遙感監測在智慧地鐵中的應用

崔閏虎，張海洋，支俊俊

（1.全圖通位置網絡有限公司，北京 100176；2.安徽師范大學 地理與旅游學院，安徽 蕪湖 241002）

0 引言

目前，我國城市軌道交通已經歷50多年發展歷程，軌道交通不僅成為城市交通運輸領域的骨干，也帶動了城市軌道交通沿線的經濟發展。以北京地鐵為例，2021 年，北京地鐵運營里程達783 km，日均客運量840 萬人次，年客運量超過30.66 億人次。但是，城市軌道交通保護區內的工廠施工、基坑開挖、鉆探挖井等活動，對軌道交通地下結構產生極大影響，成為城市軌道交通安全的重大隱患［1-2］。

在以往的城市軌道交通運營維護中，多采用人工巡檢方式對線路周邊生態環境、施工信息進行調查。近年來，隨著城市軌道交通蓬勃發展，運營里程不斷增加、覆蓋區域愈加廣闊，人工巡檢暴露出調查方式單一、調查周期長、更新時間慢等弊端［3］，不僅耗費巨大人力、物力，巡檢信息還不能及時反映沿線施工狀態。

目前，多尺度遙感產品不斷涌現，特別是穩定可靠、更新周期短、持續性強、精度高的高分辨率遙感數據，為城市軌道交通保護區監測提供了數據保障［4-6］。但是，現有遙感影像分析方法與數據處理技術難以滿足城市軌道交通保護區監測的實際需求［7］，亟須更高效的方法及技術體系，利用高分遙感影像的宏觀性、時空全覆蓋性等優勢，進行城市軌道交通保護區建筑信息識別［8-10］。

1 遙感技術與卷積神經網絡

第一次世界大戰以來，得益于超級大國的激烈競爭及空間技術發展，遙感技術進入高速發展期。1972 年，美國發射“地球資源技術衛星”后，各國開始效仿跟進。我國遙感技術后來居上，并于2013 年發射高分辨率對地觀測系統的“高分一號”衛星。此后，我國遙感技術逐漸達到國際領先水平，基本形成應用廣泛的陸地衛星格局。在遙感技術應用中，如何快速、有效地處理遙感數據并提取所需信息成為技術難點，而卷積神經網絡（Convolutional Neural Networks，CNN）的發展為解決該問題提供了有效方法。

1943 年，McCulloch 和Pitts 提出神經元網絡，神經網絡概念出現；2006 年，卷積神經網絡進入快速發展期；2012 年起，深度學習研究進展迅速，并提出一系列模型，卷積神經網絡的應用領域逐漸廣闊。隨著數字圖像分析技術的發展、遙感影像精度的提高，圖像分割和數字圖像處理逐漸被應用于變化監測。近年來，深度學習在建筑物識別、土地利用制圖等領域廣泛應用。

卷積神經網絡是一類包含卷積計算，并且含有深層次結構的深度前饋神經網絡，是深度學習的代表算法之一［11］。卷積神經網絡可自動提取目標特征，并發現樣本的集中特征規律，有效解決手動提取特征效率低下、分類準確率低等不足。卷積神經網絡廣泛應用于目標識別、圖像分類等領域，但在軌道交通保護區監測的實際運用中，仍存在提取建筑物精度低、速度慢等問題，建筑信息識別效率不能滿足工作需求。因此，研究通過遙感影像的變化檢測，對軌道交通保護區監測區域進行預處理，將處理結果進行人工判讀以及卷積神經網絡深度學習分類，可實現區域內的變化識別。

2 研究對象及數據來源

2.1 研究對象

2017 年，中國共產黨北京市委員會、北京市人民政府發布的《北京市城市總體規劃（2016—2035年）》明確北京市發展的重要指導思想之一：“協調地上地下空間的關系，促進地下空間資源綜合開發利用”，其中第53條明確指出：“堅持先地下后地上、地上地下相協調、平戰結合與平災結合并重的原則，統籌以地鐵為代表的地下交通基礎設施，統籌以綜合管廊為代表的各類地下市政設施，統籌以人防工程為代表的各類地下安全設施，統籌以地下綜合體為代表的各類地下公共服務設施，構建多維、安全、高效、便捷、可持續發展的立體式宜居城市”［12］。由此，城市軌道交通保護區變化監測工作成為重中之重。

因此，以北京地鐵為例，結合其實際需求，研究利用卷積神經網絡、語義分割2種方法，對北京地鐵運營有限公司下屬16 條線路（非全北京市，即1 號線、2 號線、5 號線、6 號線、7 號線、8 號線、9 號線、10 號線、13 號線、15 號線、房山線、昌平線、亦莊線、S1 線、八通線、首都機場線）的城市軌道交通保護區內違規施工行為進行監測，并將信息上報至相關部門，保障地鐵運行安全，從而有效解決傳統監測人工消耗大、低效率以及現有算法工程化中的薄弱環節。

