些學(xué)者采用MobileNetV2 對(duì)遙感影像的建筑物進(jìn)行提取，如王華俊等（2022）提出使用輕量級(jí)網(wǎng)絡(luò)MobileNetV2替換DeepLabv3+的主干網(wǎng)絡(luò)Xception 的方法，該方法不僅減少參數(shù)量和訓(xùn)練時(shí)間，而且有效提高建筑物的提取精度。許博鳴等（2019）通過Keras 框架獲取MobileNet 瓶頸層并進(jìn)行遷移學(xué)習(xí)從而實(shí)現(xiàn)建筑物識(shí)別，該模型具有較高識(shí)別率且降低模型權(quán)重空間的優(yōu)點(diǎn)。于坤等（2021）將MobileNet 和Unet耦合，解決了建筑物特征提取過程中低維信息丟失，邊緣提取效果不佳等問題，在視覺效果上表現(xiàn)優(yōu)異。綜上，MobileNetV2 是對(duì)目標(biāo)檢測(cè)和分割的有效特征提取器，同時(shí)是一個(gè)高效的移動(dòng)端模型。構(gòu)建基于MobileNetV2的農(nóng)村住房識(shí)別模型并開發(fā)基于該模型的桌面端和移動(dòng)端應(yīng)用，能夠極大提升農(nóng)村住房監(jiān)測(cè)的內(nèi)業(yè)處理與外業(yè)巡查效率與智能化水平，具有重要的應(yīng)用價(jià)值，因此本文選用該模型從高分辨率遙感影像自動(dòng)提取農(nóng)村住房。

美國(guó)地理學(xué)家W R Tobler在1970年提出地理學(xué)第一定律（Tobler, 1970），該定律指出“任何事物都相關(guān)，只是相近的事物關(guān)聯(lián)更緊密”，即地理事物或?qū)傩栽诳臻g分布上互為相關(guān)（李小文 等，2007）。因此中國(guó)的農(nóng)村住房也具有空間相關(guān)性（李郇 等，2022），利用MobileNetV2模型識(shí)別農(nóng)村住房區(qū)域時(shí)，有可能會(huì)出現(xiàn)漏提現(xiàn)象，導(dǎo)致提取結(jié)果的形態(tài)相對(duì)破碎，因此需采用新的方法改善。數(shù)學(xué)形態(tài)學(xué)是一門建立在格論和拓?fù)鋵W(xué)基礎(chǔ)上、以形態(tài)結(jié)構(gòu)元素為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具（陳晨 等，2019），數(shù)學(xué)形態(tài)學(xué)檢測(cè)中最基本的形態(tài)算符包括膨脹算符、腐蝕算符。膨脹和腐蝕（鄧仕超等，2017）是灰度圖像的初等形態(tài)運(yùn)算，其作用是消除噪聲、分割出獨(dú)立的圖像元素或在圖像中連接相鄰的元素，尋找圖像的明顯極大值區(qū)域或極小值區(qū)域、求出圖像的梯度等。因此，可將數(shù)學(xué)形態(tài)學(xué)上的膨脹腐蝕方法作為補(bǔ)充，根據(jù)中國(guó)農(nóng)村住房的空間相關(guān)性，將農(nóng)村住房識(shí)別結(jié)果進(jìn)行像素分割或像素連接，彌補(bǔ)部分深度學(xué)習(xí)識(shí)別錯(cuò)誤的情況。

因此，本文基于高分辨率遙感影像數(shù)據(jù)，耦合MobileNetV2 和數(shù)學(xué)形態(tài)學(xué)方法，以茂名市為例，采集茂名市高分辨率遙感衛(wèi)星影像樣本庫(kù)進(jìn)行訓(xùn)練，得到一個(gè)基于深度學(xué)習(xí)的經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)農(nóng)村住房智能識(shí)別模型（MobileNet-MM）。以期為中國(guó)農(nóng)村住房監(jiān)測(cè)提供技術(shù)支持。

