張朝陽, 李 雪,, 劉珠妹

(1. 防災科技學院地質(zhì)工程學院, 河北 廊坊 065201; 2. 中國地震局地震研究所, 湖北 武漢 430071)

0 引言

房屋建筑作為地震災害的主要承災體,其抗震性能直接影響地震造成的經(jīng)濟損失和人員傷亡程度[1]。已有震害統(tǒng)計數(shù)據(jù)表明,在地震及其次生災害中房屋倒塌是造成人員傷亡的首要因素[2],例如2008年汶川8.0級地震共造成536萬余間房屋倒塌,2 100萬余間房屋受損,導致46萬人傷亡,直接經(jīng)濟損失超過8 500億元[3]。因此,全面掌握現(xiàn)有房屋建筑的空間分布及其抗震能力對于摸清地震災害風險底數(shù),預測震害損失,制定應急救援策略等具有十分重要的意義[4]。

傳統(tǒng)房屋抗震能力評估主要是從土木工程結(jié)構(gòu)角度,對房屋的結(jié)構(gòu)類型、樓層高度、墻體材料、使用用途、地基基礎(chǔ)和抗震構(gòu)造措施等方面進行詳細調(diào)查綜合評判[5-7]。傳統(tǒng)方法評估精準,但因評估專業(yè)性強,工作量大,效率不高,難以大范圍開展。而利用遙感影像對房屋的抗震能力進行評估,可以提高房屋抗震能力的判別效率。

當前遙感房屋抗震能力判別主要以經(jīng)驗判別為主,通過人工解譯提取房屋建筑的空間分布,再結(jié)合當?shù)胤课莼厩闆r對其抗震能力進行初步分類[8-9]。然而,獨棟房屋遙感解譯的工作量仍然不小,依靠人工解譯全省或全國的房屋空間分布任務非常艱巨。如何從遙感影像上自動、高效地提取房屋對象,對于提高房屋抗震能力遙感判別效率至關(guān)重要,也是當前全國自然災害風險普查房屋調(diào)查專題急需攻克的關(guān)鍵技術(shù)。

本文擬利用當前遙感圖像處理領(lǐng)域流行的深度學習算法提出一種針對獨棟房屋為對象的遙感自動提取方法,并將其應用于省級范圍的房屋抗震能力調(diào)查,提高房屋抗震能力遙感初判工作的效率與精度。

1 研究方法

1.1 遙感房屋提取深度學習框架

傳統(tǒng)的房屋遙感自動提取方法主要通過設計影像特征提取器,提取遙感影像中房屋對象的紋理、大小、陰影等特征,再通過這些特征對房屋進行分類和分割識別[10-11]。但由于人為設計的特征提取器難以實現(xiàn)提取對象的無偏估計,并且房屋樣式的多樣性增加了特征提取的難度,使得傳統(tǒng)方法的提取精度不高,魯棒性較差[12]。已有研究表明,相比于傳統(tǒng)圖像處理方法,基于卷積神經(jīng)網(wǎng)絡的深度學習方法在遙感圖像分類與目標識別方面具有比較明顯的優(yōu)勢。

當前主流的深度學習圖像目標識別與提取算法主要有區(qū)域法和回歸法兩種類型[13]。由于本文旨在從高分辨率遙感影像上識別并提取獨棟房屋輪廓,因此選擇區(qū)域法中的Mask R-CNN(Mask Region-based Convolutional Neural Network)作為深度學習基礎(chǔ)框架[14]。Mask R-CNN是利用Faster R-CNN檢測影像上的目標對象,獲取對象包容盒[15]。然后利用全卷積神經(jīng)網(wǎng)(FCN,Fully Convolutional Networks for Semantic Segmentation)對包容盒內(nèi)的影像進行分割,獲取目標對象矢量輪廓,實現(xiàn)目標對象的提取(見圖1)。

圖1 Mask R-CNN網(wǎng)絡結(jié)構(gòu)示意圖Fig.1 Mask R-CNN network structure diagram

1.2 多尺度聚合全卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)

