馮振儉 薛翻琴 黃國航

【摘 要】文章結(jié)合工程建設項目“多測合一”改革中存在的問題，從智能化數(shù)據(jù)融合處理、智能化數(shù)據(jù)比對兩個方面，提出了智能化“多測合一”綜合管理關鍵技術路線，詳細闡述了如何構(gòu)建二三維多源自適配模型和智能化空間數(shù)據(jù)處理模型，解決工程建設項目“多測合一”改革中遇到的多源異構(gòu)二三維數(shù)據(jù)融合效率低問題，并提升“多測合一”工程建設項目測繪審批效率，為“多測合一”智能化管理提供參考。

【關鍵詞】多測合一;綜合管理;智能化

【中圖分類號】P208 【文獻標識碼】A 【文章編號】1674-0688（2021）07-0026-03

0 引言

為了貫徹落實中央、自然資源部重要文件精神，深入推進“放管服”改革，優(yōu)化營商環(huán)境，更好地服務建設單位，全國各地陸續(xù)開展工程建設項目審批的“多測合一”改革工作，解決現(xiàn)有流程中存在的重復測繪、無數(shù)據(jù)共享、標準不統(tǒng)一、成果無法再利用問題等問題?！岸鄿y合一”就是將建設工程各階段涉及的測繪服務項目整合成為一個綜合性聯(lián)合測繪項目，委托一家具備相應測繪資質(zhì)的測繪服務機構(gòu)采用統(tǒng)一的測繪標準實施全過程測繪服務，達到避免重復測繪、減輕企業(yè)負擔、優(yōu)化營商環(huán)境的目的，實現(xiàn)“一次委托、統(tǒng)一測繪、成果共享”[1]。

在工程建設項目“多測合一”改革前，建設項目立項用地規(guī)劃許可到竣工驗收和辦理不動產(chǎn)登記過程中涉及的測繪業(yè)務眾多，驗收環(huán)節(jié)多，審批流程煩瑣。一個建設項目需多次委托多個測繪單位開展測繪工作，由于各測繪單位之間相對獨立，因此采用的技術標準不統(tǒng)一，基礎測繪成果不能在各部門間共享，導致一個項目的多個測繪成果存在多源異構(gòu)數(shù)據(jù)空間位置不匹配的問題，嚴重影響審批的效率和結(jié)果。在現(xiàn)階段工程建設項目審批中，需要人工對比各類影像間、規(guī)劃間的沖突問題，比如判斷不動產(chǎn)實測和規(guī)劃條件核實兩類數(shù)據(jù)有無差異、是否符合審批標準等，耗時長，工作量大，影響工程建設項目審批效率。項目從開始到結(jié)束涉及的大多數(shù)測繪項目都是相通的，前一項測繪項目的成果大多是下一項測繪項目的原始數(shù)據(jù)，如果能實現(xiàn)標準統(tǒng)一、信息共享或者直接委托一家測繪單位全流程測繪服務，那么將提高工作效率、減少重復測繪、節(jié)約測繪成本，進而達到項目全面提速增效的目的[2]。

1 研究內(nèi)容

針對“多測合一”數(shù)據(jù)融合過程中存在的多源異構(gòu)數(shù)據(jù)空間位置不匹配的問題，在空地聯(lián)合定向配準的基礎上，融合機載三維激光點云精細建模技術，通過優(yōu)化二三維數(shù)據(jù)空間匹配算法，自主研發(fā)多源異構(gòu)數(shù)據(jù)融合自適配模型，實現(xiàn)二三維多源異構(gòu)數(shù)據(jù)智能化融合匹配，提升“多測合一”數(shù)據(jù)配準精度與融合效率。

