基于深度學習的新增違法建設監測框架研究與應用

康停軍,陳汭新,孫 穎,夏義雄,王 彬

(1. 佛山市測繪地理信息研究院,廣東 佛山 528000; 2. 中山大學地理科學與規劃學院,廣東 廣州 510275)

近年來,隨著工業化和城市化進程的不斷推進,違法建設冒頭的現象屢見不鮮,給城市管理部門帶來了巨大挑戰[1]。違法建設是制約城市發展的毒瘤,侵占了社會公共資源和城市空間,帶來了嚴重的環境和安全問題[2]。為阻斷違法建設行為,維護規劃權威性,科學開展新增違法建設監測,促進智慧化轉型,已成為城市高質量發展的必然選擇。

人工巡查、群眾舉報等傳統手段存在時效性差、效率低、成本高等諸多不足[3],而遙感技術具有覆蓋面廣、重返時間短等優勢,已成為監測新增違法建設的主流手段[4]。文獻[5]運用遙感和地理信息技術,在北京六環內建立了違章建筑監測系統,實現了對違章建筑的及時監測、查處和預警。文獻[6]提出了一種基于高分辨率遙感影像的違法土地快速檢測方法,提高了工作效率并取得了較好的應用效果。文獻[7] 實現了多源遙感影像的空間網格組織和實時影像服務,大幅提高了土地監測的時效性和準確性。文獻[8]利用微型無人機監測城市重點區域的違法用地和違法建設。文獻[9]提出了基于無人機影像的最佳分割尺度定量化評價指標和影像多時相特征分析方法,并成功應用于監測威海市經濟技術開發區的違法建設。現有研究多關注于發現新增建設行為,然而違法建設的管理涉及職能部門多、監管重點差異大、處置法律法規復雜[10],快速發現違法建設行為只是第一步。如何打破行政執法壁壘、準確定性、合理分派,形成全閉環的監測管理機制,構建融合多個監管部門的、多層級的違法建設處置體系,是新增違法建設治理亟須解決的關鍵問題。

面對違法建設類型多樣、隱蔽性強、行政交叉、信息不暢等問題,本文基于多期高分辨率遙感影像與職能部門管理數據,利用耦合特征金字塔網絡(feature pyramid network,FPN)[11]與基于掩膜區域卷積神經網絡(mask region-based convolutional neural network,Mask R-CNN)[12]的建筑物邊界提取算法與空間分析技術,構建發現、分析、分派新增違法建設的綜合管理體系,完善多部門聯動的協同治理模式,以期為嚴控新增違法建設提供技術支撐。

1 研究方法

1.1 總體框架

本文提出了“建設行為監測—多源數據融合分析—協同分派治理”的新增違法建設全鏈條管理框架(如圖1所示)。首先聚焦建設行為監測,利用衛星、無人機進行高頻次觀測,獲取測區最新的高分辨率影像圖,進而基于耦合FPN與Mask-RNN多任務的建筑物邊界提取算法得到現狀建筑物的矢量范圍線。其次為多源數據融合分析,通過整合各職能部門歷年形成的空間數據(如自然資源的權籍調查數據、地形圖、不動產登記數據、衛片執法數據等,住房和城鄉建設部門的建筑物災害普查底圖數據等),形成歷史建筑物分布底圖。然后利用空間分析與人工判別,提取新增建設行為圖斑。最后為協同分派治理,根據自然資源、住建和水利、農業農村等各職能部門管轄范圍,標識相關職能部門的審批數據,并按照事件屬性分派至各審核部門。

圖1 研究框架

1.2 耦合FPN與Mask-RNN的多任務建筑物邊界提取算法

利用計算機視覺的方法對遙感影像進行分割已經成為遙感圖像處理的熱點[13],語義分割和實例分割[14-15]是其中具有代表性的兩類網絡模型。語義分割網絡模型強大的學習能力和特征表達能力可以快速準確地識別遙感影像中不同類別的地物,常見的網絡有全卷積神經網絡(fully convolutional network,FCN)[16]、U-Net[17]等。相比于語義分割,實例分割不僅能識別像素類別,還能獲取對象的位置、大小和形狀,能更好地分割每個對象輪廓并精化對象邊緣,常見的算法有YOLO系列、Mask-R-CNN等。本文綜合了實例分割和語義分割的優勢,耦合了FPN與Mask R-CNN算法,有效提升了傳統模型邊界不準、內部空洞等問題。