由于不同類型房屋在遙感影像上的尺度差異較大,為了提高深度學習算法識別不同尺度大小房屋的能力,本文對原FCN網(wǎng)絡結(jié)構(gòu)進行了改進,在基礎(chǔ)U-Net結(jié)構(gòu)中設置了全鏈接層,構(gòu)造了多尺度聚合的全卷積神經(jīng)網(wǎng)絡(MA-FCN),使其在分割識別時能同時兼顧房屋不同尺度下的影像特征,修改后的網(wǎng)絡結(jié)構(gòu)如圖2所示。

圖2 MA-FCN網(wǎng)絡結(jié)構(gòu)圖Fig.2 MA-FCN network structure diagram

MA-FCN網(wǎng)絡主體包括編碼、跨越鏈接、解碼、多尺度預測和輸出五部分。編碼層對包容盒影像逐層卷積,獲取目標對象不同尺度下的影像特征。解碼層與其相反,通過逐層反卷積,恢復原始目標影像。本文增加的跨越鏈接使得原U-Net網(wǎng)絡可分別在各個尺度下對房屋的影像特征進行學習預測[16-17]。相比僅在最終卷積層進行學習預測的原網(wǎng)絡結(jié)構(gòu),本文方法可以將不同尺度下的房屋影像特征引入到學習訓練中,增強房屋識別的尺度魯棒性。通過多尺度預測將不同尺度的房屋特征進行融合,并輸出最終識別的房屋對象影像特征。

1.3 網(wǎng)絡模型訓練與精度評估

深度學習方法識別獨棟房屋對象需要先利用房屋樣本影像對網(wǎng)絡模型進行訓練,樣本質(zhì)量和訓練參數(shù)設置是影響房屋識別精度的關(guān)鍵。

本文采用人工目視解譯標注方式,在1∶1 000比例尺下勾繪高分辨率遙感影像上的獨棟房屋建筑輪廓,獲取房屋樣本影像。然后對樣本影像柵格像素進行二值化處理,生成黑白標簽影像,其中1表示該像素屬于房屋對象,0表示其屬于非房屋對象。將對應的房屋樣本影像和標簽影像進行標準化分割,建立房屋樣本庫。

本文利用損失函數(shù)Loss和總體精度Acc兩項指標確定網(wǎng)絡模型訓練中的參數(shù)設置。Loss和Acc的計算公式如下:

(1)

(2)

式中:N是總樣本數(shù);yi是第i個樣本所屬類別;pi是第i個樣本的預測值;pii表示預測正確的像素數(shù)量;pij表示總像素數(shù)量。通過Loss和Acc確定網(wǎng)絡模型訓練的迭代次數(shù)和前向/反向傳播樣本數(shù)量。

1.4 房屋抗震能力遙感初判

由于僅依靠遙感影像難以對決定房屋抗震能力具體因素(例如,結(jié)構(gòu)、材質(zhì)、建筑年代、用途等)進行精確識別,因此,本文在自動提取房屋對象的基礎(chǔ)上,借鑒經(jīng)驗估計方法對房屋的抗震能力進行初判,將其劃分為“估計抗震能力達標”“疑似抗震能力不達標”和“疑似抗震能力嚴重不足”三類[18-19]?？傮w技術(shù)流程如圖3所示。

圖3 遙感房屋抗震能力初判流程圖Fig.3 Flow chart of preliminary judgment of remote- sensing seismic reliability of houses

2 實驗與結(jié)果

2.1 實驗數(shù)據(jù)與實驗平臺

本文所用遙感影像為湖北全省18級谷歌影像,影像分辨率約為0.5 m,含有RGB三個波段,單個波段深度為8 bit。全省影像按1比5萬標準圖幅分幅,單幅影像柵格尺寸為46 603×35 744像素。分幅后的全省影像共計510幅,總數(shù)據(jù)量約2.5 TB。