1 方法

1.1 MoblieNet V2網(wǎng)絡(luò)模型原理

為了最大程度降低模型訓(xùn)練成本，使其適用于移動(dòng)端等輕量工業(yè)化業(yè)務(wù)應(yīng)用場(chǎng)景，谷歌團(tuán)隊(duì)開發(fā)了MobileNet 網(wǎng) 絡(luò) 模 型。2018 年，Mark Sandler 對(duì)MobileNetV1 進(jìn)行改進(jìn)并提出MobileNetV2 模型，MobileNetV2 引入具有線性瓶頸的倒置殘差模塊（Sandler et al., 2018），借 鑒 了MobileNetV1 和ResNet的優(yōu)點(diǎn)，依然保持良好的計(jì)算速度和較小的存儲(chǔ)需求，不僅在MobileNetV1深度可分離卷積的基礎(chǔ)上加入多個(gè)逐點(diǎn)卷積，并且借鑒ResNet網(wǎng)絡(luò)結(jié)構(gòu)，提升網(wǎng)絡(luò)結(jié)構(gòu)性能并降低計(jì)算復(fù)雜度。但存在兩點(diǎn)不足：一是參數(shù)調(diào)節(jié)問題，二是依賴于優(yōu)化策略。其網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

表1 MobileNet V2網(wǎng)絡(luò)結(jié)構(gòu)Table 1 MobileNet V2 network structure

MobileNetV2神經(jīng)網(wǎng)絡(luò)是深度可分離卷積網(wǎng)絡(luò)，首先用1×1 卷積過ReLU 提升通道數(shù)，再用Depthwise的3×3空間卷積過ReLU進(jìn)行卷積，最后用1×1卷積過ReLU 恢復(fù)通道，并和輸入相加（圖1）。MobileNetV2 具有參數(shù)數(shù)目較少、效率更優(yōu)、硬件要求更低的特點(diǎn)，適用于農(nóng)村住房識(shí)別研究。

圖1 MobileNet V2結(jié)構(gòu)單元示意Fig.1 Structural units of MobileNet V2

1.2 數(shù)學(xué)形態(tài)學(xué)的膨脹與腐蝕方法

馬瑟榮（Ripley et al., 1975） 和賽拉（Serra,1986） 將數(shù)學(xué)形態(tài)學(xué)（mathematics morphology）引入圖像處理領(lǐng)域。數(shù)學(xué)形態(tài)學(xué)由膨脹、腐蝕、開運(yùn)算和閉運(yùn)算構(gòu)成。膨脹（dilation）是使物體邊界擴(kuò)張的過程，而腐蝕（erosion）的作用則與膨脹相反，其概念是縮小圖像，去除小溝壑細(xì)節(jié)的一種操作。在圖像處理過程中，兩者經(jīng)常被混合使用，形成開運(yùn)算與閉運(yùn)算。開運(yùn)算指先腐蝕后膨脹，即先消除細(xì)點(diǎn)處的分離物體，繼而平滑較大的物體邊界。相反，閉運(yùn)算則是先膨脹后腐蝕，即先將圖像的細(xì)小空洞進(jìn)行填空，再抑制比結(jié)構(gòu)元小的暗細(xì)節(jié)。膨脹和腐蝕的目的是消除噪聲，在進(jìn)行膨脹腐蝕操作前需先定義一個(gè)卷積核，將卷積核與待測(cè)圖像進(jìn)行卷積計(jì)算從而得到膨脹和腐蝕后的結(jié)果（圖2）。

圖2 表示結(jié)構(gòu)A 被卷積核腐蝕，移動(dòng)結(jié)構(gòu)卷積核，如果卷積核能與結(jié)構(gòu)A完全重疊，則保留該位置點(diǎn)，最終得到結(jié)構(gòu)A的腐蝕結(jié)果（結(jié)構(gòu)B）；卷積核在結(jié)構(gòu)B上進(jìn)行卷積操作，移動(dòng)卷積核，如果卷積核與結(jié)構(gòu)B 存在重疊區(qū)域，則記錄該區(qū)域位置，最終得到結(jié)構(gòu)B的膨脹結(jié)果（結(jié)構(gòu)C）。結(jié)構(gòu)C與結(jié)構(gòu)A 相比，去除了部分小地物，填充了部分小空洞。

