遙感監(jiān)測(cè)在智慧地鐵中的應(yīng)用

崔閏虎，張海洋，支俊俊

（1.全圖通位置網(wǎng)絡(luò)有限公司，北京 100176；2.安徽師范大學(xué) 地理與旅游學(xué)院，安徽 蕪湖 241002）

0 引言

目前，我國(guó)城市軌道交通已經(jīng)歷50多年發(fā)展歷程，軌道交通不僅成為城市交通運(yùn)輸領(lǐng)域的骨干，也帶動(dòng)了城市軌道交通沿線的經(jīng)濟(jì)發(fā)展。以北京地鐵為例，2021 年，北京地鐵運(yùn)營(yíng)里程達(dá)783 km，日均客運(yùn)量840 萬(wàn)人次，年客運(yùn)量超過(guò)30.66 億人次。但是，城市軌道交通保護(hù)區(qū)內(nèi)的工廠施工、基坑開(kāi)挖、鉆探挖井等活動(dòng)，對(duì)軌道交通地下結(jié)構(gòu)產(chǎn)生極大影響，成為城市軌道交通安全的重大隱患［1-2］。

在以往的城市軌道交通運(yùn)營(yíng)維護(hù)中，多采用人工巡檢方式對(duì)線路周邊生態(tài)環(huán)境、施工信息進(jìn)行調(diào)查。近年來(lái)，隨著城市軌道交通蓬勃發(fā)展，運(yùn)營(yíng)里程不斷增加、覆蓋區(qū)域愈加廣闊，人工巡檢暴露出調(diào)查方式單一、調(diào)查周期長(zhǎng)、更新時(shí)間慢等弊端［3］，不僅耗費(fèi)巨大人力、物力，巡檢信息還不能及時(shí)反映沿線施工狀態(tài)。

目前，多尺度遙感產(chǎn)品不斷涌現(xiàn)，特別是穩(wěn)定可靠、更新周期短、持續(xù)性強(qiáng)、精度高的高分辨率遙感數(shù)據(jù)，為城市軌道交通保護(hù)區(qū)監(jiān)測(cè)提供了數(shù)據(jù)保障［4-6］。但是，現(xiàn)有遙感影像分析方法與數(shù)據(jù)處理技術(shù)難以滿(mǎn)足城市軌道交通保護(hù)區(qū)監(jiān)測(cè)的實(shí)際需求［7］，亟須更高效的方法及技術(shù)體系，利用高分遙感影像的宏觀性、時(shí)空全覆蓋性等優(yōu)勢(shì)，進(jìn)行城市軌道交通保護(hù)區(qū)建筑信息識(shí)別［8-10］。

1 遙感技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)

第一次世界大戰(zhàn)以來(lái)，得益于超級(jí)大國(guó)的激烈競(jìng)爭(zhēng)及空間技術(shù)發(fā)展，遙感技術(shù)進(jìn)入高速發(fā)展期。1972 年，美國(guó)發(fā)射“地球資源技術(shù)衛(wèi)星”后，各國(guó)開(kāi)始效仿跟進(jìn)。我國(guó)遙感技術(shù)后來(lái)居上，并于2013 年發(fā)射高分辨率對(duì)地觀測(cè)系統(tǒng)的“高分一號(hào)”衛(wèi)星。此后，我國(guó)遙感技術(shù)逐漸達(dá)到國(guó)際領(lǐng)先水平，基本形成應(yīng)用廣泛的陸地衛(wèi)星格局。在遙感技術(shù)應(yīng)用中，如何快速、有效地處理遙感數(shù)據(jù)并提取所需信息成為技術(shù)難點(diǎn)，而卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的發(fā)展為解決該問(wèn)題提供了有效方法。

1943 年，McCulloch 和Pitts 提出神經(jīng)元網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)概念出現(xiàn)；2006 年，卷積神經(jīng)網(wǎng)絡(luò)進(jìn)入快速發(fā)展期；2012 年起，深度學(xué)習(xí)研究進(jìn)展迅速，并提出一系列模型，卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域逐漸廣闊。隨著數(shù)字圖像分析技術(shù)的發(fā)展、遙感影像精度的提高，圖像分割和數(shù)字圖像處理逐漸被應(yīng)用于變化監(jiān)測(cè)。近年來(lái)，深度學(xué)習(xí)在建筑物識(shí)別、土地利用制圖等領(lǐng)域廣泛應(yīng)用。

