基于卷積神經網絡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

卷積神經網絡（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，應用領域非常廣泛。在建筑領域中，卷積神經網絡已被用于城市密度、建筑容積率計算、建筑形態分類等方面的研究[1]。但在城市聚落方面，卷積神經網絡的應用仍是空白。因此，本文希望通過卷積神經網絡的圖像識別及圖像分類技術對聚落肌理形態進行初步探究。

在現有聚落中，受到政策、觀念、產業、環境等各類影響，導致新開發的聚落往往或機械單調或雜亂無章，失去了傳統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生氣勃勃的聚落中起博弈作用的種種微妙影響力及其構成的復雜網絡關系。而現有的聚落生成方式一般從類型學角度出發，研究傳統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多樣性的聚落形態。雖然避免了無機聚落中簡單粗暴的平行關系，但仍難形成傳統有機聚落中互相滲透的有機肌理結構。本文基于現有研究，結合卷積神經網絡，基于圖像分類識別處理的技術手段，建構一個聚落肌理分類識別系統，有助于進一步分析及生成有機聚落肌理。

2 研究框架

2.1 研究路線

運用卷積神經網絡，以人工分類后的兩類聚落肌理圖片作為數據集，經過大量訓練后，通過提取全局訓練特征和分類，產生訓練好的模型。根據所給出的圖片，計算出對應哪一類數據集的概率更大。通過分析計算數據，總結不同類型的聚落肌理結構特征，并分析傳統聚落肌理符號所具有的共性及多樣性。

2.2 相關理論研究

（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利用和改造自然所創造出來的生存環境，是人類各種形式的聚居地的總稱[2]。而聚落形態的形成與演變取決于多方面的影響，主要包括:文化、氣候、地理、政治、經濟、技術條件等，在現代經濟為導向的社會發展模式下,更包括了政府管理、開發商、設計師、公民居住觀念、城市規劃的普世模式、城市的規劃方向等因素。總而言之，一個聚落的獨特形態是上述各種力量長期博弈的結果，具有重要的歷史、文化、經濟價值。但大量傳統聚落在開發過程中遭到破壞，打破了原有的聚落所具有的緊密性與關聯性，破壞了傳統聚落的有機特征，不利于聚落的研究與發展。而新建城市聚落在整體性的規劃調控下，很難形成有機的聚落肌理，不利于聚落的發展與演變。所以對聚落進行分類能幫助設計者認識有機聚落的豐富性以及多樣性，對聚落進行識別能深入分析有機聚落的共性，從而深化對我國傳統有機聚落特征的理解，為有機聚落的保護及新興聚落的生成等相關工作提供方法論支持，引導規劃師和建筑師創造多元、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，使鄉鎮建設符合聚落發展規律，實現聚落與環境的協調發展。

（2）聚落的分類

聚落一般可分為城市聚落和鄉村聚落，也可按照聚落形態的形成與演進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”有機演進形成，可稱之為“自下而上”途徑，主要體現在古村落、商業性城鎮中。空間生成以人的活動為發展因素，人與自然相互結合滲透，社會發展與聚落演進有機結合，具有適應聚落動態發展的有機變化、社會調整發展轉換的可持續發展能力。無機聚落則是指通過“計劃式”理性演進，可稱之為“自上而下”的途徑，是在政治經濟規劃干預下產生的結果，主要是以人為的邏輯生成而非自然的生態演變而形成，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簡單，同質化明顯，摒棄傳統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）相關聚落案例分析

①宏村。有機聚落識別結果以安徽宏村為例（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構網絡，隨著社會環境及自然環境的更迭變化不斷發展。傳統聚落或城市空間有機的發展結構應是源自居民日常生活中改造生活環境的欲望、對生活質量的向往、改造環境的客觀能力和居民間樸素的相互關系，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體系，演化原因及演化結果具有多樣性，物質要素構成及結構形態較為復雜。宏村的聚落空間不是單純人為設計的結果，也不是自然發展無規律的結果，而是村民根據生活需求進行長期選擇的結果，是“自下而上”的結果，具有開放、融合、非平衡、非線性的特征，這是“自上而下”的精英式的設計所不能具有的。在新農村建設中，便應借鑒以上經驗，將聚落鄉村建設理解為一個過程而并非一個結果，充分尊重村民自主權，促進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。無機聚落識別結果以印度昌迪加爾規劃為例（圖2），以功能作為整體規劃的主要邏輯，分區明確，布局規整，道路也按功能分級布置呈棋盤式系統。但以建成后的效果而言，建筑與環境并不親切，城市與居民生活關系疏離，人為的設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程中較為常見，主要是在政治、經濟規劃的干預下，通過自上而下的整體性規劃，形成的總體邏輯形態較為單一，以線狀、塊狀、網狀等形態為代表的聚落形式。

圖2 昌迪加爾規劃圖

③杭州富陽東梓關回遷農居。在現今的鄉鎮建設實踐之中，已有部分設計者注意到了聚落肌理這一問題，并進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回遷農居設計為例（圖3～圖4），其設計方式為模擬有機聚落空間網絡，通過研究傳統有機聚落形式背后相似的空間原型，從類型學的思考角度出發，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則進行組合，以形成豐富的聚落形態。以傳統肌理的院落空間基本單元為基本模數，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傳統聚落的多樣性，避免城市無機肌理網絡對傳統村落有機肌理的侵襲破壞，力求還原鄉村的原真性。但令人遺憾的是，雖然摒棄了無機聚落傳統兵營式布局中宅基地和戶內院落的平行關系，卻仍未形成有機聚落中自下而上交織的復雜性網絡形態。

