技术领域
[0001] 本
发明涉及不同施工阶段建筑物遥感识别技术领域,具体涉及为一种基于深度
卷积神经网络(DCNN)与
云计算的城市建筑物施工进度遥感识别方法和系统。
背景技术
[0002] 随着我国城市化的
加速,城市扩容及城镇化的飞速发展,城市建设的建筑物数量越来越多,其中不乏很多社会保障用房和违法建设的建筑物。城市管理部
门迫切需要及时掌握城市不同建筑物施工进度(地基、建中、封底、建成)的建筑物空间
位置及面积信息。为了及时了解和获得建筑物的施工进度和施工状态,对城市建筑物施工进度的遥感动态监测成为城市管理的重点内容和智慧城市建设的
基础。
[0003] 目前基于建筑物形态学指数、多时
相变化检测技术的建筑物及其施工进度信息遥感提取
精度和效率无法满足城市快速发展及违法建筑物监测和保障性用房管理的需求。随着国产高分二号等卫星采集城市影像数据的增加,急需一种高精度、高效的建筑物施工进度识别方法。
[0004] 本发明通过构建一种基于深度卷积神经网络(DCNN)与云计算的建筑物施工进度遥感识别方法和系统来满足对建筑物不同施工进度进行精确快速识别的需要。通过高分卫星、飞机遥感影像进行深度卷积神经计算,建立不同阶段城市建筑物施工进度影像的
时空云存储
数据库,方便进行不同阶段建筑物信息的查询、管理和共享,从而解决建筑物空间位置及面积信息更新不及时,建设进度信息识别精度低的问题。
发明内容
[0005] 本发明的目的是提供一种基于DCNN与云计算的城市建筑物施工进度遥感识别方法,能够快速准确的对在不同施工进度(地基、建中、封顶、建成阶段)的建筑物进行识别。
[0006] 具体步骤包括:
[0007] (1)城市高分遥感影像获取:通过高分遥感卫星、飞机对城市建筑物进行观测获得需要判定建筑物施工进度的高空间
分辨率遥感影像。
[0008] (2)影像预处理:对获取的高分影像进行大气校正和
辐射纠正预处理。
[0009] (3)不同施工阶段划分与影像特征提取:将施工阶段划分为地基阶段、建中阶段、封顶阶段、建成阶段四个阶段。依据不同阶段的建筑物识别特征不同,地基阶段的建筑物采用图像
光谱变换特征提取;建中、封顶阶段建筑物利用纹理特征提取;建成阶段建筑物结合
角点特征提取并与光谱特征融合。
[0010] (4)样本集创建及划分:通过目视解译和感兴趣区工具绘制出不同建设阶段建筑物的边界,分别创建不同施工阶段影像样本集和标签数据。针对每个阶段,利用OpenCV工具将不同施工阶段影像样本集和标签数据划分为训练集、验证集和测试集。
[0011] (5)建筑物
深度学习样本数据库建立:建立用于存储地基阶段、建中阶段、封顶阶段、建成阶段特征影像及深度学习训练集、验证集和测试集的深度学习样本数据库。
[0012] (6)网络模型及参数设计:依据不同施工阶段建筑物的主要影像特征设计不同施工阶段建筑物识别和提取的深度网络模型及参数。
[0013] (7)训练网络、获取最佳网络模型:利用样本集训练网络并调节网络参数,找到不同施工阶段的最佳网络模型。
[0014] (8)计算精度并保存训练好的网络:利用不同施工阶段最佳网络模型对不同施工阶段特征影像进行分类,计算精度。判断精度是否达到用户设定
阈值,若是,则保存对应施工阶段训练好的网络,反之返回步骤(7)。
[0015] (9)建筑物施工位置及边界轮廓提取:利用不同施工阶段建筑物样本及不同施工阶段训练好的网络对城市影像进行卷积网络分类识别,提取不同施工阶段建筑物空间位置、边界轮廓。
[0016] (10)建筑施工数量及面积统计:统计城市不同施工阶段(地基、建中、封顶、建成)建筑物的数量、总面积。
[0017] 进一步地,所述步骤(3)中,对于地基阶段,图像光谱变换采用灰度线性变换和主成分分析获得地基阶段特征影像。对于建中阶段、封顶阶段建筑物,在灰度线性变换、灰度共生矩阵计算的基础上,提取图像熵和
对比度纹理特征图像。
[0018] 对于建成阶段的建筑物,通过灰度线性变换增强原始图像,然后采用Canny算子和Harris
算法提取角点特征,将角点特征与原始光谱图像进行融合处理,获得建成阶段建筑物特征影像。
[0019] 进一步地,所述步骤(6)的一个