卷積神經(jīng)網(wǎng)絡(luò)是一類(lèi)包含卷積計(jì)算，并且含有深層次結(jié)構(gòu)的深度前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表算法之一［11］。卷積神經(jīng)網(wǎng)絡(luò)可自動(dòng)提取目標(biāo)特征，并發(fā)現(xiàn)樣本的集中特征規(guī)律，有效解決手動(dòng)提取特征效率低下、分類(lèi)準(zhǔn)確率低等不足。卷積神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于目標(biāo)識(shí)別、圖像分類(lèi)等領(lǐng)域，但在軌道交通保護(hù)區(qū)監(jiān)測(cè)的實(shí)際運(yùn)用中，仍存在提取建筑物精度低、速度慢等問(wèn)題，建筑信息識(shí)別效率不能滿(mǎn)足工作需求。因此，研究通過(guò)遙感影像的變化檢測(cè)，對(duì)軌道交通保護(hù)區(qū)監(jiān)測(cè)區(qū)域進(jìn)行預(yù)處理，將處理結(jié)果進(jìn)行人工判讀以及卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)分類(lèi)，可實(shí)現(xiàn)區(qū)域內(nèi)的變化識(shí)別。

2 研究對(duì)象及數(shù)據(jù)來(lái)源

2.1 研究對(duì)象

2017 年，中國(guó)共產(chǎn)黨北京市委員會(huì)、北京市人民政府發(fā)布的《北京市城市總體規(guī)劃（2016—2035年）》明確北京市發(fā)展的重要指導(dǎo)思想之一：“協(xié)調(diào)地上地下空間的關(guān)系，促進(jìn)地下空間資源綜合開(kāi)發(fā)利用”，其中第53條明確指出：“堅(jiān)持先地下后地上、地上地下相協(xié)調(diào)、平戰(zhàn)結(jié)合與平災(zāi)結(jié)合并重的原則，統(tǒng)籌以地鐵為代表的地下交通基礎(chǔ)設(shè)施，統(tǒng)籌以綜合管廊為代表的各類(lèi)地下市政設(shè)施，統(tǒng)籌以人防工程為代表的各類(lèi)地下安全設(shè)施，統(tǒng)籌以地下綜合體為代表的各類(lèi)地下公共服務(wù)設(shè)施，構(gòu)建多維、安全、高效、便捷、可持續(xù)發(fā)展的立體式宜居城市”［12］。由此，城市軌道交通保護(hù)區(qū)變化監(jiān)測(cè)工作成為重中之重。

因此，以北京地鐵為例，結(jié)合其實(shí)際需求，研究利用卷積神經(jīng)網(wǎng)絡(luò)、語(yǔ)義分割2種方法，對(duì)北京地鐵運(yùn)營(yíng)有限公司下屬16 條線路（非全北京市，即1 號(hào)線、2 號(hào)線、5 號(hào)線、6 號(hào)線、7 號(hào)線、8 號(hào)線、9 號(hào)線、10 號(hào)線、13 號(hào)線、15 號(hào)線、房山線、昌平線、亦莊線、S1 線、八通線、首都機(jī)場(chǎng)線）的城市軌道交通保護(hù)區(qū)內(nèi)違規(guī)施工行為進(jìn)行監(jiān)測(cè)，并將信息上報(bào)至相關(guān)部門(mén)，保障地鐵運(yùn)行安全，從而有效解決傳統(tǒng)監(jiān)測(cè)人工消耗大、低效率以及現(xiàn)有算法工程化中的薄弱環(huán)節(jié)。

2.2 數(shù)據(jù)來(lái)源

研究數(shù)據(jù)主要包括以下2個(gè)部分：

（1） 源自2021 年第3 季度（2021 年7—9 月）、第4季度（2021年10—12月）北京市地鐵運(yùn)營(yíng)有限公司下屬16條地鐵線路的“北京二號(hào)”衛(wèi)星高分辨率遙感影像。影像多光譜波段分辨率為0.8 m，數(shù)據(jù)處理級(jí)別為L(zhǎng)4A，數(shù)據(jù)位深為8 bit，文件格式為T(mén)iff，坐標(biāo)系為CGCS2000，采用高斯克呂格投影；采用其標(biāo)準(zhǔn)4波段進(jìn)行真彩色合成得到遙感影像彩色合成圖進(jìn)行本文的建筑信息識(shí)別。

（2）北京市地鐵運(yùn)營(yíng)有限公司及其下屬分公司提供的《北京地鐵安全保護(hù)區(qū)內(nèi)外部工程配合管理工作匯表》。

3 算法研究

基于深度學(xué)習(xí)，從遙感影像中面向?qū)ο筇崛〗ㄖ?，算法采? 模塊架構(gòu)體系，包括主干特征提取模塊、區(qū)域推薦與特征截取模塊、對(duì)象預(yù)測(cè)模塊、語(yǔ)義分割模塊。算法總體技術(shù)路線見(jiàn)圖1。