實驗平臺采用lntel(R) Xeon(R) Silver 4210R CPU @ 2.4 GHz處理器,配置256 GB內(nèi)存,搭載雙GPU顯卡,GPU型號為NVIDIA Tesla K80,顯卡內(nèi)存為24 G。軟件環(huán)境方面,本文采用Windows10專業(yè)版64位操作系統(tǒng),使用開發(fā)語言為Python,選擇以TensorFlow框架作為后端的深度學習框架,Keras 作為搭建模型的工具,使用CUDA10.0版本的GPU運算平臺以及cuDNN7.5深度學習GPU加速庫。

2.2 房屋樣本訓練

本文在湖北全省不同市、縣、村選擇了19處進行房屋樣本人工解譯工作,解譯面積近300 km2,解譯獨棟房屋對象共計5萬余棟,并制作了房屋樣本影像和對應的標簽影像。按512×512像素尺寸對樣本影像和標簽影像進行標準化分塊,生成近1.1萬個獨棟房屋樣本。

隨機挑選十分之一的房屋樣本作為驗證集,其余作為訓練集,并將其用于房屋自動提取深度學習網(wǎng)絡模型訓練。迭代次數(shù)設定為60次,前向/反向傳播樣本數(shù)量設置為8,訓練精度如圖4所示。訓練集初次迭代時Loss大于0.4,Acc約為0.9,當?shù)^50次以后,Loss和Acc均趨于平穩(wěn),其中Loss穩(wěn)定在0.05左右,而Acc穩(wěn)定在0.99左右。驗證集初次迭代時Loss大于0.3,Acc約為0.93,當?shù)螖?shù)增加時,Loss和Acc相比于訓練集其在收斂趨勢下存在一定的波動。迭代50次以后,Loss和Acc逐漸趨于平穩(wěn),Loss保持在0.07左右,而Acc穩(wěn)定在0.97左右。房屋樣本網(wǎng)絡模型訓練單次迭代用時約15 min,總訓練耗時近15 h。

圖4 房屋提取模型訓練準確率和損失值Fig.4 Training accuracy and loss value of building extraction model

2.3 獨棟房屋提取與抗震能力初判

將訓練好的深度學習網(wǎng)絡模型對湖北全省高分辨率遙感影像進行房屋對象識別,并對識別后的房屋對象進行矢量化和邊界規(guī)則化處理。單幅影像房屋識別處理時間約為10 min,全省房屋識別總耗時近85 h。城市地區(qū)和農(nóng)村地區(qū)獨棟房屋識別效果如圖5所示。自動提取湖北全省房屋建筑總計約1 060萬余棟。

圖5 房屋提取效果圖(上排為原始影像,下排紅色區(qū)域為自動提取后的房屋目標)Fig.5 Building extraction results (The uppers are original images,and the red areas in the bottom are extracted house targets)

利用遙感影像和經(jīng)驗估計方法對湖北全省房屋對象的抗震能力進行人工初判,估計抗震能力達標的房屋約為35.3%,疑似抗震能力不達標的房屋約為47.7%,疑似抗震能力嚴重不足的房屋約為17.0%。湖北省17個地市州的房屋抗震能力判別結(jié)果如圖6所示。

圖6 湖北省各地市州房屋抗震能力遙感初判結(jié)果統(tǒng)計圖Fig.6 Statistical map of preliminary judgment results of remote-sensing seismic capacity of houses in cities and prefectures of Hubei Province

3 分析與討論

3.1 房屋自動提取誤差

本文以湖北省黃岡市英山縣房屋抗震能力遙感初判試點工作報告[20]中人工解譯統(tǒng)計的房屋數(shù)據(jù)與本次自動提取的房屋數(shù)據(jù)進行了對比,結(jié)果如表1所列。人工解譯的英山縣房屋數(shù)量為85 852棟,本文自動提取的房屋數(shù)量為86 775棟,總誤差約為1.1%。

表1 英山縣人工解譯與自動提取房屋誤差統(tǒng)計表Table 1 Statistical table of errors between manual interpret- ation and automatic extraction of buildings in Yingshan County