实施例中,地基阶段卷积核采用5*5大小;建中、封顶、建成阶段卷积核采用3*3大小。优选地,最大
池化层卷积核大小采用2*2大小,滑动步长采用1个
像素。
[0020] 深度卷积网络层数采用35~40层,其中地基阶段、建成阶段卷积层采用20层,池化层采用10层,全连接层采用3层,输入和
输出层各采用1层。
[0021] 为了更准确地识别纹理特征,优选地,建中阶段、封顶阶段网络卷积层采用25层,池化层采用10层,全连接层采用3层,输入和输出层各采用1层。
[0022] 本发明还提供了一种利用云计算平台提高城市建筑物施工进度遥感识别效率的系统,该系统包括:
[0023] 空间数据库、
数据处理模
块、GIS云服务平台、GIS卷积网络云计算模块、GIS统计分析云计算模块、建筑物施工进度类型图输出模块。空间数据库与数据处理模块双向连接,数据处理模块通过有线网络与云服务平台连接。GIS卷积网络云计算模块、GIS统计分析云计算模块、建筑物施工进度类型图输出模块分别与GIS云服务平台双向连接。
[0024] 所述空间数据库,包括数据输入模块和数据存储模块。数据输入模块用于导入高分遥感卫星、航空摄影测量所获得的影像数据及深度学习样本数据。数据存储模块可以存储、查询、添加、删除高分影像信息,同时用于存储地基阶段、建中阶段、封顶阶段、建成阶段影像集的建筑物深度学习样本。
[0025] 所述数据处理模块,包括影像特征提取模块和样本数据处理模块。影像特征提取模块用于建筑物不同施工阶段影像特征提取,样本数据处理模块用于样本集创建及划分。
[0026] 所述GIS云服务平台,以云计算平台服务层-PaaS(Platform as a Service)提供的数据及处理服务
接口为基础。与GIS卷积网络云计算模块、GIS统计分析云计算模块、建筑物施工阶段类型图输出模块一起构成云端功能系统。
[0027] 所述GIS卷积网络云计算模块,用于卷积网络与参数设计,网络训练,最佳网络模型获取。
[0028] 所述GIS统计分析云计算模块,用于快速统计不同施工阶段建筑物数量及面积。
[0029] 所述建筑物施工进度类型图输出模块,用于把四种施工阶段建筑物分布、面积和数量输出到纸质和
电子介质上。
[0030] 本发明实施例的有益效果是:
[0031] 本发明实施例基于DCNN与云计算结合,采用一种基于DCNN与云计算的建筑物施工阶段遥感识别方法和系统,结合遥感数字
图像处理软件、云计算技术建立建筑物监测识别及深度卷积神经网络,可以增加建筑物施工阶段和进度识别的精度和智能化
水平,同时云计算平台提高了建筑物施工进度监测效率,节约了城市建筑物监测和管理的成本。发明的方法由于在光谱图像的基础上增加了地基建设阶段、建中和封顶阶段的特征图像,可以提高高分遥感数据探测建筑物施工进度的准确性。
附图说明
[0032] 图1一种基于DCNN与云计算的建筑物施工进度遥感识别方法的技术
流程图[0033] 图2不同施工阶段建筑物的深度学习样本集创建
[0034] 图3一个实施例下的地基阶段深度卷积网络模型结构图
[0035] 图4一个实施例下的建中和封顶阶段深度卷积网络模型结构图
[0036] 图5一个实施例下的建成阶段的深度卷积网络模型结构图
[0037] 图6一种基于DCNN与云计算的建筑物施工进度遥感识别系统功能模块图具体实施方式
[0038] 为了更清楚地说明本发明的技术方案,下面结合具体实施例对本发明做详细说明,以下实施例有助于本领域的技术人员更好的理解本发明。应当指出的是,本领域内的其他技术人员在不脱离于本发明和实例的基础上演变而来的其他实例,都属于本发明的保护范围。
[0039] 实施例:
[0040] 图1所示一种基于DCNN与云计算的建筑物施工进度遥感识别方法的技术流程图,包括:
[0041] (1)城市高分遥感影像获取:通过高分遥感卫星、飞机摄影测量对城市建筑物进行观测获得分辨率优于2米的高分遥感影像,实施例为0.8米分辨率的国产高分二号卫星影像,含有4个波段。
[0042] (2)影像预处理:遥感成像时,由于各种因素的影响,使得遥感影像在一定的程度上存在几何畸变、大气消光、辐射量失真等现象,为消除获得影像中无关的信息,恢复有用的地表建筑物施工信息,对获取的高分影像通过ENVI、ERDAS等遥感图像处理软件进行大气校正、辐射纠正预处理,获得更加清晰的高分辨率遥感影像。