圖1 算法總體技術(shù)路線

3.1 主干特征提取

本算法使用 ResNet101 作為主干特征提取網(wǎng)絡(luò)，基于ResNet101 網(wǎng)絡(luò)提取的4 層特征，經(jīng)逐層采樣，獲得5 層特征金字塔（FPN）作為共享特征層。主干特征提取流程見(jiàn)圖2。

圖2 主干特征提取流程

3.2 區(qū)域推薦

要從遙感影像中找到建筑物位置，首先需要找到包含建筑物的外矩形框，再在外矩形框執(zhí)行語(yǔ)義分割，預(yù)測(cè)建筑物對(duì)象具體掩膜。但是，在1幅遙感影像上可以有無(wú)數(shù)個(gè)矩形框，如何找到包含建筑物的矩形框是其關(guān)鍵。算法使用特征金字塔獲得的5層共享特征層作為輸入，構(gòu)建區(qū)域建議卷積網(wǎng)絡(luò)預(yù)測(cè)特征層上每塊特征的預(yù)選框上是否包含建筑物。區(qū)域推薦流程見(jiàn)圖3。

圖3 區(qū)域推薦流程

3.3 特征截取

雖然通過(guò)區(qū)域推薦卷積網(wǎng)絡(luò)模塊獲得建議框，但建議框僅為粗略的估計(jì)，該范圍是否包含建筑物，還需根據(jù)建議框從共享特征層截取其局部特征，才可用于精細(xì)的對(duì)象分類(lèi)、角點(diǎn)調(diào)整及掩膜預(yù)測(cè)。對(duì)象分類(lèi)預(yù)測(cè)使用全連接神經(jīng)網(wǎng)絡(luò)，全連接神經(jīng)網(wǎng)絡(luò)要求輸入節(jié)點(diǎn)數(shù)相同，考慮建議框范圍不一，其截取共享特征層局部特征的維度也不統(tǒng)一。因此，采用雙線性?xún)?nèi)插法，將截取的共享特征層局部特征統(tǒng)一長(zhǎng)寬維度為：7×7，即可順利輸入對(duì)象分類(lèi)預(yù)測(cè)全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)預(yù)測(cè)及角點(diǎn)調(diào)整。特征截取流程見(jiàn)圖4。

圖4 特征截取流程

3.4 對(duì)象預(yù)測(cè)與語(yǔ)義分割

區(qū)域推薦卷積網(wǎng)絡(luò)模塊僅能粗略估計(jì)預(yù)選框是否包含建筑物，一些特征與建筑物類(lèi)似的其他地物也可能被推薦為建議框。因此，還應(yīng)根據(jù)建議框截取共享特征層的局部特征，并據(jù)此使用更有效的預(yù)測(cè)分類(lèi)方法，預(yù)測(cè)建議框是否真的包含建筑物。算法使用目前在分類(lèi)任務(wù)表現(xiàn)最好的全連接神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分類(lèi)，通過(guò)共享特征層局部特征截取與局部特征維度統(tǒng)一，將獲得的二維特征圖拉直為一維列向量，即可作為全連接神經(jīng)網(wǎng)絡(luò)的輸入。預(yù)測(cè)建議框內(nèi)是否真實(shí)包含建筑物，每個(gè)建議框通過(guò)全連接神經(jīng)網(wǎng)絡(luò)輸出1個(gè)值，再使用Softmax 函數(shù)激活，如果激活后的值接近1，則說(shuō)明該建議框內(nèi)部確實(shí)包含建筑物，反之則預(yù)測(cè)建議框不包含建筑物；同時(shí)，考慮建議框并非恰好是建筑物對(duì)象的外包圍矩形，因此算法還在全連接神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了1 個(gè)建議框角點(diǎn)調(diào)整參數(shù)輸出，每個(gè)建議框輸出1 個(gè)一維向量，向量包含4個(gè)值，分別調(diào)整建議框左上角xy坐標(biāo)和右下角xy坐標(biāo)。