綜合利用大數(shù)據(jù)、人工智能技術，基于孿生神經(jīng)網(wǎng)絡架構(gòu)，優(yōu)化卷積神經(jīng)網(wǎng)絡的Mask R-CNN和Faster R-CNN建模處理算法，建立空間智能化比對分析模型，提升“多測合一”多源異構(gòu)空間數(shù)據(jù)的比對效率，實現(xiàn)工程建設項目“多測合一”成果數(shù)據(jù)的智能比對、智能審批。

2 主要技術路線

2.1 研發(fā)二三維多源異構(gòu)數(shù)據(jù)自適配模型

在開展“多測合一”改革工作中，需要整合來自不同部門、不同數(shù)據(jù)結(jié)構(gòu)的二三維數(shù)據(jù)，由于數(shù)據(jù)的來源不統(tǒng)一、技術標準不一致等，導致數(shù)據(jù)坐標存在偏差，無法完全精準匹配融合，在工程建設項目審批時，需要人工對數(shù)據(jù)進行坐標糾正，影響建設項目審批的效率。利用“空地聯(lián)合影像定向配準技術+三維激光點云融合精細三維實景建?！毕嘟Y(jié)合的方法，研發(fā)了二三維多源異構(gòu)數(shù)據(jù)自適配模型，實現(xiàn)將無人機低空傾斜攝影、機載激光雷達掃描、BIM等三維數(shù)據(jù)與規(guī)劃核實、不動產(chǎn)實測、勘測定界等二維數(shù)據(jù)的自動聯(lián)合定向配準，解決了二三維多源異構(gòu)數(shù)據(jù)空間位置高精度自動適配的難題，極大地減少“多測合一”成果數(shù)據(jù)整合處理工作量，有效提升建設項目審批效率。

2.2 建立智能化空間數(shù)據(jù)處理模型

為快速地解決“多測合一”在各個測繪成果質(zhì)檢過程中需要對比各類影像間、規(guī)劃間的沖突問題，基于孿生神經(jīng)網(wǎng)絡（Siamese Network）架構(gòu)模式，通過數(shù)據(jù)預處理、多尺度訓練、使用多尺度感受野、數(shù)據(jù)重塑、優(yōu)化框架等方式，分別優(yōu)化了人工智能算法，建立智能化空間數(shù)據(jù)處理模型，實現(xiàn)測繪成果智能化比對，在“多測合一”業(yè)務審批方面極大地提升了業(yè)務審批效率，減少人工進行業(yè)務數(shù)據(jù)比對的工作量，解決了“多測合一”改革工作中審批提速難的問題。智能化空間數(shù)據(jù)處理模型總體架構(gòu)圖如圖1所示。

3 模型具體設計

3.1 二三維多源異構(gòu)數(shù)據(jù)自適配模型設計

自適配模型的主要內(nèi)容是通過三維激光點云采集的地物高精度三維點位坐標對采集精度不高的數(shù)據(jù)進行自動坐標糾正轉(zhuǎn)換，主要原理是根據(jù)同名點二元雙三次多項式空間坐標轉(zhuǎn)換算法，對轉(zhuǎn)換模型參數(shù)進行優(yōu)化解算，形成二三維多源異構(gòu)數(shù)據(jù)自適配模型，并將模型集成至“多測合一”綜合管理平臺的二三維一體化數(shù)據(jù)生成子系統(tǒng)中。

（1）確定轉(zhuǎn)換模型。從轉(zhuǎn)換精度、轉(zhuǎn)換效率、易編程性等方面考慮，本地區(qū)采用二元雙三次多項式模型作為坐標轉(zhuǎn)換的數(shù)學模型。二元雙三次多項式模型表達式如下：