[0043] (3)不同施工阶段划分与影像特征提取:将施工阶段划分为地基阶段、建中阶段、封顶阶段、建成阶段四个阶段。对不同施工阶段的建筑物提取采用的特征如图2所示:
[0044] a)对于地基阶段,通过灰度线性变换和主成分分析获得地基阶段特征影像。对高分影像每个波段进行灰度线性变换,变换的公式:
[0045] I(x,y)1=k*I(x,y)+b (1)
[0046] 式中I为
图像空间,I(x,y)为每一个像素点的灰度值,k、b为线性拉伸系数,I(x,y)1为线性变换后的每一个像素点的灰度值。
[0047] 为了增强多波段影像的清晰度,本实施例中k取2,b取20。对影像各个波段,分别计算获得线性变换后的单波段图像。利用ENVI软件主成分分析菜单在线性变换结果的基础上得到第一主成分的图像,将该图像作为卷积网络输入和识别的新的特征图像。
[0048] b)对于建中阶段、封顶阶段建筑物,提取图像的纹理特征。通过公式(1)提取增强后的图像,然后利用公式(2)计算灰度共生矩阵。分别采用公式(3)和(4),在灰度共生矩阵计算的基础上,提取图像熵和对比度特征,获得图像熵和对比度纹理特征图像。
[0049] P(i,j)=#{(x1,y1),(x2,y2)∈M×N∣f(x1,y1)=i,f(x2,y2)=j} (2)[0050] 式中P为灰度共生矩阵,P(i,j)为灰度为i的像素与灰度为j的像素同时出现的
频率,#(x)表示集合x中的元素个数,M×N为图像大小,(x1,y1)、(x2,y2)为图像中的任意两个像素,f(x1,y1)为(x1,y1)位置像素对应的灰度值,f(x2,y2)为(x2,y2)位置像素对应的灰度值。i、j为灰度值。
[0051]
[0052]
[0053] 式中ENT表示熵,CON表示对比度,L为影像灰度级,由于输入影像单个波段含256级灰度,L取256,P(i,j)为灰度共生矩阵中位于第i行第j列的元素。如上述方法,依次求取所有波段的纹理特征影像。
[0054] c)对于建成阶段的建筑物,提取建筑物几何角点特征。通过公式(1)增强原始图像,然后采用Canny算子提取图像边缘,针对边缘提取二值图像采用Harris算法提取角点特征。
[0055] 本实施例采用Harris角点检测算法如公式(5)所示:
[0056]
[0057] 式中x为像素列值,y为像素行值,u为列偏移量,v为行偏移量,E(u,v)为灰度值变化梯度,w(x,y)为窗口函数,I(x,y)为原始图像灰度,I(x+u,y+v)为平移后的图像灰度,(u,v)为窗口的偏移量。(x,y)为窗口内所对应的像素坐标位置。Ix和Iy是一阶灰度梯度,可对图像求卷积得:
[0058]
[0059]
[0060] M为偏导数矩阵:
[0061]
[0062] 窗口函数使用二元高斯函数如公式(6)所示:
[0063]
[0064] 式中,G为二元高斯函数,σ为高斯
滤波器宽度,本例σ取1。
[0065] 每个像素点的角点响应计算公式如(7)所示:
[0066] R=AB-C2-k(A+B)2 (7)
[0067] 式中,R为角点响应函数,k为常量,本例k取0.05。
[0068] 当角点响应函数R值大于阈值,阈值根据具体图像设定,本例阈值设置为120。将几何角点特征通过ENVI的image sharpening/GS菜单与原图像进行融合处理,获得建成阶段建筑物特征影像。
[0069] (4)样本集创建及划分:将特征提取后的影像划分为地基阶段、建中阶段、封顶阶段、建成阶段四种进度建设影像,通过目视解译和ENVI软件感兴趣区ROI工具绘制出不同建设阶段建筑物的边界,分别创建不同施工阶段特征影像样本集和标签数据,如图2所示。针对每个施工阶段,利用OpenCV工具将样本集和标签数据随机裁剪为256*256大小的样本数据N张,本实施例N设定为10000张。优选地,本实施例将样本集以3:1:1的比例随机分成训练集、验证集和测试集。
[0070] (5)建筑物深度学习样本数据库建立:采用栅格数据结构,利用空间数据库引擎(ArcSDE)和
