图像识别技术在土地卫片执法审核中的应用

潘兴利

摘要：随着人工智能技术的不断发展，图像识别技术也不断朝着智能化的方向发展。特别是在一些识别难度较大的环境中，这种技术可以取代传统的图像识别方式，客观且准确地完成图像识别。因此，本课题研究具有十分重要的意义。

关键词：智能识别;土地卫片执法;审核

引言

自2010年以来，自然资源部（原国土资源部，下同）每年在全国部署开展年度全覆盖卫片检查工作。通过开展年度卫片检查，严肃查处了大批国土资源违法行为，有力震慑了违法当事人，在提高地方党委政府依法依规管地管矿用地用矿意识、有效保护国土资源、维护国土资源管理秩序方面发挥了重要作用。2017年度卫片检查，自然资源部要求必须对卫片检查信息系统下发的卫片图斑逐一填报合法性判定结果及判定依据，对需要举证的地方要进行举证。地方举证人员必须到待举证图斑现场，进行实地拍照和信息填报，举证照片将作为审核的重要信息。然而，卫片检查工作时间紧、任务重，且举证图斑无法全数审核，需要考虑利用深度学习技术智能识别举证照片以提高審核工作效率。随着深度学习技术的快速发展，图像识别技术有较好的识别效果，利用图像识别技术开展基于影像数据的土地有关自动分类研究也越来越多，但对基于举证照片的土地卫片执法辅助审核有关的智能识别研究鲜有报道。

1智能图像识别技术概述

智能图像识别技术是人工智能领域的一项技术，图像识别技术的对象主要是图像，以各种类型的图像为基础，通过对图像进行处理可以整合复杂信息，降低数据处理的难度。由于每一个图像都是具有自己的特色的，将信息制作成图像难度比较大，工作人员需要对数据信息进行层层的处理，在经历过层层的加工之后数据信息可以以复杂图像的形式呈现出来。图像制作过程主要是通过人工智能来实现的，主要的过程和步骤是在获取信息的基础上，计算机对数据信息进行预处理，然后根据数据信息的特征选择属于数据信息的特征，在确定好数据信息的特征之后，再选择相应的模板匹配模型，这样看来图像的处理过程十分复杂，需要借助于人工智能大数据技术，对众多的数据信息进行分门别类的处理，根据处理的结果选择合适的模型。但是图像制作完成之后，也会出现各种各样的问题，工作人员在识别图像的时候会面临各种各样的问题，为了降低图像识别的难度，需要重视技术的融合。智能图像识别技术需要设计的工作有很多，并且工作比较复杂，需要涉及各个部门的工作，因此做好各部门之间的信息共享十分重要。

2人工智能中的图像识别技术原理

人工智能中的图像识别技术，其原理复杂程度不高，与肉眼识别相比，二者并无明显的差异，仅在过程上有所差别。图像识别技术在识别图片时，会通过扫描的方式运用人工智能、虚拟现实技术提取图像特点，然后在数据库中找出与之类似的图像，最终完成对图像的识别和处理。目前，图像识别技术的应用领域十分广泛，在电力、医疗、工业等领域的应用较为普遍，主要负责图像处理和识别等任务。人工智能中的图像识别技术的原理：通过对不同类型处理方式的使用，不断积累数据，以实现分析图片和实际事物的目的。在此基础上，结合智能技术可以将二维平面图形转化为三维模型。正因如此，图像识别技术在医疗行业领域取得了良好的应用效果。比如：患者在生病后通过拍片的方式，即可明确发生病情的身体部位和原因。

3图像识别技术在土地卫片执法审核中的应用

3.1数据特点分析

在土地卫片执法工作中，需要各地针对国家季度卫片图斑进行现场图斑核实和上报，其中，图斑类型准确与否是上级审核的主要内容，而举证照片就是图斑类型的最直接、最重要的佐证材料。举证照片是工作人员在实地拍摄的举证图斑的现场照片，主要包括设施农用地、临时用地、临时占用林地、林业生产工程设施、农村道路、不改变原用地性质的光伏用地、实地未变化、农田水利设施、农业简易棚、水面简易棚、土地整理、农业结构调整、水面高架路桥、河堤整治、边坡治理、电塔用地、乡村旅游用地、点状供地项目用地、抢险救灾用地、灾毁用地、军用土地、海域、其他特别用地等23个类别。举证照片是以土地执法管理属性为依据划分类别的，人文信息复杂、类别众多，且不同类别举证照片还具有相似的交叉图像特征，不能简单地将所有类别的举证照片进行图像识别应用。

3.2图像匹配分类

图像匹配分类需利用有效程序制定标准的识别规则，避免盲目识别造成的数据误差。按照标准的识别规则可以突显出相似的特征种类。对图像匹配分类需要图像识别过程具有很好的辨识度，不仅需要标准的识别规则，还需要设计合适的分类器。常用的分类器有Adaboost分类器和SVM分类器。前者利用迭代的分类方法，自适应组合精度更高的弱分类器，合成一个功能强大的分类器;后者利用二分类算法，获取小数据集的分类精度，同时可以支持线性和非线性分类。

3.3技术路线

在现有基本建设工程管理制度和设计概预算编制办法指导下，按照系统性、差异性、记实性、典型性、适应性等测定基本原则和技术精度要求开展试验，从工程、工点、施工条件的选择，无人机参数设置，图形图像识别处理、数理统计与分析研究，组织工作等方面拟定工作大纲。通过对路基工程典型工点航拍影像的识别计算，对比现场写实记录的结果，得出两者的差值，分析其成因，判定试验方案的科学性、可行性，为增强定额测定数据的完整性、准确性和真实性，为今后采用人工智能开展定额测定探索新的路径。

3.4神经网络

在大数据时代下，图像识别技术在发展的过程中与多项技术相融合，其中神经网络技术便是代表性技术。其应用方式为集传统图像识别技术和神经网络算法于一体的新型图像识别技术。神经网络技术是人工智能技术的重要组成部分，与图像识别技术相融合，可以使两种技术的优势充分发挥。以人工神经网络为例，人工神经网络可以对人类神经网络进行模拟，具备学习能力，在经过大量的训练后，其识别率会直线上升。与传统图像识别技术相比，基于神经网络算法的图像识别技术，在识别复杂图像时可以取得良好的效果，但技术应用成本却有所增加。这项技术的图像识别过程与传统图像识别技术相同，其优势主要表现为识别效率高和精度高，能够实现对图像的快速识别，同时还能依据图像特征进行分类处理。

结束语

利用航空摄影图像识别技术开展工程定额测定是一项多学科应用的创新研究，其中GIS数据、图像采集、目标识别、逻辑算法等是该技术应用的关键。通过验证，该技术路线、试验方法和成果满足研究要求，过程客观公正，不仅具有进一步深入研究和推广应用价值，而且对拓展定额测定工作思路，利用高科技测定方法开展其他专业定额测定也有较强的借鉴意义。

参考文献

[1]华正阳.基于视觉技术的热成像图像识别系统研究[J].通讯世界，2019，26（12）：12-13.

[2]孔松涛，黄镇，杨谨如.红外热像无损检测图像处理研究现状与进展[J].红外技术，2019，41（12）：1133-1140.

[3]童小明.一种简单的图像识别技术[J].软件，2019，40（12）：218-221+225.

[4]邓祺盛，纪爽，李政，马雪倩，赵璐.基于BP神经网络的图像识别系统[J].现代计算机，2019（35）：54-58+62.

[5]唐娅莉.计算机图像识别技术的现状和改进建议[J].网络安全技术与应用，2019（12）：147-148.