英山縣大部分鄉(xiāng)鎮(zhèn)房屋自動提取誤差總體在10%以內(nèi),方家咀鄉(xiāng)、南河鎮(zhèn)和溫泉鎮(zhèn)等個別鄉(xiāng)鎮(zhèn)房屋自動提取數(shù)量與人工統(tǒng)計結(jié)果差異較大。誤差增大的原因主要有影像成像質(zhì)量差異和房屋光譜紋理混淆。由于本文所用的谷歌影像為不同空間分辨率的遙感衛(wèi)星在不同季節(jié)獲取的影像拼接而成,導致局部地區(qū)存在明顯色差[如圖7(a)]。此外,部分地物在影像上的光譜和紋理特征與房屋類似(例如,光伏電池板,蔬菜大棚等[如圖7(b)],導致算法提取房屋對象時發(fā)生誤提或漏提。如要提高上述問題影像的房屋識別精度,需要分別在不同色差和房屋混淆影像上選取足夠數(shù)量的正/負樣本,再對網(wǎng)絡模型進行補充訓練。

圖7 影像質(zhì)量差異與地物光譜混淆Fig.7 Image quality difference and spectral confusion of ground objects

3.2 房屋抗震能力判別誤差

本文利用湖北省黃岡市黃梅縣2019年人工現(xiàn)場調(diào)查的農(nóng)村貧困戶房屋鑒定數(shù)據(jù)對遙感初判的房屋抗震能力進行了一致性檢驗。黃梅縣人工調(diào)查房屋總數(shù)約2.3萬棟,調(diào)查內(nèi)容包括房屋結(jié)構(gòu)、層數(shù)、墻體材料、屋面類型及材料、地基基礎(chǔ)、承重墻、抗震構(gòu)造措施等。綜合歸類后將其分為估計抗震能力達標、疑似抗震能力不達標和疑似抗震能力嚴重不足三類,每類房屋調(diào)查數(shù)量分別為0.3萬余棟、1.5萬余棟和0.5萬余棟。將其與本文提取的房屋進行空間疊加分析后,對本文遙感初判的房屋抗震能力分類精度統(tǒng)計如圖8所示,其中估計抗震能力達標的房屋遙感初判總體精度約為90.9%,疑似抗震能力不達標的約為72.3%,疑似抗震能力嚴重不足的約為85.4%。

圖8 黃梅縣部分房屋抗震能力遙感初判誤差Fig.8 Errors of the preliminary judgment for seismic reliability of buildings in Huangmei County

統(tǒng)計方式也會造成統(tǒng)計結(jié)果與實際情況的不一致。本文實驗結(jié)果為按房屋棟數(shù)統(tǒng)計結(jié)果,如按房屋占地面積統(tǒng)計,則湖北省三類房屋比例分別為40.4%、44.5%、15.1%。由于抗震能力達標的建筑多為按抗震規(guī)范建設的高層住宅,以及大型商場、車站等城市公共建筑,而抗震能力嚴重不足的房屋多為城中村和農(nóng)村的低矮自建房。因此,如按建筑面積統(tǒng)計,則估計抗震能力達標的房屋占比將進一步提升。

4 結(jié)論

本文基于深度學習網(wǎng)絡模型算法提出一種獨棟房屋遙感自動提取方法,并將該方法應用于省級范圍的房屋抗震能力遙感初判。經(jīng)實驗后,對房屋自動提取誤差和房屋抗震能力遙感初判誤差進行了分析討論,得出如下結(jié)論:

(1) 相比于傳統(tǒng)的人工解譯方式,基于深度學習的遙感房屋自動提取技術(shù)可以極大提高獨棟房屋輪廓及其空間分布的解譯效率,適合用于大范圍的房屋調(diào)查。

(2) 房屋自動提取的精度受限于遙感影像成像質(zhì)量和房屋樣本的準確性和全面性。如要進一步提高房屋識別精度,需在不同質(zhì)量影像上充分選取足夠的正負樣本。

(3) 僅依靠遙感影像和經(jīng)驗估計方法可以從宏觀上判別區(qū)域內(nèi)房屋抗震能力的基本情況。如要提高判別準確性,或?qū)Ψ课莸目拐鹉芰M行更細致的分類判別,則需要更多的輔助數(shù)據(jù)加入。