論一種基于全連接神經網絡在房產測繪中實體自動分類方法

顧騰 黃永華

摘 要 現有技術方案主要采取人機交互，目視判別方式對繪制的房屋線進行實體分類，如分為：戶室、陽臺、樓梯、過道、車位等。需要逐步定義或者部分批量框選定義，每次定義完后還需標注名稱等。其操作過程相對繁瑣，且需要一定的專業水平[1]。

關鍵詞 全連接神經網絡;房產測繪;自動識別

長期以來，在房產測繪中各類型實體定義是人工判別定義完成，現在建筑物層數高、復雜程度也更高，完全依賴人工來判別大大制約了生成效率及人工成本。基于全連接神經網絡的房屋實體識別算法，可以做到對常見房屋類型自動識別率達到90%，做到一鍵生成，無須以往作圖中的煩瑣操作[2]。

1現有研究基礎

現有房產測繪技術依賴于手工作圖，如圖1所示：步驟1先定義一個戶室;步驟2定義與戶室相關的陽臺;步驟3定義外梯;步驟4按照步驟1、2、3逐步定義好其他實體。現實中的作圖數量很多，依賴人工判別定義實體類型效率低[3]。

本文方法：

實現流程

2預處理

在挑選訓練樣本時，選擇層數大于4層;戶室數量大于10戶;每層外包框中心點歸為原點后，重新計算個結點坐標;不含地下室。提取每個實體層序號;面積;周長;節點數;層中心點X坐標;層中心點Y坐標;實體外包框每條邊線均勻選取3個點（不含其2個端點）擴張0.3毫米并計算出是否有實體線相交（提取判斷方式見圖3）;實體每個節點的X坐標與Y坐標將層中心歸零點坐標后，計算歸零后值分別作為一個輸入項，一共48個輸入項，不足補零。

全連接神經網絡設計：本算法基于全連接神經網絡、深度學習，為房產測繪設計出一種自動識別房屋類型的算法，該算法深度學習10000多個樣本。4層神經網絡：輸入層、輸出層、兩個隱含層，其中每個隱含層神經元個數為1024，為訓練時過度擬合，神經元激活值以20%的概率停止工作[4]。

3結束語

本文方法在房產測繪中則是一鍵生成成果，在效率方面得到了極大提升，降低了作圖復雜度的同時也降低了對作圖人員專業水平的要求（如圖4所示）。

參考文獻

[1] 喬拴棟，林平.淺談如何提高房產測繪的效率與質量[J].北京測繪，2014，（2）：120，130-131.

[2] 劉武.房地產測繪成果質量檢查的實踐[J].測繪通報，2004，（4）：62-63.

[3] 茹敏.深圳市地籍測繪簡介[J].北京測繪，1998，（4）：38-40，28.

[4] 韓偉，吳艷蘭，任福.基于全連接和LSTM神經網絡的空氣污染物預測[J].地理信息世界，2018，25（3）：34-40.