X80=X0+■■A■■（X54-X0）i（Y54-Y0）j

Y80=Y0+■■A■■（X54-X0）i（Y54-Y0）j

其中，X0、Y0為模型所使用的坐標原點X0=25 000 km=

2 500 000 m，Y0=500 km=500 000 m。

（2）構(gòu)建動態(tài)坐標轉(zhuǎn)換算法。通過對每幅影像進行逐像素轉(zhuǎn)換，利用二元雙三次多項式計算對應的坐標值，再利用仿射變換原理將該像素點移動到計算值處，根據(jù)像素坐標位置進行動態(tài)疊加運算，實現(xiàn)影像數(shù)據(jù)與矢量數(shù)據(jù)的轉(zhuǎn)換匹配。通過多源異構(gòu)數(shù)據(jù)精確匹配融合糾正方法，形成統(tǒng)一數(shù)據(jù)標準的二三維多源異構(gòu)數(shù)據(jù)自適配模型。

3.2 智能化空間數(shù)據(jù)比對分析模型設計

Yann Lecun[3]于1998年提出了卷積神經(jīng)網(wǎng)絡的雛形，Krizhevsky等人[4]在2012年的Imagenet圖像識別大賽中引入了隨機失活方法和全新的卷積深層結(jié)構(gòu)，在CNNs中成功應用了隨機失活（Dropout）、線性整流函數(shù)（ReLU）和局部響應歸一化層（LRN）等技巧，將深度學習引入計算機圖像對比中。本項目建立智能化多源異構(gòu)數(shù)據(jù)框架，基于影像數(shù)據(jù)的特點，對模型優(yōu)化和改進：一是對數(shù)據(jù)進行剪裁，進行多尺度條件下的訓練與測試;二是使用多尺度感受野，有效提取輸入信息;三是對數(shù)據(jù)進行重塑，降低分辨率。

3.2.1 Faster R-CNN模型設計

采用孿生神經(jīng)網(wǎng)絡（Siamese Network）框架處理影像數(shù)據(jù)對比，使用基于卷積神經(jīng)網(wǎng)絡的Mask R-CNN的建模處理影像數(shù)據(jù)對比矢量數(shù)據(jù)和，并針對影像數(shù)據(jù)特點進行優(yōu)化。創(chuàng)新研發(fā)了智能化的多源異構(gòu)數(shù)據(jù)處理與分析模型，在“多測合一”業(yè)務審批方面極大地提升了業(yè)務審批效率，減少人工進行業(yè)務數(shù)據(jù)比對的工作量，解決了“多測合一”改革工作中的審批提速難的問題。

3.2.2 Mask R-CNN模型設計

Mask R-CNN是一個在Faster R-CNN的基礎上演變改良而來的實例分割框架，與Faster R-CNN不同的是，Mask R-CNN通過添加mask進行實例分割，也就是說，F(xiàn)aster R-CNN僅限于可以實現(xiàn)分類和目標檢測，而Mask R-CNN可以將識別到的物體輪廓分割出來。Mask R-CNN網(wǎng)絡主要模塊由ResNet-101、FPN、RPN、ROI Align、ROIPooling組成（如圖2所示）。

ResNet-101是一個殘差網(wǎng)絡，作用是優(yōu)化神經(jīng)網(wǎng)絡，通過增加深度提高神經(jīng)網(wǎng)絡的準確率，主要目的是解決“退化”問題，從而提高神經(jīng)網(wǎng)絡的性能，在本項目中，采用多尺度的感受野（卷積核）獲取地物信息。

在圖像檢測過程中，不同的物體具有不同的尺寸，使用以往的圖像金字塔網(wǎng)絡FPN（Feature Pyramid Network）進行檢測，可以縮放圖像比例，使卷積神經(jīng)網(wǎng)絡處理起來更加容易。但是，金字塔網(wǎng)絡的每一層在提取特征的時候存在局限性，使運算耗時大大提高，而且非常消耗顯存，而Mask RCNN具有自上而下和橫向連接的金字塔架構(gòu)，可解決這些問題。自上而下的路徑分析通過向更高的金字塔進行特征采樣，從而獲得更高分辨率的特征;而通過橫向連接，這些提取的特征從下到上都得到了增強;FPN網(wǎng)絡可得到高分辨率、強語義的特征。FPN網(wǎng)絡結(jié)構(gòu)如圖3所示。

