摘 要：【目的】針對(duì)建筑物動(dòng)態(tài)監(jiān)測(cè)的需求，綜合分析深度學(xué)習(xí)技術(shù)在變化發(fā)現(xiàn)中的應(yīng)用案例，提出了一種基于深度學(xué)習(xí)的建筑物快速變化監(jiān)測(cè)技術(shù)路線?！痉椒ā恳远嘣础⒍鄷r(shí)相遙感影像和地理國(guó)情監(jiān)測(cè)等專題數(shù)據(jù)為數(shù)據(jù)源，進(jìn)行建筑物變化樣本標(biāo)注，建立建筑物變化檢測(cè)樣本集?；谧兓瘷z測(cè)樣本集，采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建和優(yōu)化算法模型，進(jìn)行建筑物變化信息提取。【結(jié)果】選擇研究區(qū)，利用優(yōu)化后的建筑物變化檢測(cè)算法模型進(jìn)行建筑物變化信息提取，準(zhǔn)確率為79.07%，召回率為74.60%。【結(jié)論】基于深度學(xué)習(xí)的變化檢測(cè)技術(shù)效果較為理想，能顯著提升效率，可為自然資源調(diào)查監(jiān)測(cè)、城市規(guī)劃和體檢等提供數(shù)據(jù)和技術(shù)支撐。

關(guān)鍵詞：變化檢測(cè)；深度學(xué)習(xí)；建筑物；遙感影像

中圖分類號(hào)：P237 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1003-5168（2024）19-0104-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.19.021

Research on Building Change Detection Technology Based on

Deep Learning

YE Pingping TONG Xin

（Gansu Geomatic Information Center，Lanzhou 730000，China）

Abstract： [Purposes] In response to the demand for dynamic monitoring of buildings， a deep learning based rapid change monitoring technology route for buildings is proposed by comprehensively analyzing the application cases of deep learning technology in change discovery. [Methods] Based on multi-source and multi-temporal remote sensing images and thematic data such as geographical conditions monitoring， the building change samples are labeled and the building change detection sample set is established. [Findings] The study area is selected， and the building change detection algorithm model is optimize and use to extract building change information with an accuracy of 79.07% and a recall rate of 74.60%. [Conclusions] The results indicate that the change detection technology based on deep learning has a relatively ideal effect and can significantly improve efficiency， providing data and technical support for natural resource investigation and monitoring， urban planning， and physical examinations.

Keywords： change detection; deep learning; building; remote sensing images

0 引言

建筑物是人類生產(chǎn)生活的主要場(chǎng)所，在自然資源監(jiān)測(cè)中，建筑物一直是重要的監(jiān)測(cè)對(duì)象，建筑物的變化與經(jīng)濟(jì)社會(huì)發(fā)展息息相關(guān)。利用遙感技術(shù)，開(kāi)展建筑物動(dòng)態(tài)監(jiān)測(cè)，及時(shí)掌握建筑物的變化信息，對(duì)城市發(fā)展和規(guī)劃等具有重要意義。

在遙感領(lǐng)域中，變化檢測(cè)研究是指通過(guò)分析兩幅在不同時(shí)間獲取的包含同一區(qū)域的影像，獲取地表變化情況的過(guò)程［1］。遙感變化檢測(cè)技術(shù)先后經(jīng)歷人工目視解譯、人機(jī)交互式解譯、半自動(dòng)解譯等階段。近年來(lái)，隨著人工智能、神經(jīng)網(wǎng)絡(luò)、云計(jì)算、大數(shù)據(jù)等相關(guān)理論和技術(shù)的快速發(fā)展，深度學(xué)習(xí)，尤其是卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域取得了重大突破和進(jìn)展，遙感領(lǐng)域也逐漸引入深度學(xué)習(xí)應(yīng)用于目標(biāo)識(shí)別、變化檢測(cè)等任務(wù)場(chǎng)景中。相較于其他變化檢測(cè)方法，深度學(xué)習(xí)在提高解譯準(zhǔn)確性的同時(shí)，減少了像素分割環(huán)節(jié)和特征提取的時(shí)間，提升了解譯工作效率。

