基于卷积神经网络的聚落肌理表意型分类探究

宋靖华 | Song Jinghua

郑芷奇 | Zheng Zhiqi

1 研究背景

卷积神经网络（Convolutional Neural Network，CNN）是一种普及率高、适用性强、可操作性强的图像分类工具，应用领域非常广泛。在建筑领域中，卷积神经网络已被用于城市密度、建筑容积率计算、建筑形态分类等方面的研究[1]。但在城市聚落方面，卷积神经网络的应用仍是空白。因此，本文希望通过卷积神经网络的图像识别及图像分类技术对聚落肌理形态进行初步探究。

在现有聚落中，受到政策、观念、产业、环境等各类影响，导致新开发的聚落往往或机械单调或杂乱无章，失去了传统聚落所特有的生机与活力，简单的整体性逻辑使其无法适应生气勃勃的聚落中起博弈作用的种种微妙影响力及其构成的复杂网络关系。而现有的聚落生成方式一般从类型学角度出发，研究传统聚落形式背后相似的空间原型，通过抽象其共性特点来还原特征原型，尝试以较少的基本单元通过有序的组织实现多样性的聚落形态。虽然避免了无机聚落中简单粗暴的平行关系，但仍难形成传统有机聚落中互相渗透的有机肌理结构。本文基于现有研究，结合卷积神经网络，基于图像分类识别处理的技术手段，建构一个聚落肌理分类识别系统，有助于进一步分析及生成有机聚落肌理。

2 研究框架

2.1 研究路线

运用卷积神经网络，以人工分类后的两类聚落肌理图片作为数据集，经过大量训练后，通过提取全局训练特征和分类，产生训练好的模型。根据所给出的图片，计算出对应哪一类数据集的概率更大。通过分析计算数据，总结不同类型的聚落肌理结构特征，并分析传统聚落肌理符号所具有的共性及多样性。

2.2 相关理论研究

（1）聚落的概念

聚落是人类聚居和生活的场所，是通过人类有意识的开发利用和改造自然所创造出来的生存环境，是人类各种形式的聚居地的总称[2]。而聚落形态的形成与演变取决于多方面的影响，主要包括:文化、气候、地理、政治、经济、技术条件等，在现代经济为导向的社会发展模式下,更包括了政府管理、开发商、设计师、公民居住观念、城市规划的普世模式、城市的规划方向等因素。总而言之，一个聚落的独特形态是上述各种力量长期博弈的结果，具有重要的历史、文化、经济价值。但大量传统聚落在开发过程中遭到破坏，打破了原有的聚落所具有的紧密性与关联性，破坏了传统聚落的有机特征，不利于聚落的研究与发展。而新建城市聚落在整体性的规划调控下，很难形成有机的聚落肌理，不利于聚落的发展与演变。所以对聚落进行分类能帮助设计者认识有机聚落的丰富性以及多样性，对聚落进行识别能深入分析有机聚落的共性，从而深化对我国传统有机聚落特征的理解，为有机聚落的保护及新兴聚落的生成等相关工作提供方法论支持，引导规划师和建筑师创造多元、多样性、有活力、可控的富有特色的“千面”空间，为不同背景、不同需求的使用者提供丰富、多维的生活及体验空间，使乡镇建设符合聚落发展规律，实现聚落与环境的协调发展。

（2）聚落的分类

聚落一般可分为城市聚落和乡村聚落，也可按照聚落形态的形成与演进方式分为有机聚落与无机聚落。有机聚落一般是指通过“自然式”有机演进形成，可称之为“自下而上”途径，主要体现在古村落、商业性城镇中。空间生成以人的活动为发展因素，人与自然相互结合渗透，社会发展与聚落演进有机结合，具有适应聚落动态发展的有机变化、社会调整发展转换的可持续发展能力。无机聚落则是指通过“计划式”理性演进，可称之为“自上而下”的途径，是在政治经济规划干预下产生的结果，主要是以人为的逻辑生成而非自然的生态演变而形成，故而不具有有机聚落的生命力与活力，形成的聚落空间形态简单，同质化明显，摒弃传统聚落的丰富个性特色，空间多样性缺失，容易造成“千城一面”的形象，生活宜居性较低。