圖2 腐蝕膨脹示意Fig.2 Corrosion expansion diagram

1.3 耦合MobileNetV2 和數(shù)學(xué)形態(tài)學(xué)的農(nóng)村住房識(shí)別模型

首先，構(gòu)建高分辨率遙感影像農(nóng)村住房樣本庫(kù)；然后，構(gòu)建農(nóng)村住房智能識(shí)別模型；最后，將該模型應(yīng)用于經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)農(nóng)村住房自動(dòng)提取。利用PaddlePaddle 人工智能基礎(chǔ)平臺(tái)，搭建耦合MobileNetV2 神經(jīng)網(wǎng)絡(luò)與數(shù)學(xué)形態(tài)方法的農(nóng)村住房圖像分類模型，技術(shù)路線如圖3所示。

圖3 農(nóng)村住房識(shí)別模型技術(shù)路線Fig.3 Technical route of rural housing identification model

為了充分利用高分辨率影像豐富的地物信息，并且取得與原影像一致的分辨率識(shí)別結(jié)果，采用逐點(diǎn)切割方式進(jìn)行農(nóng)村住房識(shí)別。首先，從高分辨率衛(wèi)星遙感影像中獲取遙感數(shù)據(jù)并進(jìn)行圖片處理、分割從而得到樣本庫(kù)；其次，運(yùn)用MobileNetV2神經(jīng)網(wǎng)絡(luò)對(duì)收集的樣本庫(kù)進(jìn)行訓(xùn)練，得到經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)農(nóng)村住房識(shí)別模型；然后，用生成的模型對(duì)遙感影像進(jìn)行逐點(diǎn)化測(cè)試，并得到測(cè)試結(jié)果圖，逐點(diǎn)化是指以待測(cè)試圖的某點(diǎn)為中心，向四周取一個(gè)64×64像素大小的正方形，用生成的模型對(duì)正方形進(jìn)行測(cè)試，并將測(cè)試結(jié)果作為該點(diǎn)的識(shí)別結(jié)果。其中，將返回結(jié)果為“農(nóng)村住房”的正方形地塊標(biāo)記為“1”，剩余的其他地形結(jié)果標(biāo)記為相應(yīng)的標(biāo)簽（“2、3、4、5、6、7”），最后合并為標(biāo)簽“0”，以此類推，得到逐點(diǎn)化后的結(jié)果圖；最后，對(duì)識(shí)別結(jié)果進(jìn)行數(shù)學(xué)形態(tài)學(xué)的膨脹腐蝕處理，從而得到最終的農(nóng)村住房結(jié)果圖。

2 模型的實(shí)現(xiàn)與結(jié)果

2.1 樣本庫(kù)構(gòu)建

茂名市位于廣東省西南部，全市行政區(qū)域土地總面積11 427.63 km2，屬于經(jīng)濟(jì)欠發(fā)達(dá)城市?；浳鞯貐^(qū)的村域面積較大，各自然村之間的距離較遠(yuǎn)，農(nóng)村住房分布較為松散；且農(nóng)村住房的空間布局隨意性較大，村內(nèi)巷道蜿蜒曲折，植被摻雜，巷道脈絡(luò)不清晰（譚慶揚(yáng) 等，2018）。僅用農(nóng)村住房標(biāo)簽與背景信息構(gòu)建模型，信息過于復(fù)雜，對(duì)模型效果影響較大。因此，給模型提供更為豐富的地物類別標(biāo)簽，可降低模型構(gòu)建的難度，提高模型的訓(xùn)練精度。為更好地識(shí)別農(nóng)村住房，在數(shù)據(jù)獲取過程中采集農(nóng)村住房、耕地、裸地、水體、植被5 類地形，并根據(jù)耕地的紋理細(xì)分成3種不同類型的耕地，將這7類地類按照數(shù)字“1～7”依次做好標(biāo)簽，即：農(nóng)村住房（“1”）、耕地a （“2”）、耕地b（“3”）、耕地c（“4”）、裸地（“5”）、水體（“6”）、植被（“7”）。數(shù)據(jù)集中圖像均為RGB格式，分辨率為18級(jí)，即0.55 m分辨率。由于影像數(shù)據(jù)本身的分辨率、云層覆蓋等干擾因素的客觀存在，需對(duì)采集到的大地塊影像圖進(jìn)行初步篩查，對(duì)由于數(shù)據(jù)源缺失而產(chǎn)生的不同時(shí)態(tài)不同分辨率影像相互“拼接”的低質(zhì)量遙感影像進(jìn)行剔除。

