基于深度学习的新增违法建设监测框架研究与应用

doi:10.13474/j.cnki.11-2246.2023.0338

测绘通报 ›› 2023, Vol. 0 ›› Issue (11): 116-121.doi: 10.13474/j.cnki.11-2246.2023.0338

基于深度学习的新增违法建设监测框架研究与应用

康停军¹, 陈汭新¹, 孙颖², 夏义雄¹, 王彬¹

1. 佛山市测绘地理信息研究院, 广东佛山 528000;
2. 中山大学地理科学与规划学院, 广东广州 510275

收稿日期:2023-08-07 出版日期:2023-11-25 发布日期:2023-12-07
通讯作者: 陈汭新。E-mail:fschenrx@qq.com
作者简介:康停军(1981—),男,博士,高级工程师,主要从事摄影测量与地理信息应用研究。E-mail:gisktj@163.com
基金资助:
国家自然科学基金面上项目(42071441);广东省基础与应用基础区域联合基金-青年基金项目(2020A1515110441)

Research and application of deep learning-based framework for monitoring and detecting new illegal construction

KANG Tingjun¹, CHEN Ruixin¹, SUN Ying², XIA Yixiong¹, WANG Bin¹

1. Foshan Surveying Mapping and Geoinformation Research Institute, Foshan 528000, China;
2. School of Geography and Planning, Sun Yat-Sen University, Guangzhou 510275, China

Received:2023-08-07 Online:2023-11-25 Published:2023-12-07

摘要/Abstract

摘要： 科学化、智慧化严控新增违法建设是城市高质量发展的必然要求。针对新增违法建设类型多样、隐蔽性强、管理交叉、多头执法等难点,本文基于高分辨率遥感影像,利用耦合FPN与Mask-RNN多任务的建筑物边界提取算法,构建了“建设行为监测—多源数据融合分析—协同分派治理”的新增违法建设全链条管理框架,提升了高空视角下违法建设的精准发现、动态管理能力,为助力城市精细化管理提供了技术支撑。

关键词: 新增违法建设, 深度学习, 高分辨率影像, 全链条管理框架

Abstract: Scientific and intelligent control of new illegal constructions is an inevitable requirement for high-quality urban development. Aiming at the characteristics of new illegal constructions with diverse types, strong concealment, administrative intersection and difficult disposal, this paper adopts a building boundary extraction algorithm based on high-resolution remote sensing images and management data of functional departments, coupled with FPN and Mask-RCNN multi-task fusion. It constructs a whole chain management framework of new illegal constructions from “Construction Behavior Monitoring-Multi-source Data Fusion Analysis-Collaborative Assignment Governance”, which provides technical support for dynamic monitoring and precise management under the high-altitude perspective of the city.

Key words: new illegal construction, deep learning, high resolution, the whole chain of management framework

中图分类号:

P237

康停军, 陈汭新, 孙颖, 夏义雄, 王彬. 基于深度学习的新增违法建设监测框架研究与应用[J]. 测绘通报, 2023, 0(11): 116-121.

KANG Tingjun, CHEN Ruixin, SUN Ying, XIA Yixiong, WANG Bin. Research and application of deep learning-based framework for monitoring and detecting new illegal construction[J]. Bulletin of Surveying and Mapping, 2023, 0(11): 116-121.