2.2 數據來源

研究數據主要包括以下2個部分：

（1） 源自2021 年第3 季度（2021 年7—9 月）、第4季度（2021年10—12月）北京市地鐵運營有限公司下屬16條地鐵線路的“北京二號”衛星高分辨率遙感影像。影像多光譜波段分辨率為0.8 m，數據處理級別為L4A，數據位深為8 bit，文件格式為Tiff，坐標系為CGCS2000，采用高斯克呂格投影；采用其標準4波段進行真彩色合成得到遙感影像彩色合成圖進行本文的建筑信息識別。

（2）北京市地鐵運營有限公司及其下屬分公司提供的《北京地鐵安全保護區內外部工程配合管理工作匯表》。

3 算法研究

基于深度學習，從遙感影像中面向對象提取建筑物，算法采用4 模塊架構體系，包括主干特征提取模塊、區域推薦與特征截取模塊、對象預測模塊、語義分割模塊。算法總體技術路線見圖1。

圖1 算法總體技術路線

3.1 主干特征提取

本算法使用 ResNet101 作為主干特征提取網絡，基于ResNet101 網絡提取的4 層特征，經逐層采樣，獲得5 層特征金字塔（FPN）作為共享特征層。主干特征提取流程見圖2。

圖2 主干特征提取流程

3.2 區域推薦

要從遙感影像中找到建筑物位置，首先需要找到包含建筑物的外矩形框，再在外矩形框執行語義分割，預測建筑物對象具體掩膜。但是，在1幅遙感影像上可以有無數個矩形框，如何找到包含建筑物的矩形框是其關鍵。算法使用特征金字塔獲得的5層共享特征層作為輸入，構建區域建議卷積網絡預測特征層上每塊特征的預選框上是否包含建筑物。區域推薦流程見圖3。

圖3 區域推薦流程

3.3 特征截取

雖然通過區域推薦卷積網絡模塊獲得建議框，但建議框僅為粗略的估計，該范圍是否包含建筑物，還需根據建議框從共享特征層截取其局部特征，才可用于精細的對象分類、角點調整及掩膜預測。對象分類預測使用全連接神經網絡，全連接神經網絡要求輸入節點數相同，考慮建議框范圍不一，其截取共享特征層局部特征的維度也不統一。因此，采用雙線性內插法，將截取的共享特征層局部特征統一長寬維度為：7×7，即可順利輸入對象分類預測全連接神經網絡進行分類預測及角點調整。特征截取流程見圖4。

圖4 特征截取流程

3.4 對象預測與語義分割

區域推薦卷積網絡模塊僅能粗略估計預選框是否包含建筑物，一些特征與建筑物類似的其他地物也可能被推薦為建議框。因此，還應根據建議框截取共享特征層的局部特征，并據此使用更有效的預測分類方法，預測建議框是否真的包含建筑物。算法使用目前在分類任務表現最好的全連接神經網絡預測分類，通過共享特征層局部特征截取與局部特征維度統一，將獲得的二維特征圖拉直為一維列向量，即可作為全連接神經網絡的輸入。預測建議框內是否真實包含建筑物，每個建議框通過全連接神經網絡輸出1個值，再使用Softmax 函數激活，如果激活后的值接近1，則說明該建議框內部確實包含建筑物，反之則預測建議框不包含建筑物；同時，考慮建議框并非恰好是建筑物對象的外包圍矩形，因此算法還在全連接神經網絡設計了1 個建議框角點調整參數輸出，每個建議框輸出1 個一維向量，向量包含4個值，分別調整建議框左上角xy坐標和右下角xy坐標。

基于建筑物目標檢測方法可獲預測框，即建筑物存在位置的外矩形，但無法精確獲得建筑物對象的輪廓，主流的基于深度學習預測圖像對象的方法是語義分割。目前，深度學習語義分割模型多由編碼器和解碼器組成，其中編碼器可理解為通過傳統卷積神經網絡對原始圖像進行下采樣，獲取高維圖像特征的過程。直觀表現是特征圖分辨率減少、通道維數增加。解碼器則通過反卷積層和反池化層，將尺寸較小的高維特征層進行上采樣，恢復成原始圖像的尺寸，對原圖像內部對象進行像素級預測，使其盡可能分類擬合出分類對象的輪廓，以達到對象像素級預測效果。語義分割模型的訓練方式和卷積神經網絡一樣，前向傳播預測分類、反向傳播回歸擬合，訓練語義分割模型即根據損失函數調整編碼器和解碼器內部參數，使模型通過編碼器和解碼器后可以預測擬合出分類對象輪廓。典型的語義分割模型有FCN、U-Net、VGGNet、PSPNet等。