ROI Pooling具有提取興趣區(qū)域的功能，但在提取圖像感興趣區(qū)域過程中，經(jīng)過多次量化并取整，像素會出現(xiàn)較大的偏差，這必然對后層的定位產(chǎn)生影響。于是，產(chǎn)生了替代方案——ROI Align。

ROI Align是一種區(qū)域特征聚集方式。在對圖像檢測過程中，其引入了一個插值過程，解決了ROI Pooling操作中兩次量化造成的區(qū)域不匹配問題，并且將mask的精度從10%顯著提高到50%

3.3 模型訓練

模型訓練的數(shù)據(jù)集為10 000例，將數(shù)據(jù)集按7∶3的比例隨機生成訓練驗證集和測試集。實驗在NVIDIA Titan X GPU配置的Ubuntu16.04系統(tǒng)上完成，在PyTorch深度學習框架上進行，使用隨機梯度下降算法更新權值，將初始學習率設置為0.001，經(jīng)過5 000次迭代后，減少學習率為0.000 1，迭代1萬次結(jié)束訓練。

4 總結(jié)

在工程建設項目審批中，需要人工對比各類影像間、規(guī)劃間的沖突問題，比如判斷不動產(chǎn)實測和規(guī)劃條件核實兩類數(shù)據(jù)有無差異、是否符合審批標準等，耗時長、工作量大，影響工程建設項目審批效率。為解決工程建設項目審批提速難題，在集成的云端人工智能方法的基礎上，分別優(yōu)化了Faster RCNN算法和基于孿生神經(jīng)網(wǎng)絡（Siamese Network）架構(gòu)模式下的MaskRCNN算法，提升了對多源異構(gòu)數(shù)據(jù)目標檢測和語義分割的準確率，通過大量的數(shù)據(jù)訓練，數(shù)據(jù)分析準確率分別高達98.7%和97.3%。在GPU Titan X上的處理速度可達5 ms/幀和10 ms/幀，遠高于傳統(tǒng)處理數(shù)據(jù)的速度。此技術的應用將實現(xiàn)工程建設項目多源異構(gòu)測繪成果數(shù)據(jù)的智能比對、快速融合、智能審批，解決了工程建設項目測繪成果從項目立項到竣工驗收全流程的跨部門整合、審批提速難的問題。

基于智能化“多測合一”綜合管理平臺開展建設項目測繪業(yè)務委托，將原有的委托不同測繪服務機構(gòu)實施不同類型的專項測繪，簡化成一次委托、統(tǒng)一測繪，簡化了建設單位的辦事流程，同時線上辦理的模式也讓建設單位少跑路，節(jié)約了人力、時間和資金;實行“多測合一”，提高了測繪市場的準入門檻，加劇了測繪市場的競爭，也推動測繪服務機構(gòu)逐步從單一內(nèi)容的服務向多類型服務發(fā)展、從提供某一種產(chǎn)業(yè)活動向提供多種產(chǎn)業(yè)活動發(fā)展，測繪服務機構(gòu)“紅黑榜”的建立，有效解決了以往對工程建設項目測繪質(zhì)量監(jiān)督難的問題，進一步促進了地理信息產(chǎn)業(yè)健康發(fā)展。

參 考 文 獻

[1]國務院辦公廳.關于全面開展工程建設項目審批制度改革的實施意見（國辦發(fā)〔2019〕11號）[Z].2019.

[2]吳乾坤，孟俊俊.關于建設工程項目開展“多測合一”的探討[J].城市勘測，2020（4）：175-177.

[3]Lecun Y，Bottou L.Gradient-based learning applied to document recognition[J].Proceedings of the IE-

EE，1998，86（11）：2278-2324.

[4]Krizhevsky A.One weird trick for parallelizing convolutional neural networks[J].arXiv，2014（5）：1404-

1497.