基于深度学习的疑似违法图斑快速检测研究

李奇，龙奇勇，赵东旭

(广州市城市规划勘测设计研究院，广东 广州 510060)

1 引 言

城市违法建设和城市违法用地问题是现代城市发展和治理面临的主要问题之一，一旦违法建设完成，既导致后续的查出工作压力增大，也会带来更多的经济损失，因此及时发现和制止违法情况的发展是解决这一问题的主要手段[1]。无人机技术具有数据获取快、监测范围大且不受天气及云层影响的优势，近年来在城市违法监测和治理应用中成为主要的手段，在城市治理工作中发挥着越来越不可或缺的作用[2，3]。然而，传统人工交互检测进行违法发现的方式效率低下，对于大面积、高频率的监测需求更显无力。如何通过自动化手段进行违法现象监测是近年来对于影像处理的主要研究内容之一。

深度学习依靠其在图像处理方面的巨大优势，近年来在相关领域得到了广泛的应用[4～10]。现有大多数的遥感影像变化检测方法主要依靠两期同一传感器影像配准后，对影像变化信息进行处理和特征学习，进而达到变化检测的目的。

繁杂的数据预处理工作常常复杂繁重而精度提升并不明显，在面对高频率的违法建设监测任务时难以适应需求，且由于违法建设本身不断变化的特点，导致样本库的更新和维护需要花费极大的人力物力。

针对这一问题，本文分析和总结了城市违法建设的发展过程和主要特点，对违法建设情况及其他待区分要素进行针对性的样本集构建，直接在原始正射影像上进行样本采集，极大地降低了样本库构建和后期维护更新的数据处理工作量。在此基础上本文构建了卷积神经网络模型，对两期影像分别进行分类并对比分类结果，实现了违法建设现象的快速检测。本文研究以 0.5 m分辨率的无人机正射影像为实验数据进行了实验，验证本文方法的可行性和有效性。

2 本文技术路线与方法

本文方法主要思路如图1所示：

图1 本文研究思路

2.1 样本类集构建

城市违法建设是指在未取得合法批文等手续的情况下进行的建设活动，包括推土、新建等情况。违法建设活动在建设实施之前会有明显的推土活动特征，且往往为了建筑速成和降低成本，采用彩钢瓦、集装箱等相对低廉易整改的建筑材料。当土地地类从植被绿地、水体、道路变化为推土区、城市建筑，则可认定该图斑为疑似违法建设用地或违法建筑。因此，本文研究为了能够有效区分监测用地的变化情况，将样本集的主要类别设置为如下几类(表1)：

样本集类别选择及示例 表1

2.2 卷积神经网络模型

CNN的基本结构由输入层、卷积层、池化层及输出层构成。数据由输入层进入模型，在卷积层通过卷积操作来实现低级特征如边缘、线条等的提取，并进一步在池化层中强化特征信息，最后由全连接层来完成整合，实现最终的兴趣信息发现。

本文参考经典的AlexNet卷积神经网络模型，使用ReLU函数来提升训练速度和降低计算复杂度，并通过Dropout技术在训练过程中将中间层的一些神经元随机设置为0，使模型获得了更好的鲁棒性和减少全连阶层的过拟合。模型包括3个卷积层、1个池化层和3个全连接层，使用3×3卷积核，如图2所示。

图2 卷积神经网络模型结构

2.3 违法变化检测方法

对前时影像和后时影像分别进行分类处理，得到对应的前时影像分类结果R1和后时影像分类结果R2。在分类结果中，设4个分类类别即绿地、水体、建筑、推土的结果像素值分别为x1、x2、x3、x4。对两期影像分类结果R1和R2做求差运算，差值结果R为：

R=R2-R1

(3)

则在R中，地类变化存在违法用地或违法建设可能的情况如表2所示。

疑似违法建设或违法用地变化检测结果对应关系 表2

因此，只要区别表2中的5类变化情况，同时设置绿地、水体之间的变化为未变化，即可区分疑似违法区域的变化情况。为了便于区分，本文研究将绿地、水体的分类结果像素值设置为0，将建筑类设置为2，推土类设置为3，则易知差值影像R中像素置为0的区域为未变化，大于0的(对应1、2或者3)区域为发生了疑似违法变化。

3 卷积网络模型实现与数据测试

本文使用Python语言在PyTorch开发框架下实现了深度学习模型构建和训练，并进行了实验验证。使用计算机为64位Windows10系统，内存32G，GPU型号为GeoForce RTX 2080，显存8G。

样本集按照分类方式设置为4类，每类采集尺寸为50×50像素的样本500张。选取两个不同区域、不同时期的城市无人机正射影像作为实验测试数据，两期影像分别为2019年4月和2020年5月拍摄，实验测试区域与样本选取区域不重叠。具体情况如图3、图4所示：

图3 测试区域A前后时影像情况

图4 测试区域B前后时影像情况

4 推土区图斑发现实验结果及分析

利用本文构建的深度学习模型进行训练后，按本文第2小节思路对测试区域进行了疑似违法区域检测试验，试验结果如图5所示：

图5 疑似违法区域变化检测结果(黑色为非违法区域，白色为疑似违法区域)

通过对A、B两个区域前后时影像的变化情况进行目视判读，对比由图3和图4测试结果可知，在A区域中，前时影像中右侧有明显的推土区域在后时影像中已形成简易建筑，左侧楼房周围有推土区已建成硬化道路，为疑似违法建筑变化类型；在B区域中，有大面积绿地变为推土区，疑似建筑施工前期的土地平整工作，属于疑似违法用地类型，即主要的违法变化区域可以被有效地检测到。

存在的主要问题是，检测结果图斑的边界并不准确，这主要是由于卷积神经网络的特性所决定的：卷积神经网络的优点在于其使用的矩形样本易于采集，在生产作业中，更易于实现样本库的更新维护，效率高且成本低；但矩形样本同样使得分类结果的边界不准确，造成一定的边界精度损失。但另一方面，这也为后期样本库的更新和维护带来了巨大的便利。

5 结 论

违法用地和违法建设已经成为城市治理中的主要问题之一。无人机作为城市违法问题治理的主要手段，其数据的处理效率对执法工作至关重要。当下迅速发展的各类深度学习模型不乏能够取得较高精度的模型，但高精度往往需要前期对于样本数据的更复杂采集和预处理过程。对于追求效率的日常工作来说，花费大量的人力物力来维护样本库和直接通过目视判读发现变化并无太大区别，都无法解决实际问题。

本文基于卷积神经网络模型样本库更新维护更加方便，分类变化检测精度较高的优势，有针对性地进行了样本集类型设置，构建了面向违法变化发现的深度学习模型，并对实际数据进行了测试。测试结果表明，本文提出的方法可以有效地发现疑似违法变化区域，能够为城市治理工作提供支持。