本研究以白銀市白銀區(qū)為研究區(qū)，利用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)，提取2018、2019年兩期影像中建筑物變化信息，探索形成建筑物變化檢測(cè)技術(shù)，為執(zhí)法督察、城市國(guó)土空間監(jiān)測(cè)、城市體檢等提供遙感技術(shù)和數(shù)據(jù)支撐。

1 研究區(qū)概況

白銀區(qū)隸屬于甘肅省白銀市，位于黃河中上游，甘肅腹地，是白銀市的政治、經(jīng)濟(jì)和文化中心，同時(shí)也是中國(guó)重要的有色金屬基地之一和甘肅省重要的能源化工基地。白銀區(qū)東接靖遠(yuǎn)縣、北與景泰縣接壤、南臨黃河、與蘭州市榆中縣隔河相望，西與蘭州市皋蘭縣毗鄰，介于東經(jīng)103°53′24″～104°24′55″，北緯36°14′38″～36°47′29″。

2 建筑物變化檢測(cè)技術(shù)路線

本研究以多源遙、多時(shí)相遙感影像為數(shù)據(jù)源，進(jìn)行樣本標(biāo)注，建立建筑物變化檢測(cè)樣本數(shù)據(jù)集?；跇颖緮?shù)據(jù)集，構(gòu)建變化檢測(cè)模型并進(jìn)行優(yōu)化訓(xùn)練，形成適用于建筑物變化檢測(cè)的專用模型，進(jìn)行建筑物變化信息的提取，形成建筑物變化檢測(cè)的技術(shù)體系。具體流程如圖1所示。

2.1 數(shù)據(jù)來(lái)源與處理

2.1.1 多源遙感影像。本研究采用的多源遙感影像包括資源系列，高分系列等國(guó)產(chǎn)衛(wèi)星遙感影像。對(duì)獲取的多源、多時(shí)相影像數(shù)據(jù)進(jìn)行正射糾正、融合、勻光勻色、鑲嵌、拼接裁切等處理，使研究區(qū)內(nèi)影像連續(xù)完整、清晰易讀、反差適中、色調(diào)均勻［2］，以保證同類地物光譜特征的一致性，提高變化檢測(cè)的準(zhǔn)確率。影像經(jīng)過(guò)處理后，可以作為樣本標(biāo)注和變化檢測(cè)的基底影像。

2.1.2 專題數(shù)據(jù)。包括地理國(guó)情監(jiān)測(cè)、第三次全國(guó)國(guó)土調(diào)查等數(shù)據(jù)。對(duì)專題資料進(jìn)行坐標(biāo)變換、格式轉(zhuǎn)化、空間匹配等處理，形成項(xiàng)目開(kāi)展的空間一體化基礎(chǔ)數(shù)據(jù)資料。處理后的資料主要用于輔助樣本標(biāo)注。

2.2 樣本數(shù)據(jù)集構(gòu)建

樣本的數(shù)量和典型性是影響影像識(shí)別的關(guān)鍵。本研究主要針對(duì)建筑物進(jìn)行變化檢測(cè)，由于甘肅省東西橫跨1 600 km，地貌復(fù)雜多樣，不同區(qū)域建筑物在影像上的特征表現(xiàn)不一致，為保證樣本的典型性和可分離性，樣本采集的時(shí)候要從不同的區(qū)域分別選取適量的樣本。

基于多源、多時(shí)相遙感影像，以工程化的方式進(jìn)行樣本采集工作，生成標(biāo)準(zhǔn)格式的樣本數(shù)據(jù)。導(dǎo)入已經(jīng)采集的樣本數(shù)據(jù)，加工為應(yīng)用于深度學(xué)習(xí)的瓦片樣本數(shù)據(jù)。構(gòu)建建筑物變化檢測(cè)樣本數(shù)據(jù)集，為深度學(xué)習(xí)提供重要的解譯樣本支撐。

樣本數(shù)據(jù)集按照8∶2的比例分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集用于對(duì)模型進(jìn)行優(yōu)化訓(xùn)練，驗(yàn)證集用于對(duì)模型訓(xùn)練效果進(jìn)行檢測(cè)。

2.3 變化檢測(cè)技術(shù)——深度學(xué)習(xí)技術(shù)