数据库管理系统(SQL Server)建立影像数据库,建立用于存储地基阶段、建中阶段、封顶阶段、建成阶段特征影像,及深度学习训练集、验证集和测试集,存于深度学习样本数据库。
[0071] (6)网络模型及参数设计:实施例采用SegNet网络模型,学习
框架使用TensorFlow框架,
输入层输入256*256大小的样本,输出层采用Soft-max分类器。依据城市建筑地基阶段、建中阶段、封顶阶段和建成阶段的影像特征,设计网络模型及参数。
[0072] 图3为本实施例下的地基阶段深度卷积网络模型结构图,图4为本实施例下的建中和封顶阶段深度卷积网络模型结构图,图5为建成阶段的深度卷积网络模型结构图。
[0073] 图3-图5所示,卷积层中Conv a-b(例如,Conv 5-64)表示该层卷积核的大小为a×a,该层卷积核的个数为b,(×n)表示该网络在此处有n层;Maxpool2表示所述池化层的池化核大小为2×2;FC-c表示该全连接层有c个输出
节点,本实例中全连接层
输出节点的个数分别为4096、2048和6个。
[0074] 如图3-图5所示,优选地,地基阶段卷积核采用5*5大小;由于建中、封顶、建成阶段需要更精细的局部感受野和较高的计算效率,卷积核采用3*3大小。优选地,最大池化层卷积核大小采用2*2大小,滑动步长为1个像素。
[0075] 如图3-图5所示,优选地,深度卷积网络层数采用35~40层,其中地基阶段、建成阶段卷积层采用20层,池化层采用10层,全连接层采用3层,输入和输出层各采用1层。为了更准确地识别纹理特征,优选地,建中阶段、封顶阶段网络卷积层采用25层,池化层采用10层,全连接层采用3层,输入和输出层各采用1层。
[0076] 激活函数采用RELU函数,
[0077] y=max(0,x) (8)
[0078] y=f(x) (9)
[0079] 式中,x表示网络输入
信号,y表示激活
输出信号,其中f(x)表示对网络
输入信号x的激活函数。损失函数采用交叉熵函数计算:
[0080]
[0081] 式中,L为损失函数,n为训练样本数目,yi为第i个像素的真实值,ai为预测值。
[0082] 采用归一化方法将特征影像归一化到(0,1),避免了训练样本差异导致的训练过程不收敛。训练过程采用随机
梯度下降法(SGD)不断调整网络的权重参数,通过反向传播使得损失函数L达到最小。
[0083] 设置初始学习率、批次大小、训练周期。本实施例中训练的初始学习率设置为0.001,单次训练的批次大小(batch size)设置为64,训练周期epoch设置为8。
[0084] (7)训练网络、获取最佳网络模型:利用样本集训练网络并调节网络参数,找到不同施工阶段的最佳网络模型。卷积网络训练步骤:分别输入地基阶段、建中阶段、封顶阶段、建成阶段样本数据,在
编码器中进行卷积和最大池化,然后在
解码器中进行
采样。调节卷积核大小,卷积层、池化层和全连接层数量。再将像素送到Soft-max分类器进行类型识别,并输出误差测试曲线,保存不同施工阶段误差最小的拟合模型。
[0085] (8)精度计算并保存训练好的网络:利用不同施工阶段最佳网络模型,结合Soft-max分类器依次对地基阶段、建中阶段、封顶阶段、建成阶段提取的特征影像进行分类识别,影像分类后进行分类精度评价。评价精度的指标有多种,本发明对地基阶段特征影像分类结果计算准确率、召回率和F值三个指标。
[0086] 以地基阶段特征影像分类精度评价结果作为参照,建中阶段、封顶阶段、建成阶段计算方法相同。
[0087] 地基阶段特征影像像素分为两类:地基阶段与非地基阶段的建筑物像素。地基阶段建筑物识别准确率计算公式:
[0088]
[0089] 式中P为准确率,N(t)为地基阶段特征影像正确分类出的地基阶段建筑物像素数,N1为分类出的地基阶段建筑物像素数。
[0090] 召回率计算公式:
[0091]
[0092] 式中R为召回率,N(t)为地基阶段特征影像正确分类出的地基阶段建筑物像素数,N为影像中地基阶段建筑物实际像素总数。N通过地基阶段建筑物边界轮廓目视解译,采用ENVI软件统计计算轮廓内的像素数确定。
