關(guān)于智能化“多測合一”綜合管理關(guān)鍵技術(shù)的研究

馮振儉 薛翻琴 黃國航

【摘 要】文章結(jié)合工程建設(shè)項(xiàng)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(guān)鍵技術(shù)路線，詳細(xì)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(shè)項(xiàng)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(shè)項(xiàng)目測繪審批效率，為“多測合一”智能化管理提供參考。

【關(guān)鍵詞】多測合一;綜合管理;智能化

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

0 引言

為了貫徹落實(shí)中央、自然資源部重要文件精神，深入推進(jìn)“放管服”改革，優(yōu)化營商環(huán)境，更好地服務(wù)建設(shè)單位，全國各地陸續(xù)開展工程建設(shè)項(xiàng)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(fù)測繪、無數(shù)據(jù)共享、標(biāo)準(zhǔn)不統(tǒng)一、成果無法再利用問題等問題。“多測合一”就是將建設(shè)工程各階段涉及的測繪服務(wù)項(xiàng)目整合成為一個綜合性聯(lián)合測繪項(xiàng)目，委托一家具備相應(yīng)測繪資質(zhì)的測繪服務(wù)機(jī)構(gòu)采用統(tǒng)一的測繪標(biāo)準(zhǔn)實(shí)施全過程測繪服務(wù)，達(dá)到避免重復(fù)測繪、減輕企業(yè)負(fù)擔(dān)、優(yōu)化營商環(huán)境的目的，實(shí)現(xiàn)“一次委托、統(tǒng)一測繪、成果共享”[1]。

在工程建設(shè)項(xiàng)目“多測合一”改革前，建設(shè)項(xiàng)目立項(xiàng)用地規(guī)劃許可到竣工驗(yàn)收和辦理不動產(chǎn)登記過程中涉及的測繪業(yè)務(wù)眾多，驗(yàn)收環(huán)節(jié)多，審批流程煩瑣。一個建設(shè)項(xiàng)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(dú)立，因此采用的技術(shù)標(biāo)準(zhǔn)不統(tǒng)一，基礎(chǔ)測繪成果不能在各部門間共享，導(dǎo)致一個項(xiàng)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(yán)重影響審批的效率和結(jié)果。在現(xiàn)階段工程建設(shè)項(xiàng)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(shí)測和規(guī)劃條件核實(shí)兩類數(shù)據(jù)有無差異、是否符合審批標(biāo)準(zhǔn)等，耗時長，工作量大，影響工程建設(shè)項(xiàng)目審批效率。項(xiàng)目從開始到結(jié)束涉及的大多數(shù)測繪項(xiàng)目都是相通的，前一項(xiàng)測繪項(xiàng)目的成果大多是下一項(xiàng)測繪項(xiàng)目的原始數(shù)據(jù)，如果能實(shí)現(xiàn)標(biāo)準(zhǔn)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(wù)，那么將提高工作效率、減少重復(fù)測繪、節(jié)約測繪成本，進(jìn)而達(dá)到項(xiàng)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(zhǔn)的基礎(chǔ)上，融合機(jī)載三維激光點(diǎn)云精細(xì)建模技術(shù)，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(shí)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(zhǔn)精度與融合效率。

綜合利用大數(shù)據(jù)、人工智能技術(shù)，基于孿生神經(jīng)網(wǎng)絡(luò)架構(gòu)，優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)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(shí)現(xiàn)工程建設(shè)項(xiàng)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(shù)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(shù)標(biāo)準(zhǔn)不一致等，導(dǎo)致數(shù)據(jù)坐標(biāo)存在偏差，無法完全精準(zhǔn)匹配融合，在工程建設(shè)項(xiàng)目審批時，需要人工對數(shù)據(jù)進(jìn)行坐標(biāo)糾正，影響建設(shè)項(xiàng)目審批的效率。利用“空地聯(lián)合影像定向配準(zhǔn)技術(shù)+三維激光點(diǎn)云融合精細(xì)三維實(shí)景建模”相結(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(shí)現(xiàn)將無人機(jī)低空傾斜攝影、機(jī)載激光雷達(dá)掃描、BIM等三維數(shù)據(jù)與規(guī)劃核實(shí)、不動產(chǎn)實(shí)測、勘測定界等二維數(shù)據(jù)的自動聯(lián)合定向配準(zhǔn)，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(shè)項(xiàng)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(luò)（Siamese Network）架構(gòu)模式，通過數(shù)據(jù)預(yù)處理、多尺度訓(xùn)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(shí)現(xiàn)測繪成果智能化比對，在“多測合一”業(yè)務(wù)審批方面極大地提升了業(yè)務(wù)審批效率，減少人工進(jìn)行業(yè)務(wù)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(shè)計(jì)

3.1 二三維多源異構(gòu)數(shù)據(jù)自適配模型設(shè)計(jì)

自適配模型的主要內(nèi)容是通過三維激光點(diǎn)云采集的地物高精度三維點(diǎn)位坐標(biāo)對采集精度不高的數(shù)據(jù)進(jìn)行自動坐標(biāo)糾正轉(zhuǎn)換，主要原理是根據(jù)同名點(diǎn)二元雙三次多項(xiàng)式空間坐標(biāo)轉(zhuǎn)換算法，對轉(zhuǎn)換模型參數(shù)進(jìn)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(xiàng)式模型作為坐標(biāo)轉(zhuǎn)換的數(shù)學(xué)模型。二元雙三次多項(xiàng)式模型表達(dá)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(biāo)原點(diǎn)X0=25 000 km=