在變化檢測(cè)技術(shù)發(fā)展的初始階段，由于影像分辨率低，主要是使用差值法，通過(guò)對(duì)兩期影像中的同名像元的光譜灰度值進(jìn)行計(jì)算，利用閾值來(lái)獲取變化信息。這種方法容易受到外界因素影響，而影像預(yù)處理的精細(xì)程度對(duì)變化檢測(cè)結(jié)果干擾較大。20世紀(jì)90年代后，隨著支持向量機(jī)、隨機(jī)森林等方法的面世，通過(guò)機(jī)器學(xué)習(xí)結(jié)合不同影像特征提高了檢測(cè)精度，與人工核驗(yàn)相比所花費(fèi)的時(shí)間也大大減少［3］。21世紀(jì)初始，面向?qū)ο蟮姆椒ǔ蔀闊狳c(diǎn)，其基本思想是首先通過(guò)分割技術(shù)得到多邊形對(duì)象，其次計(jì)算對(duì)象的光譜、紋理、形狀等特征，最后運(yùn)用分類器實(shí)現(xiàn)面向?qū)ο蠓诸悾?］。

2010年以后，深度學(xué)習(xí)逐漸進(jìn)入大眾視野，利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行目標(biāo)識(shí)別和變化信息提取已然優(yōu)于傳統(tǒng)方式［5］。Minh等［6］于2010年首次將深度學(xué)習(xí)應(yīng)用于遙感領(lǐng)域，利用深度信息網(wǎng)絡(luò)模型對(duì)機(jī)載影像進(jìn)行道路的目標(biāo)識(shí)別。之后，很多研究人員將深度學(xué)習(xí)應(yīng)用于衛(wèi)星遙感影像目標(biāo)地物監(jiān)測(cè)和變化信息監(jiān)測(cè)中［7］。陳一鳴等［8］基于深度學(xué)習(xí)方法U-net神經(jīng)網(wǎng)絡(luò)原理設(shè)計(jì)了一種新的網(wǎng)絡(luò)結(jié)構(gòu)，并采用隨機(jī)梯度下降與Momentum組合的優(yōu)化方法訓(xùn)練深度學(xué)習(xí)模型實(shí)現(xiàn)語(yǔ)義級(jí)別的圖像分割。

深度學(xué)習(xí)技術(shù)的主要思想是基于神經(jīng)網(wǎng)絡(luò)進(jìn)行信息識(shí)別［9］，通過(guò)對(duì)大量的樣本數(shù)據(jù)進(jìn)行不斷迭代訓(xùn)練，獲取適用于某類地物的最優(yōu)參數(shù)，并利用網(wǎng)絡(luò)框架通過(guò)輸入影像數(shù)據(jù)獲取地物分類或者變化信息。

深度學(xué)習(xí)基于多源多時(shí)相影像的空間和上下文信息學(xué)習(xí)分層特征，對(duì)影像特征進(jìn)行分層提取，從低層到高層，由簡(jiǎn)單特征到復(fù)雜特征［10］，提高自身的魯棒性和泛化能力，實(shí)現(xiàn)變化信息檢測(cè)。因其具有端對(duì)端的結(jié)構(gòu)，可以從不同時(shí)間段的遙感影像中獲得變化檢測(cè)結(jié)果［3，11］。

2.4 算法模型構(gòu)建與優(yōu)化

建立變化檢測(cè)的算法模型是深度學(xué)習(xí)的關(guān)鍵步驟，其中，最常見(jiàn)的深度學(xué)習(xí)網(wǎng)絡(luò)框架為卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）?；诰矸e神經(jīng)網(wǎng)絡(luò)卷積計(jì)算特點(diǎn)，該網(wǎng)絡(luò)被廣泛用于處理柵格類型數(shù)據(jù)［12］，在測(cè)繪及相關(guān)領(lǐng)域中卷積神經(jīng)網(wǎng)絡(luò)被應(yīng)用于遙感影像解譯［13］。卷積神經(jīng)網(wǎng)絡(luò)充分利用影像的空間信息，有效地減少模型的參數(shù)數(shù)量［14］，對(duì)于復(fù)雜問(wèn)題有優(yōu)秀的分線性歸納學(xué)習(xí)能力［15］。

算法模型構(gòu)建：基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建基礎(chǔ)的建筑物變化檢測(cè)算法模型。