算法框架采用ResNet50網絡進行特征提取,使用轉置卷積實現反卷積,并利用二元交叉熵損失優化網絡,即

(1)

首先中間層使用FPN網絡構建自頂向下、自底向上和同層連接3個特征圖;然后對淺層特征與高層特征進行融合,并利用區域候選網絡對FPN獲取的多尺度特征處理;最后將原圖ROI與特征ROI對齊后,采用平滑L1損失重新進行分類、回歸得到目標建筑物目標框。平滑L1損失公式為

(2)

式中,當y比較小時,等價于L2 損失,解決回歸任務中的平滑問題;當y比較大時,等價于L1 損失,解決高噪聲、離群值等問題以保持平滑。

同時,將對齊特征輸入到目標框掩膜識別網絡,也利用交叉熵損失進行網絡優化,得到建筑物掩膜。

最后,設定建筑物面積ST作為閾值對兩種方法的結果融合。面積大于閾值ST的建筑物,取FPN和Mask R-CNN的結果的并集,以彌補Mask R-CNN對部分建筑物的漏檢;面積小于ST的建筑物,選擇Mask R-CNN的檢測結果,以確保小型建筑物邊界的清晰。

1.3 協同分派

新增違法建設的監測與治理是一項復雜的系統工程,涉及自然資源、城管、住建、農業農村、供電單位、工商等多個職能部門。其中,自然資源管理部門需對違反土地法、城市規劃法的建設進行認定;供水、供電單位要對逾期沒有拆除的違法建設停止供水、供電;農業農村管理部門需對涉及宅基地的建設行為出具相關證明材料;水利管理部門要對違反水法的建設行為定性等。本文通過分析各職能部門違法建設管理流程與認定標準,設計了信息共享、協同分派、聯合行動的管理機制,形成上下聯動、齊抓共管的強大合力,協同分派流程如圖2所示。

圖2 協同分派流程

對于疑似新增違法建設,通過收集各職能部門所認定的違法建設管理空間范圍判別該建設行為涉及的職能部門,并標識各職能部門的審批數據。若該建設行為涉及多個職能,則成立工作小組,確定牽頭單位,依次分派至各部門進行認定。各部門上傳涉及本部門職能的相關材料,并在必要時組織相關部門進行現場核查,待核查結束后,工作小組聯合各職能部門,共同判斷該建設行為是否符合法規和監管要求。若該案件判定為新增違法建設,分派至各職能部門進行處置,將治理成功共享至各參與部門;若該案件判定為合法建設,則上傳相關證明材料供其他部門調取使用。

2 試驗結果與分析

為檢驗本文使用建筑物提取算法的有效性,利用高分辨率影像與人工標簽的矢量數據,通過常用的精度指標和局部影像提取結果對算法進行評價,并選取佛山市順德區某城鄉接合部作為試驗區,驗證本文監測框架的合理性。

2.1 試驗環境

建筑物遙感提取試驗采用的硬件環境為:CPU為Intel Core i7-9700KF,GPU為 Nvidia GeForce RTX 2080 Super(8 GB顯存),RAM為64 GB。軟件環境采用的操作系統為Ubuntu,開發語言為Python,開發環境為Pycharm,深度學習模型主要基于Pytorch框架。空間分析部分的環境為ArcGIS Engine 10.2,開發語言為C#,協同分派依托于佛山市違法建設治理信息平臺。

2.2 建筑物提取結果分析

研究數據為佛山市空間分辨率優于0.5 m的高清正射影像圖,利用LabelImg軟件人工篩選和標注樣本數據,并將數據集劃分為訓練集、驗證集、測試集,比例為8∶1∶1。經過127次訓練與迭代,模型收斂并達到最優,算法精度OA系數與F1[18-19]分別為82.36%、76.52%,基本能滿足實際使用需求。

