基于建筑信息化的无人机遥感测量关键建筑材料图像识别浅析

2022-09-13王志豪

广东建材 2022年8期

杨奔王志豪

（1 北海职业学院；2 深圳市勘察测绘院（集团）有限公司）

0 前言

无人机遥感测量是应用遥测遥控技术、无人驾驶飞行器技术、遥感传感器技术、遥感应用技术、数据通讯及同步技术、差分定位技术等先进技术进行测量，它具有智能化、自动化、便捷化等优点。建筑信息化技术是利用建筑信息化软件将建筑材料信息、建筑构件尺寸信息、建筑物构件关键点位置信息等参数建立建筑信息化模型，以便对建筑进行相关模拟和分析。

基于建筑信息化的无人机遥感测量，是将带有定位装置的无人驾驶飞行器（无人机）飞临建筑物周边，通过无人机拍摄建筑物关键图像，通过遥感传感器技术测量建筑物构件若干个关键点到无人机的距离，进而通过差分定位技术确定建筑物构件关键点的位置。通过基于建筑信息化的无人机遥感测量，能比较精确地测量出中高层建筑、超高层建筑以及一些不适宜用地面测量方法进行测量的建筑的构件关键点的位置。但是，基于建筑信息化的无人机遥感测量的其中一个关键技术点是通过图像识别技术在无人机拍摄建筑物关键图像识别出建筑物构件关键点，进而通过差分定位技术确定建筑物构件关键点的位置。因此，本课题对利用图像识别技术识别关键建筑材料及建筑物构件关键点的应用方法进行分析研究。

1 基于建筑信息化的无人机遥感测量关键建筑材料图像识别模型的建立、训练及应用

关键建筑材料图像识别模型采用深度学习神经网络。首先，将一栋建筑的墙、门、窗等不同建筑构件和混凝土、木、石等不同建筑材料的图片通过语意分割存储为不同种类的二进制文件，以便软件能迅速使用和重构图像。然后，从零开始训练神经网络模型，构建卷积神经网络（CNN）。卷积神经网络（CNN）将一张图前向传输通过网络，然后输出一个最终的分类结果。卷积神经网络由几十层或者几百层构成，每一层都学习检测不同的特征。从零开始构建网络时，一般采用常用层进行简单组合的形式，以便降低复杂度将使调试更方便。如图1 所示，通过读取图像二进制文件和数据分层可完成访问数据和配置网络层。

图1 数据的读取与分层

接着，开始选择训练方案来训练网络。常用的训练方案主要有训练进度图、最大训练代数（Epoch）、最小批大小(Minibatch size)、学习速率等。如图2 所示，本文主要采用进度图和最小批大小这两个方案来运行训练网络并监控其进度。

图2 运行训练网络

为了提高训练模型的准确率，可采用数据增强技术。运用数据增强技术，可通过添加改变版本的原始图像可增加训练图像中的变体数量。用得比较多的数据增强类型有旋转、平移、缩放等图像转换。例如可以将原始图像向左移动10 个像素创建一个新图像来进行随机平移。代码如下：

虽然这种平移非常微小，但它可以使神经网络去学习和理解现实生活中的微小变化来增加深度学习网络的兼容性。

接下来，运行语义分割网络，语义分割网络由一个图像分类网络和创建最终像素分类的向上采样部分组成，可以使用segnetLayers() 函数自动创建网络的向上采样部分，从而形成一个有向无环图(DAG) 网络。在网络训练中，可采用动量随机梯度下降(SGDM)、批大小等优化算法。本课题使用的最小批大小为4，可以在训练过程减少内存使用。当然，批大小可以参照GPU 内存可用量进行提高或降低。

基于建筑信息化的无人机遥感测量关键建筑材料图像识别模型深度学习神经网络经过一定时间的训练后，将建筑图像导入模型中，可完成图像识别，如图3 所示。当然，如果想要进行更精细的图像识别，还需采用更多数据集来训练网络。