初步篩選出的遙感影像形狀和尺寸大小各異，如果直接應(yīng)用于模型訓(xùn)練，必然效果很差。為了便于存儲(chǔ)和切片，保證訓(xùn)練的高效性與模型的有效性，需通過圖像分割進(jìn)行再次精選，將每類地形的遙感影像分割為大小統(tǒng)一的規(guī)則小地塊。利用python 將上述7 類地物切割為64×64 像素的正方形小切片。最終收集的數(shù)據(jù)為每個(gè)地類的各1 000 張圖片，控制每一類型的圖片數(shù)量相等以提高訓(xùn)練精度，總計(jì)7 000 張圖片。將數(shù)據(jù)集分為兩類：訓(xùn)練集和驗(yàn)證集。對(duì)于構(gòu)建的大數(shù)據(jù)樣本，隨機(jī)選擇80%的數(shù)據(jù)用于訓(xùn)練模型。另外，20%用于驗(yàn)證模型的有效性，即每個(gè)模型有5 600張訓(xùn)練集，1 400張測(cè)試集。將處理好的圖像進(jìn)行清洗、整理、人工篩選出高質(zhì)量的樣本數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行歸類處理，將原標(biāo)簽“農(nóng)村住房”歸類為“農(nóng)村住房”，標(biāo)簽為1，將“耕地a、耕地b、耕地c、裸地、水體、植被”歸類為“非農(nóng)村住房”，分別將標(biāo)簽設(shè)為2、3、4、5、6、7，從而構(gòu)建滿足人工智能學(xué)習(xí)的“農(nóng)村住房提取”樣本數(shù)據(jù)（圖4），為后續(xù)的模型訓(xùn)練提供數(shù)據(jù)支撐。

圖4 樣本庫(kù)構(gòu)建流程Fig.4 Construction process of image sample database

2.2 MobieNet V2網(wǎng)絡(luò)構(gòu)建

在訓(xùn)練開始前，需調(diào)整最佳訓(xùn)練參數(shù)，其中，初始學(xué)習(xí)率是對(duì)整個(gè)訓(xùn)練過程影響比較大的參數(shù)，學(xué)習(xí)速率過大會(huì)導(dǎo)致模型收斂程度差，學(xué)習(xí)速率過小又會(huì)導(dǎo)致訓(xùn)練過程中耗時(shí)過長(zhǎng)，本模型將學(xué)習(xí)率設(shè) 定 為0.002。 并 將“continue_train” 設(shè) 置 為“False”，表示在訓(xùn)練時(shí)不使用預(yù)訓(xùn)練模型。在不斷的摸索中最后確定訓(xùn)練次數(shù)“num_epochs”設(shè)置為20 次，“good_acc1”設(shè)置為0.95，即當(dāng)訓(xùn)練精度連續(xù)20 次達(dá)到0.95 時(shí)結(jié)束訓(xùn)練。采用64 位windows7系統(tǒng)作為測(cè)試環(huán)境，內(nèi)存為8GB，利用百度飛漿（PaddlePaddle）框架搭建CPU（酷睿I7 7700）環(huán)境測(cè)試平臺(tái)，模型訓(xùn)練平均歷時(shí)20 min。此外，圖像增強(qiáng)可以達(dá)到提升模型泛化能力以及魯棒性的效果，因此，啟用圖像顏色增強(qiáng)、增加隨機(jī)角度以及增加水平隨機(jī)翻轉(zhuǎn)等措施。