参考文献

[1] 范德虎,谢谟文. 城乡规划违法建设的法律界定及其要素分析[J]. 规划师,2012,28(12): 61-65.
[2] 郐艳丽,刘春生,刘铁军,等. 城乡规划违法违规行为研究[J]. 城市规划,2013,37(3): 43-48.
[3] 马红,黄磊,欧阳晖. 面向违法建筑巡查识别的技术研究与实践[J]. 测绘通报,2018(S1): 47-51.
[4] 林晓萍. 基于国产卫星影像的自然资源动态监测[J]. 测绘通报,2020(11): 28-32.
[5] 李德仁,王密,胡芬. 利用我国高分辨率卫星影像监测北京市违章建筑[J]. 科学通报,2009,54(3): 305-311.
[6] 陈鹏,吕鹏远,宋蜜,等. 高空间分辨率遥感影像下的违法用地变化检测[J]. 测绘通报,2018(4): 108-111.
[7] 孙久虎. 一种云端一体化的土地督察遥感监测方法[J]. 测绘通报,2020(3): 129-133.
[8] 曾凡洋,李长辉,宋杨,等. 微型无人机在违法用地与违法建设动态监测中的应用[J]. 测绘通报,2017(S1): 152-154.
[9] 徐海滨,邢汉发,王召海,等. 基于无人机影像的疑似违法用地精准监测[J]. 西安理工大学学报,2021,37(4): 536-543.
[10] 蔡柔丹.多源数据协同的违法建筑数据管理与应用[J].测绘通报,2022(S2):286-290.
[11] 武花,张新长,孙颖,等. 融合多特征改进型PSPNet模型应用于复杂场景下的建筑物提取[J]. 测绘通报,2021(6): 21-27.
[12] 何代毅,施文灶,林志斌,等. 基于改进Mask-RCNN的遥感影像建筑物提取[J]. 计算机系统应用,2020,29(9): 156-163.
[13] CHEN Meng,WU Jianjun,LIU Leizhen,et al.DR-Net:an improved network for building extraction from high resolution remote sensing image[J].Remote Sensing,2021,13(2):294.
[14] LIN Jingbo,JING Weipeng,SONG Houbing,et al. ESFNet: efficient network for building extraction from high-resolution aerial images[J].IEEE Access,2019(7):54285-54294.
[15] JIN Y,XU W,ZHANG C,et al.Boundary-aware refined network for automatic building extraction in very high-resolution urban aerial images[J].Remote Sensing,2021,13(4):692.
[16] LAFFERTY J D,MCCALLUM A,PEREIRA F C N. Conditional random fields: probabilistic models for segmenting and labeling sequence data[C]//Proceedings of the 18th International Conference on Machine Learning.[S.l.]:ACM,2001:282-289.
[17] RONNEBERGER O,PHILIPP F,THOMAS B. U-net:convolutional networks for biomedical image segmentation[C]//Proceeding of 2015 International Conference on Medical Image Computing and Computer-assisted Intervention.[S.l.]:Springer,2015:234-241.
[18] 唐璎,刘正军,杨懿,等. 基于特征增强和ELU的神经网络建筑物提取研究[J]. 地球信息科学学报,2021,23(4): 692-709.
[19] GIRRES J,TOUYA G. Quality assessment of the french OpenStreetMap dataset[J]. Transactions in GIS,2010,14(4):435-459.

基于深度学习的新增违法建设监测框架研究与应用

Research and application of deep learning-based framework for monitoring and detecting new illegal construction

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	魏德宏, 禤键豪, 杨嘉伟, 张兴福, 余旭. 基于深度BP/ELMAN神经网络的山区GNSS高程转换精度分析[J]. 测绘通报, 2023, 0(9): 113-116,143.
[2]	张宝安, 高小龙, 金仔燕, 马兰花. 甘肃省地表要素遥感解译样本库建设与应用[J]. 测绘通报, 2023, 0(9): 144-149.
[3]	胡荣明, 李鑫, 竞霞, 武建强, 魏青博. YOLOv7在探地雷达B-Scan图像解译中的应用[J]. 测绘通报, 2023, 0(8): 29-33.
[4]	周宝定, 谢沛瑶, 郭文浩, 毛庆洲. 基于激光点云灰度图像的隧道渗水病害检测[J]. 测绘通报, 2023, 0(8): 34-39,90.
[5]	张戬, 高雅. 深度学习遥感影像解译技术在耕地保护中的应用[J]. 测绘通报, 2023, 0(8): 142-145.
[6]	杨盈, 邱芹军, 谢忠, 田苗, 郑诗语, 郑帅. 人在回路学习增强的地理命名实体识别[J]. 测绘通报, 2023, 0(8): 155-160,177.
[7]	钟静, 孙杰, 赖祖龙, 谌一夫. ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量[J]. 测绘通报, 2023, 0(7): 39-43.
[8]	沈鑫甦, 嵇灵. 面向遥感地类变化检测的U型深度学习神经网络改进方法[J]. 测绘通报, 2023, 0(6): 93-97,103.
[9]	陈桥驿, 闫宇飞, 黄永芳. 融合面向对象和深度置信网络的农村建筑物信息提取[J]. 测绘通报, 2023, 0(6): 134-137.
[10]	王丽梅, 王延正. 基于高分辨率遥感影像的建筑物提取[J]. 测绘通报, 2023, 0(6): 180-183.
[11]	李心媛, 贺智, 楼桉君, 肖曼. 双线性图卷积网络的环南海地区湿地遥感分类[J]. 测绘通报, 2023, 0(5): 44-50.
[12]	蔡军, 温日强, 江伟, 严娇, 卢丽娟. 传统村落航拍图像中民族建筑识别的DeepLabV3+改进算法[J]. 测绘通报, 2023, 0(4): 49-53.
[13]	齐建伟, 王伟峰, 张乐, 王光彦. 基于改进DeepLabV3+算法的遥感影像建筑物变化检测[J]. 测绘通报, 2023, 0(4): 145-149.
[14]	佘佐明, 申勇智, 宋剑虹, 向玉瑨. 利用经典CNN网络方法构建贵阳市道路要素遥感影像自动提取模型[J]. 测绘通报, 2023, 0(4): 177-182.
[15]	王本礼, 王也, 唐先龙, 董胜光. 遥感影像变化图斑智能化提取平台研发与应用[J]. 测绘通报, 2023, 0(2): 150-154.