关于智能化“多测合一”综合管理关键技术的研究

冯振俭 薛翻琴 黄国航

【摘 要】文章结合工程建设项目“多测合一”改革中存在的问题，从智能化数据融合处理、智能化数据比对两个方面，提出了智能化“多测合一”综合管理关键技术路线，详细阐述了如何构建二三维多源自适配模型和智能化空间数据处理模型，解决工程建设项目“多测合一”改革中遇到的多源异构二三维数据融合效率低问题，并提升“多测合一”工程建设项目测绘审批效率，为“多测合一”智能化管理提供参考。

【关键词】多测合一;综合管理;智能化

【中图分类号】P208 【文献标识码】A 【文章編号】1674-0688（2021）07-0026-03

0 引言

为了贯彻落实中央、自然资源部重要文件精神，深入推进“放管服”改革，优化营商环境，更好地服务建设单位，全国各地陆续开展工程建设项目审批的“多测合一”改革工作，解决现有流程中存在的重复测绘、无数据共享、标准不统一、成果无法再利用问题等问题。“多测合一”就是将建设工程各阶段涉及的测绘服务项目整合成为一个综合性联合测绘项目，委托一家具备相应测绘资质的测绘服务机构采用统一的测绘标准实施全过程测绘服务，达到避免重复测绘、减轻企业负担、优化营商环境的目的，实现“一次委托、统一测绘、成果共享”[1]。

在工程建设项目“多测合一”改革前，建设项目立项用地规划许可到竣工验收和办理不动产登记过程中涉及的测绘业务众多，验收环节多，审批流程烦琐。一个建设项目需多次委托多个测绘单位开展测绘工作，由于各测绘单位之间相对独立，因此采用的技术标准不统一，基础测绘成果不能在各部门间共享，导致一个项目的多个测绘成果存在多源异构数据空间位置不匹配的问题，严重影响审批的效率和结果。在现阶段工程建设项目审批中，需要人工对比各类影像间、规划间的冲突问题，比如判断不动产实测和规划条件核实两类数据有无差异、是否符合审批标准等，耗时长，工作量大，影响工程建设项目审批效率。项目从开始到结束涉及的大多数测绘项目都是相通的，前一项测绘项目的成果大多是下一项测绘项目的原始数据，如果能实现标准统一、信息共享或者直接委托一家测绘单位全流程测绘服务，那么将提高工作效率、减少重复测绘、节约测绘成本，进而达到项目全面提速增效的目的[2]。

1 研究内容

针对“多测合一”数据融合过程中存在的多源异构数据空间位置不匹配的问题，在空地联合定向配准的基础上，融合机载三维激光点云精细建模技术，通过优化二三维数据空间匹配算法，自主研发多源异构数据融合自适配模型，实现二三维多源异构数据智能化融合匹配，提升“多测合一”数据配准精度与融合效率。

综合利用大数据、人工智能技术，基于孪生神经网络架构，优化卷积神经网络的Mask R-CNN和Faster R-CNN建模处理算法，建立空间智能化比对分析模型，提升“多测合一”多源异构空间数据的比对效率，实现工程建设项目“多测合一”成果数据的智能比对、智能审批。

2 主要技术路线

2.1 研发二三维多源异构数据自适配模型

在开展“多测合一”改革工作中，需要整合来自不同部门、不同数据结构的二三维数据，由于数据的来源不统一、技术标准不一致等，导致数据坐标存在偏差，无法完全精准匹配融合，在工程建设项目审批时，需要人工对数据进行坐标纠正，影响建设项目审批的效率。利用“空地联合影像定向配准技术+三维激光点云融合精细三维实景建模”相结合的方法，研发了二三维多源异构数据自适配模型，实现将无人机低空倾斜摄影、机载激光雷达扫描、BIM等三维数据与规划核实、不动产实测、勘测定界等二维数据的自动联合定向配准，解决了二三维多源异构数据空间位置高精度自动适配的难题，极大地减少“多测合一”成果数据整合处理工作量，有效提升建设项目审批效率。

