基于深度學習的疑似違法圖斑快速檢測研究

李奇，龍奇勇，趙東旭

(廣州市城市規劃勘測設計研究院，廣東 廣州 510060)

1 引 言

城市違法建設和城市違法用地問題是現代城市發展和治理面臨的主要問題之一，一旦違法建設完成，既導致后續的查出工作壓力增大，也會帶來更多的經濟損失，因此及時發現和制止違法情況的發展是解決這一問題的主要手段[1]。無人機技術具有數據獲取快、監測范圍大且不受天氣及云層影響的優勢，近年來在城市違法監測和治理應用中成為主要的手段，在城市治理工作中發揮著越來越不可或缺的作用[2，3]。然而，傳統人工交互檢測進行違法發現的方式效率低下，對于大面積、高頻率的監測需求更顯無力。如何通過自動化手段進行違法現象監測是近年來對于影像處理的主要研究內容之一。

深度學習依靠其在圖像處理方面的巨大優勢，近年來在相關領域得到了廣泛的應用[4～10]。現有大多數的遙感影像變化檢測方法主要依靠兩期同一傳感器影像配準后，對影像變化信息進行處理和特征學習，進而達到變化檢測的目的。

繁雜的數據預處理工作常常復雜繁重而精度提升并不明顯，在面對高頻率的違法建設監測任務時難以適應需求，且由于違法建設本身不斷變化的特點，導致樣本庫的更新和維護需要花費極大的人力物力。

針對這一問題，本文分析和總結了城市違法建設的發展過程和主要特點，對違法建設情況及其他待區分要素進行針對性的樣本集構建，直接在原始正射影像上進行樣本采集，極大地降低了樣本庫構建和后期維護更新的數據處理工作量。在此基礎上本文構建了卷積神經網絡模型，對兩期影像分別進行分類并對比分類結果，實現了違法建設現象的快速檢測。本文研究以 0.5 m分辨率的無人機正射影像為實驗數據進行了實驗，驗證本文方法的可行性和有效性。

2 本文技術路線與方法

本文方法主要思路如圖1所示：

圖1 本文研究思路

2.1 樣本類集構建

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

樣本集類別選擇及示例 表1

2.2 卷積神經網絡模型

CNN的基本結構由輸入層、卷積層、池化層及輸出層構成。數據由輸入層進入模型，在卷積層通過卷積操作來實現低級特征如邊緣、線條等的提取，并進一步在池化層中強化特征信息，最后由全連接層來完成整合，實現最終的興趣信息發現。

本文參考經典的AlexNet卷積神經網絡模型，使用ReLU函數來提升訓練速度和降低計算復雜度，并通過Dropout技術在訓練過程中將中間層的一些神經元隨機設置為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個卷積層、1個池化層和3個全連接層，使用3×3卷積核，如圖2所示。

圖2 卷積神經網絡模型結構

2.3 違法變化檢測方法

對前時影像和后時影像分別進行分類處理，得到對應的前時影像分類結果R1和后時影像分類結果R2。在分類結果中，設4個分類類別即綠地、水體、建筑、推土的結果像素值分別為x1、x2、x3、x4。對兩期影像分類結果R1和R2做求差運算，差值結果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可能的情況如表2所示。

疑似違法建設或違法用地變化檢測結果對應關系 表2

因此，只要區別表2中的5類變化情況，同時設置綠地、水體之間的變化為未變化，即可區分疑似違法區域的變化情況。為了便于區分，本文研究將綠地、水體的分類結果像素值設置為0，將建筑類設置為2，推土類設置為3，則易知差值影像R中像素置為0的區域為未變化，大于0的(對應1、2或者3)區域為發生了疑似違法變化。

3 卷積網絡模型實現與數據測試

本文使用Python語言在PyTorch開發框架下實現了深度學習模型構建和訓練，并進行了實驗驗證。使用計算機為64位Windows10系統，內存32G，GPU型號為GeoForce RTX 2080，顯存8G。

樣本集按照分類方式設置為4類，每類采集尺寸為50×50像素的樣本500張。選取兩個不同區域、不同時期的城市無人機正射影像作為實驗測試數據，兩期影像分別為2019年4月和2020年5月拍攝，實驗測試區域與樣本選取區域不重疊。具體情況如圖3、圖4所示：

圖3 測試區域A前后時影像情況

圖4 測試區域B前后時影像情況

4 推土區圖斑發現實驗結果及分析

利用本文構建的深度學習模型進行訓練后，按本文第2小節思路對測試區域進行了疑似違法區域檢測試驗，試驗結果如圖5所示：

圖5 疑似違法區域變化檢測結果(黑色為非違法區域，白色為疑似違法區域)

通過對A、B兩個區域前后時影像的變化情況進行目視判讀，對比由圖3和圖4測試結果可知，在A區域中，前時影像中右側有明顯的推土區域在后時影像中已形成簡易建筑，左側樓房周圍有推土區已建成硬化道路，為疑似違法建筑變化類型；在B區域中，有大面積綠地變為推土區，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域可以被有效地檢測到。

存在的主要問題是，檢測結果圖斑的邊界并不準確，這主要是由于卷積神經網絡的特性所決定的：卷積神經網絡的優點在于其使用的矩形樣本易于采集，在生產作業中，更易于實現樣本庫的更新維護，效率高且成本低；但矩形樣本同樣使得分類結果的邊界不準確，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帶來了巨大的便利。

5 結 論

違法用地和違法建設已經成為城市治理中的主要問題之一。無人機作為城市違法問題治理的主要手段，其數據的處理效率對執法工作至關重要。當下迅速發展的各類深度學習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于樣本數據的更復雜采集和預處理過程。對于追求效率的日常工作來說，花費大量的人力物力來維護樣本庫和直接通過目視判讀發現變化并無太大區別，都無法解決實際問題。

本文基于卷積神經網絡模型樣本庫更新維護更加方便，分類變化檢測精度較高的優勢，有針對性地進行了樣本集類型設置，構建了面向違法變化發現的深度學習模型，并對實際數據進行了測試。測試結果表明，本文提出的方法可以有效地發現疑似違法變化區域，能夠為城市治理工作提供支持。