（3）相关聚落案例分析

①宏村。有机聚落识别结果以安徽宏村为例（图1），在不同的演变时期，村落的空间肌理都会形成新的特定结构网络，随着社会环境及自然环境的更迭变化不断发展。传统聚落或城市空间有机的发展结构应是源自居民日常生活中改造生活环境的欲望、对生活质量的向往、改造环境的客观能力和居民间朴素的相互关系，在地形和社会条件的约束下自然地演化，是一种自下而上的、具有生机与活力的机构体系，演化原因及演化结果具有多样性，物质要素构成及结构形态较为复杂。宏村的聚落空间不是单纯人为设计的结果，也不是自然发展无规律的结果，而是村民根据生活需求进行长期选择的结果，是“自下而上”的结果，具有开放、融合、非平衡、非线性的特征，这是“自上而下”的精英式的设计所不能具有的。在新农村建设中，便应借鉴以上经验，将聚落乡村建设理解为一个过程而并非一个结果，充分尊重村民自主权，促进村民的自我管理及自我有机更新。

图1 宏村聚落平面图

②昌迪加尔。无机聚落识别结果以印度昌迪加尔规划为例（图2），以功能作为整体规划的主要逻辑，分区明确，布局规整，道路也按功能分级布置呈棋盘式系统。但以建成后的效果而言，建筑与环境并不亲切，城市与居民生活关系疏离，人为的设计逻辑无法形成自然有机聚落所特有的凝聚力和交互感。此类聚落在国家城市化进程中较为常见，主要是在政治、经济规划的干预下，通过自上而下的整体性规划，形成的总体逻辑形态较为单一，以线状、块状、网状等形态为代表的聚落形式。

图2 昌迪加尔规划图

③杭州富阳东梓关回迁农居。在现今的乡镇建设实践之中，已有部分设计者注意到了聚落肌理这一问题，并进行了初步的有机肌理还原尝试。以具有一定代表性的杭州富阳东梓关回迁农居设计为例（图3～图4），其设计方式为模拟有机聚落空间网络，通过研究传统有机聚落形式背后相似的空间原型，从类型学的思考角度出发，抽象有机聚落的共性特点，还原聚落单体的空间原型，将基本单元通过一定逻辑的规则进行组合，以形成丰富的聚落形态。以传统肌理的院落空间基本单元为基本模数，由单元生成组合，再由组合演变成聚落的生长逻辑，通过四种基本单元的组合再现传统聚落的多样性，避免城市无机肌理网络对传统村落有机肌理的侵袭破坏，力求还原乡村的原真性。但令人遗憾的是，虽然摒弃了无机聚落传统兵营式布局中宅基地和户内院落的平行关系，却仍未形成有机聚落中自下而上交织的复杂性网络形态。

图3 杭州富阳东梓关回迁农居总平面图

图4 杭州富阳东梓关回迁农居设计图例

3 聚落肌理的图像识别

本文选取两类极端的聚落形态：有机型和无机型聚落肌理，用机器学习图像识别的方法，在大量样本训练的基础上，通过变异传统聚落肌理符号后对地域的聚落初始符号库进行扩充。但由于符号库数量巨大，且文化表达形式有显性亦有隐性，无法全面地描述聚落的肌理符号。但通过大量数据的收纳采集，可研究理解有机聚落在整体的符号相似性背后，亦具有丰富的个体多样性。

3.1 数据来源

聚落所具有的的复杂肌理形态丰富，内部序列结构复杂多变，因此要对其进行识别与分类，就需要将两类聚落图片制作成数据集，通过人工分类将其作为训练数据，再进行大量的训练以生成模型。本文通过谷歌地图利用统一比例尺获取所大量需要的聚落图片（图5～图6），在输入数据前，通过对聚落图片进行筛选，删除部分聚集度较低以及其他不符合聚落定义的图片，并将剩余图片进行分类，作为初始训练集，保留足够数量的图片用以神经网络的学习计算。

图5 部分无机聚落图集

图6 部分有机聚落图集

3.2 建构过程

卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，善于处理数量较多的图像分析，从本质上而言，是一种输入到输出的映射，它能够学习并分析大量的输入与输出之间的映射关系，并且可以逼近任何输入和输出之间的精确的数学表达式，主要用来识别位移、缩放及其他形式扭曲不变性的二维图形[3]（图7）。本文即采用卷积神经网络（CNN）对有机聚落及无机聚落进行识别与分类。