[0093] F值:为正确率和召回率的调和平均值,公式如下:
[0094]
[0095] 式中P为准确率,R为召回率。
[0096] 在判断精度是否达到用户设定阈值过程中,优选地,所述地基阶段F值高于80%,建中和封顶阶段F值高于85%,建成阶段F值高于90%,则保存对应施工阶段训练好的网络,反之返回步骤(7)重新训练网络。
[0097] (9)建筑物施工位置及边界轮廓提取:利用不同施工阶段建筑物样本及不同施工阶段训练好的网络对城市影像进行卷积网络分类识别,提取不同施工阶段城市建筑物空间位置、边界轮廓。
[0098] (10)建筑施工数量及面积统计:利用GIS统计分析工具,本实施例采用ArcGIS统计城市不同施工阶段(地基、建中、封顶、建成)建筑物的数量及其总面积。
[0099] 本发明实施例还提供了一种基于DCNN与云计算的建筑物施工进度遥感识别系统,参见图6。
[0100] 一种基于DCNN与云计算的建筑物施工进度遥感识别系统包括:空间数据库S1、数据处理模块S2、GIS云服务平台S3、GIS卷积网络云计算模块S4、GIS统计分析云计算模块S5、建筑物施工进度类型图输出模块S6。空间数据库与数据处理模块双向连接,数据处理模块通过有线网络与云服务平台连接。GIS卷积网络云计算模块、GIS统计分析云计算模块、建筑物施工进度类型图输出模块分别与GIS云服务平台双向连接。
[0101] 所述空间数据库S1,包括数据输入模块S11和数据存储模块S12。数据输入模块用于导入高分遥感卫星、航空摄影测量所获得的影像数据及深度学习样本数据。数据存储模块存储、查询、添加、删除高分影像信息,同时用于存储地基阶段、建中阶段、封顶阶段、建成阶段影像集的建筑物深度学习样本。为数据处理模块S2提供输入数据。
[0102] 所述数据处理模块S2,用于处理S1提供的输入数据,包括影像特征提取模块S21和样本数据处理模块S22。影像特征提取模块S21用于建筑物不同施工阶段影像特征提取,样本数据处理模块S22用于样本集创建及划分。S2通过GIS云服务平台S3为GIS卷积网络云计算模块S4提供待识别提取影像与样本数据。
[0103] 所述GIS云服务平台S3与GIS卷积网络云计算模块S4、GIS统计分析云计算模块S5、建筑物施工阶段类型图输出模块S6一起构成云端系统。
[0104] 所述GIS云服务平台S3,以云计算平台服务层-PaaS(Platform as a Service)提供的数据及处理服务接口为基础。采用ArcGIS 10.7智能决策和数据科学云平台。数据处理模块S2通过接口将待识别提取影像与样本数据上传至云平台。
[0105] 所述GIS卷积网络云计算模块,通过云平台共享数据服务接口获得待识别提取影像与样本数据。用于云端网络模型设计、网络训练,最佳网络模型获取。通过云服务平台S3
访问ArcGIS 10.7的“ArcGIS Notebook Server”数据科学
服务器,通过深度学习共享服务接口调要TensorFlow
机器学习库实现卷积网络计算功能。
[0106] 所述GIS统计分析云计算模块S5,通过云平台共享数据服务接口获得不同施工阶段建筑物空间位置、边界轮廓信息提取结果。用于快速统计不同施工阶段建筑物数量及面积。通过云服务平台S3访问ArcGIS 10.7“Insights for ArcGIS”空间
数据挖掘和
可视化的Web应用模块,通过统计计算共享服务接口调要统计分析库,结合矢量地图API接口,实现统计不同施工阶段建筑物数量及面积功能。
[0107] 所述建筑物施工进度类型图输出模块S6,通过云平台共享数据服务接口获得不同施工阶段建筑物空间位置、边界轮廓和数量面积信息提取结果。用于把四种施工阶段建筑物分布、数量和面积输出到纸质和电子介质上。通过云服务平台S3访问ArcGIS 10.7“ArcGIS Pro”在线制图模块,通过在线制图服务接口调要制图函数库,结合矢量地图API接口,实现建筑物施工进度类型图输出到纸质和电子介质上,显示施工进度信息。
[0108] 纸质输出介质包括彩色
打印机和绘图仪,电子介质将施工进度信息以矢量专题、栅格影像地图的形式在计算机屏幕上显示出来,同时输出到jpg、tif等图像格式文件中。