2.2 建立智能化空间数据处理模型

为快速地解决“多测合一”在各个测绘成果质检过程中需要对比各类影像间、规划间的冲突问题，基于孪生神经网络（Siamese Network）架构模式，通过数据预处理、多尺度训练、使用多尺度感受野、数据重塑、优化框架等方式，分别优化了人工智能算法，建立智能化空间数据处理模型，实现测绘成果智能化比对，在“多测合一”业务审批方面极大地提升了业务审批效率，减少人工进行业务数据比对的工作量，解决了“多测合一”改革工作中审批提速难的问题。智能化空间数据处理模型总体架构图如图1所示。

3 模型具体设计

3.1 二三维多源异构数据自适配模型设计

自适配模型的主要内容是通过三维激光点云采集的地物高精度三维点位坐标对采集精度不高的数据进行自动坐标纠正转换，主要原理是根据同名点二元双三次多项式空间坐标转换算法，对转换模型参数进行优化解算，形成二三维多源异构数据自适配模型，并将模型集成至“多测合一”综合管理平台的二三维一体化数据生成子系统中。

（1）确定转换模型。从转换精度、转换效率、易编程性等方面考虑，本地区采用二元双三次多项式模型作为坐标转换的数学模型。二元双三次多项式模型表达式如下：

X80=X0+■■A■■（X54-X0）i（Y54-Y0）j

Y80=Y0+■■A■■（X54-X0）i（Y54-Y0）j

其中，X0、Y0为模型所使用的坐标原点X0=25 000 km=

2 500 000 m，Y0=500 km=500 000 m。

（2）构建动态坐标转换算法。通过对每幅影像进行逐像素转换，利用二元双三次多项式计算对应的坐标值，再利用仿射变换原理将该像素点移动到计算值处，根据像素坐标位置进行动态叠加运算，实现影像数据与矢量数据的转换匹配。通过多源异构数据精确匹配融合纠正方法，形成统一数据标准的二三维多源异构数据自适配模型。

3.2 智能化空間数据比对分析模型设计

Yann Lecun[3]于1998年提出了卷积神经网络的雏形，Krizhevsky等人[4]在2012年的Imagenet图像识别大赛中引入了随机失活方法和全新的卷积深层结构，在CNNs中成功应用了随机失活（Dropout）、线性整流函数（ReLU）和局部响应归一化层（LRN）等技巧，将深度学习引入计算机图像对比中。本项目建立智能化多源异构数据框架，基于影像数据的特点，对模型优化和改进：一是对数据进行剪裁，进行多尺度条件下的训练与测试;二是使用多尺度感受野，有效提取输入信息;三是对数据进行重塑，降低分辨率。

3.2.1 Faster R-CNN模型设计

采用孪生神经网络（Siamese Network）框架处理影像数据对比，使用基于卷积神经网络的Mask R-CNN的建模处理影像数据对比矢量数据和，并针对影像数据特点进行优化。创新研发了智能化的多源异构数据处理与分析模型，在“多测合一”业务审批方面极大地提升了业务审批效率，减少人工进行业务数据比对的工作量，解决了“多测合一”改革工作中的审批提速难的问题。

3.2.2 Mask R-CNN模型设计

Mask R-CNN是一个在Faster R-CNN的基础上演变改良而来的实例分割框架，与Faster R-CNN不同的是，Mask R-CNN通过添加mask进行实例分割，也就是说，Faster R-CNN仅限于可以实现分类和目标检测，而Mask R-CNN可以将识别到的物体轮廓分割出来。Mask R-CNN网络主要模块由ResNet-101、FPN、RPN、ROI Align、ROIPooling组成（如图2所示）。