圖3 杭州富陽東梓關回遷農居總平面圖

圖4 杭州富陽東梓關回遷農居設計圖例

3 聚落肌理的圖像識別

本文選取兩類極端的聚落形態：有機型和無機型聚落肌理，用機器學習圖像識別的方法，在大量樣本訓練的基礎上，通過變異傳統聚落肌理符號后對地域的聚落初始符號庫進行擴充。但由于符號庫數量巨大，且文化表達形式有顯性亦有隱性，無法全面地描述聚落的肌理符號。但通過大量數據的收納采集，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 數據來源

聚落所具有的的復雜肌理形態豐富，內部序列結構復雜多變，因此要對其進行識別與分類，就需要將兩類聚落圖片制作成數據集，通過人工分類將其作為訓練數據，再進行大量的訓練以生成模型。本文通過谷歌地圖利用統一比例尺獲取所大量需要的聚落圖片（圖5～圖6），在輸入數據前，通過對聚落圖片進行篩選，刪除部分聚集度較低以及其他不符合聚落定義的圖片，并將剩余圖片進行分類，作為初始訓練集，保留足夠數量的圖片用以神經網絡的學習計算。

圖5 部分無機聚落圖集

圖6 部分有機聚落圖集

3.2 建構過程

卷積神經網絡（Convolutional Neural Network，CNN）是一種前饋神經網絡，它的人工神經元可以響應一部分覆蓋范圍內的周圍單元，善于處理數量較多的圖像分析，從本質上而言，是一種輸入到輸出的映射，它能夠學習并分析大量的輸入與輸出之間的映射關系，并且可以逼近任何輸入和輸出之間的精確的數學表達式，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網絡（CNN）對有機聚落及無機聚落進行識別與分類。

圖7 CNN網絡結構圖

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善于通過學習圖像的局部數據，而提取全局的分類特征，它的權值共享結構網絡使之更類似于生物神經網絡，利于進行圖像數據的識別分類[4]。可通過對有機聚落圖像集合的學習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值向量的特征圖，使其能夠學習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行處理及分類，產生訓練好的CNN模型及特征圖，可作為算法評估函數的約束條件，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模的聚落圖像數據進行分類學習，所以在使用CNN時，避免了顯式的主觀形態模仿，而隱式地學習聚落肌理邏輯。CNN以其局部權值共享的數據處理結構在圖像批量處理方面有著顯而易見的優勢，因為其布局更接近于實際的生物神經網絡，權值共享的特點可以降低網絡復雜性，特別是圖像可以直接輸入網絡的功能避免了在聚落肌理的特征學習和分類機制中數據重建的人為主觀性影響。

利用CNN，可以識別聚落圖像特征，對聚落進行分類；而訓練好的CNN模型后期可以用于多目標演化算法以生成符合有機聚落的區域布局。其中，訓練好的CNN模型將作為多目標演化算法評估函數的約束條件。在訓練好的CNN模型上，設計新的深度學習網絡，實現根據輸入聚落的要求生成實際的聚落圖像，達到模擬生成有機聚落肌理的最終目標。

結語

傳統有機聚落的發展與演變是在時間、空間及社會因素等多維度調整下而產生的，整體與局部之間經過相互滲透影響的生成與被生成呈現一種復雜的空間肌理，與無機聚落自上而下的線性簡單演變不同，是一個自主動態演變的非線性復雜系統，呈現出具有豐富性、多樣性特征的空間邏輯形態。因此，人為對其進行特征提取、分類研究及模擬生成較為困難，具有較大的片面性。此外，傳統有機聚落空間進行動態演化的生成過程是一個典型的復雜系統問題，對其進行可控性研究一直是個難題，同時也是復雜科學及聚落空間研究領域前沿的熱點、難點和新興問題，需要用更加客觀及科學的方法進行深入研究。

應用機器學習解決復雜系統問題是當今學術界的一個令人矚目的交叉研究方向，已經引起越來越多來自不同領域的研究人員的關注和重視。在城市規劃方向，劍橋大學和清華大學的相關研究已經將卷積神經網絡用于街景地圖的識別分析，從而對城市整體景觀進行研究，而本文涉及的聚落肌理判別模型可以與其相結合，從宏觀層面對聚落空間形態進行分析研究[5]。

本文試圖基于聚落肌理圖片數據，對傳統聚落這一難以模擬及復制的概念進行分類判定，通過機器學習識別空間肌理的隱形特征，利用卷積神經網絡在圖像識別方面的獨特優勢，可用于提取聚落、社區、城鎮、人群社會活動空間等復雜系統的共性特征并進行相關研究，輔助現今的聚落保護與設計，也為后續如何生成有機聚落空間肌理提供研究基礎，創造復雜系統可控性研究的開拓性成果。

資料來源：

圖1：引自閔東日報數字報。來源網站：https://www.itouchtv.cn/article；

圖2：引自百度百科“昌迪加爾城市規劃”。來源網站：https://baike.baidu.com/item；

圖3～4：引自Archdaily“當代鄉村聚落 杭州富陽東梓關回遷農居”。來源網站：https://www.archdaily.com/；

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

圖7：陳友宣.卷積神經網絡(CNN)在汽車無人駕駛中的應用與分析[J].科技創新與應用,2019(05):13-14。