算法模型優(yōu)化：通過(guò)建立“訓(xùn)練-解譯-剔除”的漸進(jìn)式、不斷循環(huán)的策略，實(shí)現(xiàn)模型的迭代優(yōu)化。具體方法為：基于建筑物變化檢測(cè)樣本數(shù)據(jù)集，通過(guò)對(duì)模型的參數(shù)進(jìn)行動(dòng)態(tài)調(diào)節(jié)，選擇合適的參數(shù)數(shù)值，對(duì)基礎(chǔ)算法模型進(jìn)行優(yōu)化；基于優(yōu)化后的算法模型，對(duì)區(qū)域進(jìn)行預(yù)測(cè)，使用預(yù)測(cè)結(jié)果對(duì)樣本數(shù)據(jù)集進(jìn)行修正，剔除噪聲樣本，形成新的樣本集。通過(guò)不斷迭代優(yōu)化，最終得出效果較好的建筑物變化檢測(cè)模型。

3 建筑物變化信息提取

3.1 建筑物變化信息提取

本研究以白銀區(qū)2018、2019年兩期影像遙感影像為數(shù)據(jù)源，采用深度學(xué)習(xí)技術(shù)，基于建筑物變化檢測(cè)模型，對(duì)建筑物變化信息進(jìn)行快速提取，獲取建筑物變化圖斑。

3.2 精度評(píng)價(jià)

變化檢測(cè)的本質(zhì)是確認(rèn)影像是否發(fā)生變化。對(duì)于變化檢測(cè)的結(jié)果，可以使用科學(xué)的評(píng)價(jià)指標(biāo)來(lái)進(jìn)行評(píng)價(jià)。這些指標(biāo)都可以通過(guò)變化檢測(cè)的混淆矩陣來(lái)進(jìn)行計(jì)算（見(jiàn)表1）。

其中，TP表示算法模型預(yù)測(cè)為變化區(qū)域并且實(shí)際也為變化區(qū)域的數(shù)量；FP表示算法模型預(yù)測(cè)為變化區(qū)域但是實(shí)際未發(fā)生變化區(qū)域的數(shù)量；FN表示算法模型預(yù)測(cè)為未發(fā)生變化區(qū)域但是實(shí)際為變化區(qū)域的數(shù)量。

本研究選取了比較常見(jiàn)的幾種評(píng)價(jià)指標(biāo)，準(zhǔn)確率precision，召回率recall，綜合評(píng)價(jià)指標(biāo)F1-score。

準(zhǔn)確率：反映模型檢測(cè)準(zhǔn)確率，即預(yù)測(cè)為變化區(qū)域并且實(shí)際也為變化區(qū)域的圖斑個(gè)數(shù)與預(yù)測(cè)為變化的圖斑總數(shù)的比值，計(jì)算公式為式（1）。

precision=TP/（TP+FP） （1）

召回率：反映模型查全率，即預(yù)測(cè)為變化區(qū)域并且實(shí)際也為變化區(qū)域的圖斑個(gè)數(shù)與實(shí)際為變化的圖斑總數(shù)的比值，計(jì)算公式為式（2）。

recall= TP/（TP+FN） （2）

綜合評(píng)價(jià)指標(biāo)：是準(zhǔn)確率和召回率的調(diào)和平均值，計(jì)算公式為式（3）。

F1-score=2×precision×recall/（precision+recall） （3）

通過(guò)人工目視解譯獲得白銀區(qū)真實(shí)的變化圖斑數(shù)據(jù)，基于建筑物變化檢測(cè)算法模型獲得白銀區(qū)預(yù)測(cè)的變化圖斑數(shù)據(jù)。利用軟件的空間分析工具，疊加兩個(gè)矢量數(shù)據(jù)，得到TP=661，F(xiàn)P=175，F(xiàn)N=225。

按照式（1）至式（3）進(jìn)行計(jì)算，可以得出準(zhǔn)確率precision為79.07%，召回率recall為74.60%，F(xiàn)1-score為76.77%。

4 結(jié)論

本研究以多源、多時(shí)相影像數(shù)據(jù)為基礎(chǔ)，利用深度學(xué)習(xí)技術(shù)搭建技術(shù)體系，形成建筑物快速變化監(jiān)測(cè)技術(shù)路線。通過(guò)對(duì)變化檢測(cè)結(jié)果進(jìn)行精度評(píng)價(jià)，結(jié)果表明，基于深度學(xué)習(xí)的解譯技術(shù)較為理想，能夠快速、準(zhǔn)確地提取建筑物變化信息，準(zhǔn)確率為79.07%，召回率為74.60%。