图7 CNN网络结构图

CNN的一个非常重要的特点是自动提取图像特征，并能自动实现分类，利用CNN建立模式分类器，并将其作为通用的分类方式，可直接用于灰度图像。CNN善于通过学习图像的局部数据，而提取全局的分类特征，它的权值共享结构网络使之更类似于生物神经网络，利于进行图像数据的识别分类[4]。可通过对有机聚落图像集合的学习与识别提取有机聚落的共性特征，通过抽取一些基本的视觉特征，比如边缘、路径等，再使用更高层的神经元通过卷积操作对提取的图像获得特征图，每个局部图像来自不同特征图的单元可以得到不同组合的特征模式。一个卷积层中通常包含多个具有不同权值向量的特征图，使其能够学习并保留图像特征的丰富性和多样性[5]。通过对有机聚落及无机聚落进行处理及分类，产生训练好的CNN模型及特征图，可作为算法评估函数的约束条件，利于后期有机聚落肌理的机器生成。而由于CNN的特征检测层是通过大规模的聚落图像数据进行分类学习，所以在使用CNN时，避免了显式的主观形态模仿，而隐式地学习聚落肌理逻辑。CNN以其局部权值共享的数据处理结构在图像批量处理方面有着显而易见的优势，因为其布局更接近于实际的生物神经网络，权值共享的特点可以降低网络复杂性，特别是图像可以直接输入网络的功能避免了在聚落肌理的特征学习和分类机制中数据重建的人为主观性影响。

利用CNN，可以识别聚落图像特征，对聚落进行分类；而训练好的CNN模型后期可以用于多目标演化算法以生成符合有机聚落的区域布局。其中，训练好的CNN模型将作为多目标演化算法评估函数的约束条件。在训练好的CNN模型上，设计新的深度学习网络，实现根据输入聚落的要求生成实际的聚落图像，达到模拟生成有机聚落肌理的最终目标。

结语

传统有机聚落的发展与演变是在时间、空间及社会因素等多维度调整下而产生的，整体与局部之间经过相互渗透影响的生成与被生成呈现一种复杂的空间肌理，与无机聚落自上而下的线性简单演变不同，是一个自主动态演变的非线性复杂系统，呈现出具有丰富性、多样性特征的空间逻辑形态。因此，人为对其进行特征提取、分类研究及模拟生成较为困难，具有较大的片面性。此外，传统有机聚落空间进行动态演化的生成过程是一个典型的复杂系统问题，对其进行可控性研究一直是个难题，同时也是复杂科学及聚落空间研究领域前沿的热点、难点和新兴问题，需要用更加客观及科学的方法进行深入研究。

应用机器学习解决复杂系统问题是当今学术界的一个令人瞩目的交叉研究方向，已经引起越来越多来自不同领域的研究人员的关注和重视。在城市规划方向，剑桥大学和清华大学的相关研究已经将卷积神经网络用于街景地图的识别分析，从而对城市整体景观进行研究，而本文涉及的聚落肌理判别模型可以与其相结合，从宏观层面对聚落空间形态进行分析研究[5]。

本文试图基于聚落肌理图片数据，对传统聚落这一难以模拟及复制的概念进行分类判定，通过机器学习识别空间肌理的隐形特征，利用卷积神经网络在图像识别方面的独特优势，可用于提取聚落、社区、城镇、人群社会活动空间等复杂系统的共性特征并进行相关研究，辅助现今的聚落保护与设计，也为后续如何生成有机聚落空间肌理提供研究基础，创造复杂系统可控性研究的开拓性成果。

资料来源：

图1：引自闵东日报数字报。来源网站：https://www.itouchtv.cn/article；

图2：引自百度百科“昌迪加尔城市规划”。来源网站：https://baike.baidu.com/item；

图3～4：引自Archdaily“当代乡村聚落 杭州富阳东梓关回迁农居”。来源网站：https://www.archdaily.com/；

图5～6：底图截取自Google地图。来源网站：http://maps.google.com/；

图7：陈友宣.卷积神经网络(CNN)在汽车无人驾驶中的应用与分析[J].科技创新与应用,2019(05):13-14。