2 500 000 m，Y0=500 km=500 000 m。

（2）構(gòu)建動態(tài)坐標(biāo)轉(zhuǎn)換算法。通過對每幅影像進(jìn)行逐像素轉(zhuǎn)換，利用二元雙三次多項(xiàng)式計(jì)算對應(yīng)的坐標(biāo)值，再利用仿射變換原理將該像素點(diǎn)移動到計(jì)算值處，根據(jù)像素坐標(biāo)位置進(jìn)行動態(tài)疊加運(yùn)算，實(shí)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(biāo)準(zhǔn)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(shè)計(jì)

Yann Lecun[3]于1998年提出了卷積神經(jīng)網(wǎng)絡(luò)的雛形，Krizhevsky等人[4]在2012年的Imagenet圖像識別大賽中引入了隨機(jī)失活方法和全新的卷積深層結(jié)構(gòu)，在CNNs中成功應(yīng)用了隨機(jī)失活（Dropout）、線性整流函數(shù)（ReLU）和局部響應(yīng)歸一化層（LRN）等技巧，將深度學(xué)習(xí)引入計(jì)算機(jī)圖像對比中。本項(xiàng)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(diǎn)，對模型優(yōu)化和改進(jìn)：一是對數(shù)據(jù)進(jìn)行剪裁，進(jìn)行多尺度條件下的訓(xùn)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(jìn)行重塑，降低分辨率。

3.2.1 Faster R-CNN模型設(shè)計(jì)

采用孿生神經(jīng)網(wǎng)絡(luò)（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(luò)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(diǎn)進(jìn)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(wù)審批方面極大地提升了業(yè)務(wù)審批效率，減少人工進(jìn)行業(yè)務(wù)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(shè)計(jì)

Mask R-CNN是一個在Faster R-CNN的基礎(chǔ)上演變改良而來的實(shí)例分割框架，與Faster R-CNN不同的是，Mask R-CNN通過添加mask進(jìn)行實(shí)例分割，也就是說，F(xiàn)aster R-CNN僅限于可以實(shí)現(xiàn)分類和目標(biāo)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(luò)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(luò)，作用是優(yōu)化神經(jīng)網(wǎng)絡(luò)，通過增加深度提高神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率，主要目的是解決“退化”問題，從而提高神經(jīng)網(wǎng)絡(luò)的性能，在本項(xiàng)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(luò)FPN（Feature Pyramid Network）進(jìn)行檢測，可以縮放圖像比例，使卷積神經(jīng)網(wǎng)絡(luò)處理起來更加容易。但是，金字塔網(wǎng)絡(luò)的每一層在提取特征的時候存在局限性，使運(yùn)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(jìn)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(qiáng);FPN網(wǎng)絡(luò)可得到高分辨率、強(qiáng)語義的特征。FPN網(wǎng)絡(luò)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(xùn)練

模型訓(xùn)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(jī)生成訓(xùn)練驗(yàn)證集和測試集。實(shí)驗(yàn)在NVIDIA Titan X GPU配置的Ubuntu16.04系統(tǒng)上完成，在PyTorch深度學(xué)習(xí)框架上進(jìn)行，使用隨機(jī)梯度下降算法更新權(quán)值，將初始學(xué)習(xí)率設(shè)置為0.001，經(jīng)過5 000次迭代后，減少學(xué)習(xí)率為0.000 1，迭代1萬次結(jié)束訓(xùn)練。

4 總結(jié)

在工程建設(shè)項(xiàng)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(shí)測和規(guī)劃條件核實(shí)兩類數(shù)據(jù)有無差異、是否符合審批標(biāo)準(zhǔn)等，耗時長、工作量大，影響工程建設(shè)項(xiàng)目審批效率。為解決工程建設(shè)項(xiàng)目審批提速難題，在集成的云端人工智能方法的基礎(chǔ)上，分別優(yōu)化了Faster RCNN算法和基于孿生神經(jīng)網(wǎng)絡(luò)（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(biāo)檢測和語義分割的準(zhǔn)確率，通過大量的數(shù)據(jù)訓(xùn)練，數(shù)據(jù)分析準(zhǔn)確率分別高達(dá)98.7%和97.3%。在GPU Titan X上的處理速度可達(dá)5 ms/幀和10 ms/幀，遠(yuǎn)高于傳統(tǒng)處理數(shù)據(jù)的速度。此技術(shù)的應(yīng)用將實(shí)現(xiàn)工程建設(shè)項(xiàng)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(shè)項(xiàng)目測繪成果從項(xiàng)目立項(xiàng)到竣工驗(yàn)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(shè)項(xiàng)目測繪業(yè)務(wù)委托，將原有的委托不同測繪服務(wù)機(jī)構(gòu)實(shí)施不同類型的專項(xiàng)測繪，簡化成一次委托、統(tǒng)一測繪，簡化了建設(shè)單位的辦事流程，同時線上辦理的模式也讓建設(shè)單位少跑路，節(jié)約了人力、時間和資金;實(shí)行“多測合一”，提高了測繪市場的準(zhǔn)入門檻，加劇了測繪市場的競爭，也推動測繪服務(wù)機(jī)構(gòu)逐步從單一內(nèi)容的服務(wù)向多類型服務(wù)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(wù)機(jī)構(gòu)“紅黑榜”的建立，有效解決了以往對工程建設(shè)項(xiàng)目測繪質(zhì)量監(jiān)督難的問題，進(jìn)一步促進(jìn)了地理信息產(chǎn)業(yè)健康發(fā)展。

參 考 文 獻(xiàn)

[1]國務(wù)院辦公廳.關(guān)于全面開展工程建設(shè)項(xiàng)目審批制度改革的實(shí)施意見（國辦發(fā)〔2019〕11號）[Z].2019.

[2]吳乾坤，孟俊俊.關(guān)于建設(shè)工程項(xiàng)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.