選用經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)（農(nóng)村）的高分辨率遙感地塊影像，并在圖中直接獲取地類數(shù)據(jù)進(jìn)行模型訓(xùn)練得到模型MobileNet-MM 1，識(shí)別結(jié)果見圖5，圖6為圖5的局部放大。為了驗(yàn)證模型的穩(wěn)定性與泛化性，另選用5 張遙感地塊影像（圖7-a2～6）進(jìn)行對(duì)比實(shí)驗(yàn)，依次得到模型MobileNet-MM 2～6，將6個(gè)模型的訓(xùn)練精度與測(cè)試精度進(jìn)行匯總。由表2可知，模型的平均訓(xùn)練精度為98.9%，將20%的數(shù)據(jù)集用于測(cè)試，得到的平均測(cè)試精度為98.2%，效果較理想。由于本文選擇的樣本為純地物樣本，且用地類型相對(duì)簡(jiǎn)單，各類用地的特征差異明顯，在卷積神經(jīng)網(wǎng)絡(luò)下容易區(qū)分，所以部分模型訓(xùn)練與測(cè)試精度達(dá)到100%是有可能的。將訓(xùn)練的模型應(yīng)用于整幅影像，影像切片的類型大部分不是純地物，因此整體識(shí)別精度會(huì)下降，具體見表3所示。

表2 模型訓(xùn)練精度與測(cè)試精度Table 2 Models' training accuracy and test accuracy %

表3 模型識(shí)別精度對(duì)比Table 3 Comparison of models' identification accuracy %

2.3 農(nóng)村住房智能識(shí)別

根據(jù)上述得到的6個(gè)模型分別提取對(duì)應(yīng)遙感影像的農(nóng)村住房。以MobileNet-MM 1 為例，采用訓(xùn)練好的MobileNet-MM 1 對(duì)1 號(hào)遙感影像（圖5-a）進(jìn)行農(nóng)村識(shí)別，識(shí)別結(jié)果如圖5-b 所示，最終得到MobileNet-MM 1的識(shí)別精度為86.0%（見表3）。為驗(yàn)證MobileNet-MM 模型對(duì)農(nóng)村住房的識(shí)別效果，利用ResNet34模型對(duì)同樣的樣本庫(kù)進(jìn)行訓(xùn)練。為使對(duì)比更具說服力，控制兩類模型的參數(shù)變量，在控制逐點(diǎn)切割步長(zhǎng)（均設(shè)置為5）不變的情況下，將2個(gè)模型的訓(xùn)練次數(shù)“num_epochs”設(shè)置為20 次，“good_acc1”設(shè)置為0.95。并將ResNet34模型批量大小“batch_size”的值設(shè)置為8。經(jīng)過訓(xùn)練，得到ResNet34模型的農(nóng)村住房識(shí)別結(jié)果，將人工識(shí)別結(jié)果與ResNet34 模型識(shí)別結(jié)果疊加，計(jì)算得出ResNet34 模型的農(nóng)村住房識(shí)別精度為71.6%，兩類模型的精度對(duì)比結(jié)果如圖5所示。

為分析MobileNet-MM 1 模型與ResNet34 模型識(shí)別效果差異，將圖5-d、e 與f 的識(shí)別結(jié)果局部放大，如圖6所示。

圖6 中，圖6-b、c、d 分別是圖5-e、f、d 的局部放大圖。區(qū)域1～3中，ResNet34模型漏識(shí)的農(nóng)村住房區(qū)域面積較大，主要分布在區(qū)域的邊緣，而MobileNet-MM 1 模型正確識(shí)別的面積較多，漏識(shí)的面積較小，漏識(shí)區(qū)域分布較為分散。區(qū)域2 中，ResNet34模型將耕地、植被誤判為農(nóng)村住房，對(duì)于農(nóng)村住房的提取效果偏弱；而MobileNet-MM 1 模型對(duì)地類邊界的提取效果更精細(xì)，對(duì)農(nóng)村住房輪廓的識(shí)別效果更好。MobileNet-MM 1 的識(shí)別精度達(dá)到86%，而ResNet34模型僅為71.6%。從提取精度和空間分布看， MobileNet-MM 1 模型優(yōu)于ResNet34模型。