ResNet-101是一个残差网络，作用是优化神经网络，通过增加深度提高神经网络的准确率，主要目的是解决“退化”问题，从而提高神经网络的性能，在本项目中，采用多尺度的感受野（卷积核）获取地物信息。

在图像检测过程中，不同的物体具有不同的尺寸，使用以往的图像金字塔网络FPN（Feature Pyramid Network）进行检测，可以缩放图像比例，使卷积神经网络处理起来更加容易。但是，金字塔网络的每一层在提取特征的时候存在局限性，使运算耗时大大提高，而且非常消耗显存，而Mask RCNN具有自上而下和横向连接的金字塔架构，可解决这些问题。自上而下的路径分析通过向更高的金字塔进行特征采样，从而获得更高分辨率的特征;而通过横向连接，这些提取的特征从下到上都得到了增强;FPN网络可得到高分辨率、强语义的特征。FPN网络结构如图3所示。

ROI Pooling具有提取兴趣区域的功能，但在提取图像感兴趣区域过程中，经过多次量化并取整，像素会出现较大的偏差，这必然对后层的定位产生影响。于是，产生了替代方案——ROI Align。

ROI Align是一种区域特征聚集方式。在对图像检测过程中，其引入了一个插值过程，解决了ROI Pooling操作中两次量化造成的区域不匹配问题，并且将mask的精度从10%显著提高到50%

3.3 模型训练

模型训练的数据集为10 000例，将数据集按7∶3的比例随机生成训练验证集和测试集。实验在NVIDIA Titan X GPU配置的Ubuntu16.04系统上完成，在PyTorch深度学习框架上进行，使用随机梯度下降算法更新权值，将初始学习率设置为0.001，经过5 000次迭代后，减少学习率为0.000 1，迭代1万次结束训练。

4 总结

在工程建设项目审批中，需要人工对比各类影像间、规划间的冲突问题，比如判断不动产实测和规划条件核实两类数据有无差异、是否符合审批标准等，耗时长、工作量大，影响工程建设项目审批效率。为解决工程建设项目审批提速难题，在集成的云端人工智能方法的基础上，分别优化了Faster RCNN算法和基于孪生神经网络（Siamese Network）架构模式下的MaskRCNN算法，提升了对多源异构数据目标检测和语义分割的准确率，通过大量的数据训练，数据分析准确率分别高达98.7%和97.3%。在GPU Titan X上的处理速度可达5 ms/帧和10 ms/帧，远高于传统处理数据的速度。此技术的应用将实现工程建设项目多源异构测绘成果数据的智能比对、快速融合、智能审批，解决了工程建设项目测绘成果从项目立项到竣工验收全流程的跨部门整合、审批提速难的问题。

基于智能化“多测合一”综合管理平台开展建设项目测绘业务委托，将原有的委托不同测绘服务机构实施不同类型的专项测绘，简化成一次委托、统一测绘，简化了建设单位的办事流程，同时线上办理的模式也让建设单位少跑路，节约了人力、时间和资金;实行“多测合一”，提高了测绘市场的准入门槛，加剧了测绘市场的竞争，也推动测绘服务机构逐步从单一内容的服务向多类型服务发展、从提供某一种产业活动向提供多种产业活动发展，测绘服务机构“红黑榜”的建立，有效解决了以往对工程建设项目测绘质量监督难的问题，进一步促进了地理信息产业健康发展。

参 考 文 献

[1]国务院办公厅.关于全面开展工程建设项目审批制度改革的实施意见（国办发〔2019〕11号）[Z].2019.

[2]吴乾坤，孟俊俊.关于建设工程项目开展“多测合一”的探讨[J].城市勘测，2020（4）：175-177.

[3]Lecun Y，Bottou L.Gradient-based learning applied to document recognition[J].Proceedings of the IE-

EE，1998，86（11）：2278-2324.

[4]Krizhevsky A.One weird trick for parallelizing convolutional neural networks[J].arXiv，2014（5）：1404-

1497.