目前，該算法模型已經(jīng)應(yīng)用到實(shí)際生產(chǎn)中。在建設(shè)用地核查項(xiàng)目和避險(xiǎn)搬遷項(xiàng)目中，利用算法模型快速提取建筑物變化信息，輔以人工編輯，獲得指定區(qū)域的變化圖斑，為建設(shè)用地核查和避險(xiǎn)搬遷提供技術(shù)和數(shù)據(jù)支持。

雖然深度學(xué)習(xí)顯著提升了解譯精度和效率，但是在實(shí)際生產(chǎn)中，還需要進(jìn)行人工查漏補(bǔ)缺。后續(xù)可以通過(guò)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與優(yōu)化，構(gòu)建更適合本地的算法模型，更好地提升建筑物變化檢測(cè)的精度。

參考文獻(xiàn)：

［1］張緣.基于多尺度連體網(wǎng)絡(luò)的遙感影像建筑物變化檢測(cè)［D］.武漢：武漢大學(xué)，2021.

［2］王昕寧.遙感數(shù)字正射影像圖制作［J］.北京測(cè)繪，2014（1）：104-107.

［3］吳子媛.基于U-Net模型的遙感影像變化檢測(cè)［D］.哈爾濱：哈爾濱師范大學(xué)，2021.

［4］張繼賢，顧海燕，楊懿，等.高分辨率遙感影像智能解譯研究進(jìn)展與趨勢(shì)［J］.遙感學(xué)報(bào)，2021，25（11）：2198-2210.

［5］史文中，張敏.人工智能用于遙感目標(biāo)可靠性識(shí)別：總體框架設(shè)計(jì)、現(xiàn)狀分析及展望［J］.測(cè)繪學(xué)報(bào)，2021，50（8）：1049-1058.

［6］MNIH V，HINTION G E. Learning to detect roads in high-resolution aerial images［C］//Proceedings of the 11th European Conferenceon Computer Vision. Berlin Heraklion，Crete，Greece： Springer：2010，210-223.

［7］石婷婷，戴騰，厲芳婷，等.基于深度學(xué)習(xí)的耕地“非農(nóng)化”遙感監(jiān)測(cè)初探［J］.地理空間信息，2022，20（3）：34-37.

［8］陳一鳴，彭艷兵，高劍飛.基于深度學(xué)習(xí)的遙感圖像新增建筑物語(yǔ)義分割［J］.計(jì)算機(jī)與數(shù)字工程，2019，47（12）：3182-3186.

［9］吳海平，黃世存.基于深度學(xué)習(xí)的新增建設(shè)用地信息提取試驗(yàn)研究：全國(guó)土地利用遙感監(jiān)測(cè)工程創(chuàng)新探索［J］.國(guó)土資源遙感，2019，31（4）：159－166.

［10］張?chǎng)锡?，陳秀萬(wàn)，李飛，等.高分辨率遙感影像的深度學(xué)習(xí)變化檢測(cè)方法［J］.測(cè)繪學(xué)報(bào)，2017，46（8）：999-1008.

［11］眭海剛，馮文卿，李文卓，等.多時(shí)相遙感影像變化檢測(cè)方法綜述［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2018，43（12）：1885-1898.

［12］楊光迪.基于孿生神經(jīng)網(wǎng)絡(luò)的建筑物變化檢測(cè)研究［D］.南京：南京師范大學(xué)，2021.

［13］黨宇，張繼賢，鄧喀中，等.基于深度學(xué)習(xí)AlexNet的遙感影像地表覆蓋分類評(píng)價(jià)研究［J］.地球信息科學(xué)學(xué)報(bào)，2017，19（11）：1530-1537.

［14］孫鵬林.基于孿生神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像建筑物變化檢測(cè)研究［D］.重慶：重慶交通大學(xué)，2022.

［15］韓星.基于深度學(xué)習(xí)的高分辨率遙感影像建筑物變化檢測(cè)［D］.西安：長(zhǎng)安大學(xué)，2022.