圖5 1號(hào)影像識(shí)別結(jié)果與精度對(duì)比Fig.5 Recognition results and accuracy of No.1 image

圖6 1號(hào)影像農(nóng)房識(shí)別結(jié)果局部放大Fig.6 Partial zoom-in of farm house recognition results from No.1 image

為驗(yàn)證MobileNet-MM 模型的穩(wěn)定性，設(shè)計(jì)了2 種方案，第一種方案是在不同的農(nóng)村建立不同的模型，測(cè)試其精度的方差；第二種方案是把不同的農(nóng)村樣本合并建立一個(gè)模型，測(cè)試其在不同農(nóng)村精度的方差。方差越小，模型越穩(wěn)定。針對(duì)第一種方案，利用MobileNet-MM 2-6 模型識(shí)別并提取對(duì)應(yīng)遙感影像（圖7-a2～6）的農(nóng)村住房，并將識(shí)別結(jié)果與ResNet34模型進(jìn)行對(duì)比（圖7）。

圖7 MobileNet-MM模型識(shí)別結(jié)果Fig.7 Recognition results of MobileNet-MM model

運(yùn)用MobileNet-MM 模型測(cè)試得到1-6 幅圖的測(cè)試精度分別為86.0%、83.3%、82.5%、85.5%、86.2% 和83.3%，平均精度為84.5%，方差僅為0.02%（見表3），這表明，MobileNet-MM 模型精度具有穩(wěn)定性，其測(cè)試精度基本維持在83%～86%，可滿足農(nóng)村住房智能提取模型的精度要求。ResNet34模型所得到的1-6幅圖精度分別為71.6%、65.5%、74%、81.8%、72.0%和78.2%，平均精度為73.9%。經(jīng)過對(duì)比，本文提出的MobileNet-MM模型平均精度比ResNet34模型高10.6%，基本滿足經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)的農(nóng)村住房提取精度要求。

針對(duì)第二種方案，將MobileNet-MM 1-6 的樣本庫(kù)進(jìn)行匯總，訓(xùn)練得到一個(gè)總模型，命名為MobileNet-MM A；將MobileNet-MM 1-3 的樣本庫(kù)進(jìn)行匯總，訓(xùn)練得到模型1-3 的總模型，命名為MobileNet-MM B。用MobileNet-MM A 和MobileNet-MM B 分別識(shí)別1-6 幅遙感影像地塊，得到的識(shí)別精度如表4 所示?？芍?，利用MobileNet-MM A 模型識(shí)別1～6 號(hào)遙感影像，精度的方差僅為0.03%，平均識(shí)別精度為83.8%，比MobileNet-MM 1～6的平均精度低0.7%；利用MobileNet-MM B模型識(shí)別1～3號(hào)遙感影像，精度的方差僅為0.02%，平均識(shí)別精度為83.5%，比MobileNet-MM 1～3 的平均精度低0.4%。這說明將樣本合并訓(xùn)練一個(gè)模型，并應(yīng)用于不同的農(nóng)村（影像），精度相差較小，表明模型具有穩(wěn)定性；與獨(dú)立樣本訓(xùn)練的模型相比，精度降低較小，但合并樣本訓(xùn)練一個(gè)模型可顯著降低模型構(gòu)建的速度，在農(nóng)村數(shù)量特別多的區(qū)域，效率更高。