基于建筑物目標(biāo)檢測(cè)方法可獲預(yù)測(cè)框，即建筑物存在位置的外矩形，但無(wú)法精確獲得建筑物對(duì)象的輪廓，主流的基于深度學(xué)習(xí)預(yù)測(cè)圖像對(duì)象的方法是語(yǔ)義分割。目前，深度學(xué)習(xí)語(yǔ)義分割模型多由編碼器和解碼器組成，其中編碼器可理解為通過(guò)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對(duì)原始圖像進(jìn)行下采樣，獲取高維圖像特征的過(guò)程。直觀表現(xiàn)是特征圖分辨率減少、通道維數(shù)增加。解碼器則通過(guò)反卷積層和反池化層，將尺寸較小的高維特征層進(jìn)行上采樣，恢復(fù)成原始圖像的尺寸，對(duì)原圖像內(nèi)部對(duì)象進(jìn)行像素級(jí)預(yù)測(cè)，使其盡可能分類(lèi)擬合出分類(lèi)對(duì)象的輪廓，以達(dá)到對(duì)象像素級(jí)預(yù)測(cè)效果。語(yǔ)義分割模型的訓(xùn)練方式和卷積神經(jīng)網(wǎng)絡(luò)一樣，前向傳播預(yù)測(cè)分類(lèi)、反向傳播回歸擬合，訓(xùn)練語(yǔ)義分割模型即根據(jù)損失函數(shù)調(diào)整編碼器和解碼器內(nèi)部參數(shù)，使模型通過(guò)編碼器和解碼器后可以預(yù)測(cè)擬合出分類(lèi)對(duì)象輪廓。典型的語(yǔ)義分割模型有FCN、U-Net、VGGNet、PSPNet等。

對(duì)象預(yù)測(cè)與語(yǔ)義分割流程見(jiàn)圖5。

圖5 對(duì)象預(yù)測(cè)與語(yǔ)義分割流程

3.5 算法訓(xùn)練

設(shè)定損失函數(shù)及損失權(quán)重（見(jiàn)表1）；設(shè)定訓(xùn)練模型參數(shù)，模型參數(shù)設(shè)置見(jiàn)表2；算法初步訓(xùn)練結(jié)果見(jiàn)圖6。

表1 損失函數(shù)及損失權(quán)重

表2 模型參數(shù)設(shè)置

圖6 初步訓(xùn)練結(jié)果

4 白名單數(shù)據(jù)庫(kù)建設(shè)

在白名單數(shù)據(jù)庫(kù)建設(shè)研究中，基于“北京二號(hào)”遙感衛(wèi)星獲取的亞米級(jí)遙感影像，通過(guò)該研究算法識(shí)別遙感影像中保護(hù)區(qū)內(nèi)的建筑信息，并根據(jù)北京地鐵運(yùn)營(yíng)有限公司提供的地鐵線網(wǎng)數(shù)據(jù)，分別生產(chǎn)16 條地鐵線路及其站點(diǎn)的矢量數(shù)據(jù)，并根據(jù)地鐵線路實(shí)際情況，分別建立地上32.5 m、地下52.5 m、過(guò)河102.5 m的緩沖區(qū)。整合所有數(shù)據(jù)后，生成保護(hù)區(qū)專(zhuān)題地圖。根據(jù)2021 年第3、4 季度的影像變化，結(jié)合建筑信息識(shí)別的變化，分析保護(hù)區(qū)內(nèi)現(xiàn)有施工情況。同時(shí)，對(duì)比北京地鐵運(yùn)營(yíng)有限公司提供的安全保護(hù)區(qū)內(nèi)外部工程配合管理工作匯表，分析是否存在違規(guī)施工行為。白名單數(shù)據(jù)庫(kù)建設(shè)流程見(jiàn)圖7。

圖7 白名單數(shù)據(jù)庫(kù)建設(shè)流程

5 試驗(yàn)結(jié)果分析

5.1 算法研究結(jié)果

以北京地鐵10 號(hào)線為例，對(duì)算法研究應(yīng)用結(jié)果進(jìn)行展示（見(jiàn)圖8）。

圖8 北京地鐵10號(hào)線算法研究應(yīng)用成果

結(jié)合圖8展示內(nèi)容可知，總體上建筑信息識(shí)別的應(yīng)用效果較好，對(duì)于保護(hù)區(qū)內(nèi)建筑部分的內(nèi)容基本均可識(shí)別，但對(duì)于保護(hù)區(qū)內(nèi)建筑邊界的識(shí)別效果不夠明晰，特別是受到植被、道路等要素的干擾后，效果較差，算法仍存在較大改善空間。

5.2 白名單數(shù)據(jù)庫(kù)建設(shè)結(jié)果

2021 年第3、4 季度北京地鐵所轄線路保護(hù)區(qū)監(jiān)測(cè)的結(jié)果為：共計(jì)54 處用地類(lèi)型變化，總面積200 753.79 m2。保護(hù)區(qū)用地類(lèi)型變化統(tǒng)計(jì)見(jiàn)表3。

表3 保護(hù)區(qū)用地類(lèi)型變化統(tǒng)計(jì)