為更直觀地展現建筑物提取質量,選取了兩幅不同場景的局部影像進行結果可視化(如圖3所示)。由圖中的局部細節對比可以明顯看到,FPN算法能較為準確地提取建筑物輪廓,但是對細小變化不敏感,會出現漏分、建筑物邊界粘連的情況,Mask R-CNN較為完整地識別出了建筑物信息,但也出現了較為明顯的誤提取。相比上述兩種情況,本文采取的算法表現良好,圖3(a)展現了建筑物間隔較小、密度較高的區域,基本沒有出現陰影、植被、硬化道路等錯分現象,但是仍存在多個細小斑塊、邊界偏移或建筑物邊界粘連的問題。圖3(b)展現了建筑物間距較大、密度較低的區域,本文的算法較為正確地分割了建筑物邊界,較好地識別出了建筑物輪廓,但是在連片廠房、棚頂等面積較大且形狀特別的地物,雖然能有效識別建筑物的主體形態,但是由于建筑物投影差的問題,容易出現錯誤區域粘連和壓蓋周邊建筑物。

綜上所述,本文所采取的算法綜合了FPN算法與Mask R-CNN算法的優點,建筑物分割結果邊界清晰,與真實建筑物輪廓一致性較高,可作為監測新增建筑的主要手段。

2.3 新增違法建設監測應用

選取了佛山市順德區約3.5 km2的區域作為試驗區,在2022年10月21日—22日,使用大疆M300 RTK無人機搭載禪思P1鏡頭采集了該區域空間分辨率為5 cm的正射影像。試驗區為典型村級工業園附近城中村場景,建筑物以宅基地為主,形狀、大小和結構各異,屋頂大多搭有棚或種植綠植,少許建筑物周邊有林地、草地。此外,東南方向分布少許連片低矮廠房,相鄰廠房間隔較小,頂棚色彩差異性大,屬于人工巡查較難管控的區域。

利用本文算法提取的建筑物范圍線對比建筑物分布底圖與歷史遙感影像,發現該區域的新增建設行為主要以宅基地的改擴建與棚房的搭建、擴建為主,圖4(a)、(c)、(e)為前時影像,圖4(b)、(d)、(f)為后時影像。對比圖4(a)和(b)監測區域,前時影像中該區域植被覆蓋,后時影像中大面積綠地變為硬化地面,區域上有明顯建造行為,疑似為施工前期的土地平整工作。在圖4(c)、(d)區域中,前時影像中的建筑在后時影像中發生明顯改建擴建行為,建筑物形態、高度、外輪廓等空間特征變化顯著。圖4(e)、(f)中棚房的面積和遮蔽范圍有明顯增加,前時影像左側的空地在后時影像中已被白色棚房遮蔽,存在明顯的搭擴建行為。

疊加審批數據后對比發現,該區域新增168處建設行為。其中,99宗有合法報建手續,航拍照片與歷史數據對比未發現異常。另外,64處為疑似違法建設,分布如圖5所示。其中,16處正在建設過程中,需分派至自然資源管理部門與住建管理部門聯合研判其合法性;10處涉及河道管理范圍線,需由水利、住建、自然資源管理部門共同審核;38處新增宅基地建房,需由農業農村管理部門、自然資源管理部門共同評估合法性。

圖5 疑似新增違法建設結果

由圖5可以看出,新增疑似違法建設行為分布零散、隱蔽性強,以新增住宅用房為主,少部分為搭建的棚房,集中在已有廠房附近。相比傳統人工巡查,本文采用的監測手段顯著提高了巡檢效率,能更客觀、全面地從高空視角觀察區域全貌,并在一定程度上解決了當前違法建設治理工作中的多頭執法、信息不暢、重復處置等問題。

3 結 語

本文以高分辨率遙感影像、深度學習等技術為支撐,結合實際工作中對新增違法建設快速識別、精準分派、信息共享的需求,構建了“建設行為監測—多源數據融合分析—協同分派治理”的全鏈條管理監測管理框架。研究成果能夠較好地解決高分辨率遙感影像智能化處理、違法建設性質分析、案件分派等難題,并為不同職能、不同需求的違法建設監管部門提供了解決思路,為持續創新城市管理模式和提高城市管理水平提供了有力支撐。