對象預測與語義分割流程見圖5。

圖5 對象預測與語義分割流程

3.5 算法訓練

設定損失函數及損失權重（見表1）；設定訓練模型參數，模型參數設置見表2；算法初步訓練結果見圖6。

表1 損失函數及損失權重

表2 模型參數設置

圖6 初步訓練結果

4 白名單數據庫建設

在白名單數據庫建設研究中，基于“北京二號”遙感衛星獲取的亞米級遙感影像，通過該研究算法識別遙感影像中保護區內的建筑信息，并根據北京地鐵運營有限公司提供的地鐵線網數據，分別生產16 條地鐵線路及其站點的矢量數據，并根據地鐵線路實際情況，分別建立地上32.5 m、地下52.5 m、過河102.5 m的緩沖區。整合所有數據后，生成保護區專題地圖。根據2021 年第3、4 季度的影像變化，結合建筑信息識別的變化，分析保護區內現有施工情況。同時，對比北京地鐵運營有限公司提供的安全保護區內外部工程配合管理工作匯表，分析是否存在違規施工行為。白名單數據庫建設流程見圖7。

圖7 白名單數據庫建設流程

5 試驗結果分析

5.1 算法研究結果

以北京地鐵10 號線為例，對算法研究應用結果進行展示（見圖8）。

圖8 北京地鐵10號線算法研究應用成果

結合圖8展示內容可知，總體上建筑信息識別的應用效果較好，對于保護區內建筑部分的內容基本均可識別，但對于保護區內建筑邊界的識別效果不夠明晰，特別是受到植被、道路等要素的干擾后，效果較差，算法仍存在較大改善空間。

5.2 白名單數據庫建設結果

2021 年第3、4 季度北京地鐵所轄線路保護區監測的結果為：共計54 處用地類型變化，總面積200 753.79 m2。保護區用地類型變化統計見表3。

表3 保護區用地類型變化統計

由表3 可知，在所有線路中北京地鐵10 號線用地類型變化情況較多，在保護區后續監測中應成為重點。同時，由于本次試驗間隔較短，僅使用保護區2021 年第3、4 季度的高分影像進行對比，部分區域未發現明顯變化。從表3也可看到，部分區域變化情況多，但變化面積反而較小，可能是本次試驗重點研究了保護區內的用地變化情況，對保護區外的區域并未涉及到，在后續工作中須進一步明確。

將監測結果與北京市地鐵運營有限公司提供的北京地鐵安全保護區內外部工程配合管理工作匯表對比，選取部分區域進行結果展示（見圖9—圖11）。

圖9 分鐘寺—成壽寺監測區監測結果

圖11 首經貿—豐臺站監測區監測結果

根據圖9—圖11 展示的北京地鐵10 號線部分成果可以發現，在影像上存在向北京市地鐵運營有限公司報備后再進行施工的工程，也存在有施工行為但未向北京市地鐵運營有限公司報備的情況。針對該類未報備情況，將所有信息記錄后，統一反饋至北京市地鐵運營有限公司，再通過現場踏勘調查等方式確認情況是否屬實，為北京地鐵的安全運營提供支撐。

6 結論與建議

關于該算法部分研究情況，對算法試驗的過程及最終效果進行總結發現，目前算法仍有較大改善空間，未來計劃從5個方面改善算法，提高算法的應用效果：

（1）使用多源訓練數據增加魯棒性。

（2）使用批訓練方法（batch>1）避免震蕩和過擬合。

（3）嘗試256/512/1 024 尺寸訓練數據，對比多尺度訓練數據效果。

（4）嘗試調整多任務損失權重，優化模型。

（5）當模型穩定后嘗試解凍主干特征提取網絡進一步優化模型。

關于白名單數據庫建設的研究情況，根據試驗結果，監測效果較理想。但是，在試驗過程中，對影像監測結果與地鐵提供的報備表進行核查的效率較低，如何提高效率或減少環節，有待進一步思考。

21 世紀以來，我國城市地下空間的開發數量迅速增長。地鐵作為地下空間的重要組成部分，其安全面臨傳統威脅與新興風險相互交織、偶發性節點破壞與系統性危機并存的復雜情況。隨著我國城市軌道交通建設規模不斷擴大，確保運營安全工作將是我國城市軌道交通行業面臨的重中之重。將遙感監測應用于識別城市軌道交通保護區內的建筑施工行為，可為保障城市交通安全添磚加瓦。但是，相關研究仍不夠深入，應在未來的工作中繼續尋求更優的解決方案。