基于建筑信息化的無人機遙感測量關鍵建筑材料圖像識別淺析

楊 奔 王志豪

（1 北海職業學院；2 深圳市勘察測繪院（集團）有限公司）

0 前言

無人機遙感測量是應用遙測遙控技術、無人駕駛飛行器技術、遙感傳感器技術、遙感應用技術、數據通訊及同步技術、差分定位技術等先進技術進行測量，它具有智能化、自動化、便捷化等優點。建筑信息化技術是利用建筑信息化軟件將建筑材料信息、建筑構件尺寸信息、建筑物構件關鍵點位置信息等參數建立建筑信息化模型，以便對建筑進行相關模擬和分析。

基于建筑信息化的無人機遙感測量，是將帶有定位裝置的無人駕駛飛行器（無人機）飛臨建筑物周邊，通過無人機拍攝建筑物關鍵圖像，通過遙感傳感器技術測量建筑物構件若干個關鍵點到無人機的距離，進而通過差分定位技術確定建筑物構件關鍵點的位置。通過基于建筑信息化的無人機遙感測量，能比較精確地測量出中高層建筑、超高層建筑以及一些不適宜用地面測量方法進行測量的建筑的構件關鍵點的位置。但是，基于建筑信息化的無人機遙感測量的其中一個關鍵技術點是通過圖像識別技術在無人機拍攝建筑物關鍵圖像識別出建筑物構件關鍵點，進而通過差分定位技術確定建筑物構件關鍵點的位置。因此，本課題對利用圖像識別技術識別關鍵建筑材料及建筑物構件關鍵點的應用方法進行分析研究。

1 基于建筑信息化的無人機遙感測量關鍵建筑材料圖像識別模型的建立、訓練及應用

關鍵建筑材料圖像識別模型采用深度學習神經網絡。首先，將一棟建筑的墻、門、窗等不同建筑構件和混凝土、木、石等不同建筑材料的圖片通過語意分割存儲為不同種類的二進制文件，以便軟件能迅速使用和重構圖像。然后，從零開始訓練神經網絡模型，構建卷積神經網絡（CNN）。卷積神經網絡（CNN）將一張圖前向傳輸通過網絡，然后輸出一個最終的分類結果。卷積神經網絡由幾十層或者幾百層構成，每一層都學習檢測不同的特征。從零開始構建網絡時，一般采用常用層進行簡單組合的形式，以便降低復雜度將使調試更方便。如圖1 所示，通過讀取圖像二進制文件和數據分層可完成訪問數據和配置網絡層。

圖1 數據的讀取與分層

接著，開始選擇訓練方案來訓練網絡。常用的訓練方案主要有訓練進度圖、最大訓練代數（Epoch）、最小批大小(Minibatch size)、學習速率等。如圖2 所示，本文主要采用進度圖和最小批大小這兩個方案來運行訓練網絡并監控其進度。

圖2 運行訓練網絡

為了提高訓練模型的準確率，可采用數據增強技術。運用數據增強技術，可通過添加改變版本的原始圖像可增加訓練圖像中的變體數量。用得比較多的數據增強類型有旋轉、平移、縮放等圖像轉換。例如可以將原始圖像向左移動10 個像素創建一個新圖像來進行隨機平移。代碼如下：

雖然這種平移非常微小，但它可以使神經網絡去學習和理解現實生活中的微小變化來增加深度學習網絡的兼容性。

接下來，運行語義分割網絡，語義分割網絡由一個圖像分類網絡和創建最終像素分類的向上采樣部分組成，可以使用segnetLayers() 函數自動創建網絡的向上采樣部分，從而形成一個有向無環圖(DAG) 網絡。在網絡訓練中，可采用動量隨機梯度下降(SGDM)、批大小等優化算法。本課題使用的最小批大小為4，可以在訓練過程減少內存使用。當然，批大小可以參照GPU 內存可用量進行提高或降低。

基于建筑信息化的無人機遙感測量關鍵建筑材料圖像識別模型深度學習神經網絡經過一定時間的訓練后，將建筑圖像導入模型中，可完成圖像識別，如圖3 所示。當然，如果想要進行更精細的圖像識別，還需采用更多數據集來訓練網絡。

圖3 建筑圖像識別

2 結語

建筑信息化技術與無人機遙感測量的結合，能較好地測量出建筑的關鍵構件信息，能為建筑進行進一步的模擬和分析提供參數。