表4 匯總模型精度對(duì)比Table 4 Summary model accuracy comparison %

經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)的農(nóng)村住房影像特征具有一定的相似性，但不同農(nóng)村的影像特征也有差別。用一個(gè)農(nóng)村提取的樣本所生成的模型識(shí)別另一個(gè)農(nóng)村的住房，其精度需要驗(yàn)證。為了驗(yàn)證模型的泛化性，利用MobileNet-MM B 模型識(shí)別4～6 號(hào)遙感影像，得到的平均識(shí)別精度為83.7%，與MobileNet-MM4～6 的平均精度相比，前者與后者精度差異很小，僅比后者低1.3%。模型B并沒有用農(nóng)村4～6的樣本數(shù)據(jù)，識(shí)別結(jié)果僅比采用樣本數(shù)據(jù)的模型精度降低1.3%，說明對(duì)于經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)的農(nóng)村，本文模型有一定的泛化性。

綜上，對(duì)于某個(gè)城市經(jīng)濟(jì)欠發(fā)達(dá)農(nóng)村的住房識(shí)別，可隨機(jī)抽取部分農(nóng)村建立樣本庫(kù)，合并樣本庫(kù)訓(xùn)練一個(gè)模型，再對(duì)整個(gè)城市經(jīng)濟(jì)欠發(fā)達(dá)的農(nóng)村住房進(jìn)行識(shí)別。

3 結(jié)論與討論

本文采用高分辨率遙感影像數(shù)據(jù)，構(gòu)建經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)農(nóng)村住房樣本庫(kù)，搭建MobileNet-MM 網(wǎng)絡(luò)模型。結(jié)果顯示，MobileNet-MM 模型對(duì)農(nóng)村住房的平均提取精度達(dá)到84.5%，基本可滿足農(nóng)村住房智能識(shí)別精度要求。將MobileNe-MM 模型與ResNet34 模型進(jìn)行精度對(duì)比，發(fā)現(xiàn)MobileNet-MM模型的識(shí)別精度高于ResNet34 模型。分別將MobileNet-MM 1～6 與MobileNet-MM 1～3 的樣本庫(kù)進(jìn)行匯總并訓(xùn)練得到MobileNet-MM A 與MobileNet-MM B，利用生成的新模型識(shí)別遙感影像地塊，發(fā)現(xiàn)新模型精度與原模型精度差異較小，精度比較穩(wěn)定，說明MobileNet-MM模型具有一定的泛化性。

本文創(chuàng)新性地引入數(shù)學(xué)形態(tài)學(xué)的膨脹腐蝕方法，與MobileNetV2進(jìn)行松散耦合，構(gòu)建基于MoibileNetV2和數(shù)學(xué)形態(tài)學(xué)方法的經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)農(nóng)村住房識(shí)別模型（MobileNet-MM），該模型精度較高且具有一定的泛化性。并且，本文生成一套高分辨率經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)農(nóng)村住房樣本庫(kù)，可為后期模型的構(gòu)建提供數(shù)據(jù)支撐。

利用深度學(xué)習(xí)技術(shù)進(jìn)行農(nóng)村住房監(jiān)測(cè)是可行的，但目前的技術(shù)框架還存在不足。首先，人工智能技術(shù)需要有高質(zhì)量的樣本庫(kù)作為支撐，但目前在樣本收集過程中存在一些被云層遮擋的遙感影像數(shù)據(jù)，還有一些由于遙感數(shù)據(jù)缺乏成像時(shí)間、衛(wèi)星參數(shù)和分辨率等關(guān)鍵信息而產(chǎn)生的不同時(shí)態(tài)不同衛(wèi)星拍攝影像進(jìn)行拼接處理得到的低質(zhì)量遙感影像，這些影像為深度學(xué)習(xí)樣本庫(kù)的構(gòu)建過程增加困難。其次，隨著科技的發(fā)展，遙感數(shù)據(jù)處于不斷更新變化的過程，新的衛(wèi)星數(shù)據(jù)不斷涌現(xiàn)，因此本文構(gòu)建的農(nóng)村住房樣本也存在局限性，需要在后續(xù)的應(yīng)用中不斷豐富和完善。最后，本文沒有對(duì)切片大小做敏感性分析，后續(xù)可做敏感性分析，得到最優(yōu)的切片大小。