由表3 可知，在所有線路中北京地鐵10 號(hào)線用地類(lèi)型變化情況較多，在保護(hù)區(qū)后續(xù)監(jiān)測(cè)中應(yīng)成為重點(diǎn)。同時(shí)，由于本次試驗(yàn)間隔較短，僅使用保護(hù)區(qū)2021 年第3、4 季度的高分影像進(jìn)行對(duì)比，部分區(qū)域未發(fā)現(xiàn)明顯變化。從表3也可看到，部分區(qū)域變化情況多，但變化面積反而較小，可能是本次試驗(yàn)重點(diǎn)研究了保護(hù)區(qū)內(nèi)的用地變化情況，對(duì)保護(hù)區(qū)外的區(qū)域并未涉及到，在后續(xù)工作中須進(jìn)一步明確。

將監(jiān)測(cè)結(jié)果與北京市地鐵運(yùn)營(yíng)有限公司提供的北京地鐵安全保護(hù)區(qū)內(nèi)外部工程配合管理工作匯表對(duì)比，選取部分區(qū)域進(jìn)行結(jié)果展示（見(jiàn)圖9—圖11）。

圖9 分鐘寺—成壽寺監(jiān)測(cè)區(qū)監(jiān)測(cè)結(jié)果

圖11 首經(jīng)貿(mào)—豐臺(tái)站監(jiān)測(cè)區(qū)監(jiān)測(cè)結(jié)果

根據(jù)圖9—圖11 展示的北京地鐵10 號(hào)線部分成果可以發(fā)現(xiàn)，在影像上存在向北京市地鐵運(yùn)營(yíng)有限公司報(bào)備后再進(jìn)行施工的工程，也存在有施工行為但未向北京市地鐵運(yùn)營(yíng)有限公司報(bào)備的情況。針對(duì)該類(lèi)未報(bào)備情況，將所有信息記錄后，統(tǒng)一反饋至北京市地鐵運(yùn)營(yíng)有限公司，再通過(guò)現(xiàn)場(chǎng)踏勘調(diào)查等方式確認(rèn)情況是否屬實(shí)，為北京地鐵的安全運(yùn)營(yíng)提供支撐。

6 結(jié)論與建議

關(guān)于該算法部分研究情況，對(duì)算法試驗(yàn)的過(guò)程及最終效果進(jìn)行總結(jié)發(fā)現(xiàn)，目前算法仍有較大改善空間，未來(lái)計(jì)劃從5個(gè)方面改善算法，提高算法的應(yīng)用效果：

（1）使用多源訓(xùn)練數(shù)據(jù)增加魯棒性。

（2）使用批訓(xùn)練方法（batch>1）避免震蕩和過(guò)擬合。

（3）嘗試256/512/1 024 尺寸訓(xùn)練數(shù)據(jù)，對(duì)比多尺度訓(xùn)練數(shù)據(jù)效果。

（4）嘗試調(diào)整多任務(wù)損失權(quán)重，優(yōu)化模型。

（5）當(dāng)模型穩(wěn)定后嘗試解凍主干特征提取網(wǎng)絡(luò)進(jìn)一步優(yōu)化模型。

關(guān)于白名單數(shù)據(jù)庫(kù)建設(shè)的研究情況，根據(jù)試驗(yàn)結(jié)果，監(jiān)測(cè)效果較理想。但是，在試驗(yàn)過(guò)程中，對(duì)影像監(jiān)測(cè)結(jié)果與地鐵提供的報(bào)備表進(jìn)行核查的效率較低，如何提高效率或減少環(huán)節(jié)，有待進(jìn)一步思考。

21 世紀(jì)以來(lái)，我國(guó)城市地下空間的開(kāi)發(fā)數(shù)量迅速增長(zhǎng)。地鐵作為地下空間的重要組成部分，其安全面臨傳統(tǒng)威脅與新興風(fēng)險(xiǎn)相互交織、偶發(fā)性節(jié)點(diǎn)破壞與系統(tǒng)性危機(jī)并存的復(fù)雜情況。隨著我國(guó)城市軌道交通建設(shè)規(guī)模不斷擴(kuò)大，確保運(yùn)營(yíng)安全工作將是我國(guó)城市軌道交通行業(yè)面臨的重中之重。將遙感監(jiān)測(cè)應(yīng)用于識(shí)別城市軌道交通保護(hù)區(qū)內(nèi)的建筑施工行為，可為保障城市交通安全添磚加瓦。但是，相關(guān)研究仍不夠深入，應(yīng)在未來(lái)的工作中繼續(xù)尋求更優(yōu)的解決方案。