基于iDesktopX的深度学习实践之提取建筑面

基于iDesktopX的深度学习实践之提取建筑面

作者：Neshoir

       随着人工智能技术的迅速发展，越来越多从事GIS研究或应用的组织开始积极投入到GIS与AI结合的技术创新工作中。目前的技术发展情况可见，AI能够为GIS提升多个方向的能力，如遥感影像处理、中文地址解析、时空分布预测等。超图最新发布的10i iDesktopX产品提供了基于深度学习的建筑物地面提取、目标检测、场景分类、二元分类、地物分类等功能，降低用户使用门槛，提升效率。用户只需准备用于学习的数据，以二元分类为例，我们将对影像里的建筑物提取为面对象。

一、数据获取与准备

1. 影像数据

• 尽可能选分辨率高，质量高的数据。

分类	说明
格式	.tiff/.tif/.img格式
通道	3通道，必须包含RGB
坐标	epsg4326
位宽	8 bit无符号

• 目标提取蓝色厂房。

  

2. 标注数据

• 用IDesktopX工具，进行影像对象目标外轮廓绘制及属性标签赋值。

  

二、训练数据制作

1.环境配置

• 启动iDesktopX桌面工具，“开始”-“浏览”-“python”，默认Python环境是3.7，需要切换为Python3.6，否则会碰见各种模块不兼容问题。Python3.6环境可以自行安装。

  

• 配置java组件环境变量，将bin文件夹的目录添加到系统path变量里。

• 安装Python组件包，在bin_python目录下，执行命令：

  #注意一定要Python3.6环境
  python setup.py install
  

• 安装机器学习依赖库，步骤如下：

  # 在线安装依赖库，requirement.txt使用CPU进行机器学习（默认），requirement_gpu.txt使用GPU进行机器学习（性能更优）
  python -m pip install -r requirement.txt
  #Linux系统安装rasterio依赖库
  python -m pip install rasterio
  #Windows系统需要根据系统环境下载两个二进制文件（ GDAL 和 rasterio ）
  python -m pip install GDAL-2.3.2-cp36-cp36m-win_amd64.whl
  python -m pip install rasterio-1.0.11-CP36-cp36m-win_amd64.whl
  

  ​ 下载地址：GDAL 、rasterio

• 下载机器学习资源包 resource_ml ，包含了资源，数据，模型等，并解压到iDesktopX根目录，如图：

  
  注：所有路径不要带中文和特殊字符

2. 训练数据生成

• iDesktopX软件启动，打开tif影像文件和标签数据集。

• 切换到python3.6环境，“工具箱”-“机器学习”-“影像分析”-“训练数据生成”。

  

• 参数解释

  影像数据源：tif或img格式的影像文件
  标签数据集：对影像进行标注的目标轮廓和属性
  图片大小：以像素为单位，大小的设置与内存消耗成正比
  训练用途：如目标检测、二元分类等
  类别字段：为影像目标对象的属性标签字段。二元分类的value值1代表兴趣类，0代表非兴趣类。
  

• 训练数据生成，结果包含训练样本集，测试样本集，验证样本集。

  

三、模型训练

1. 介绍

• 基于上一步生成的训练数据样本，训练神经网络模型，通过验证集和测试集对训练模型不断迭代评估，提供应用的准确度和精度。iDesktopX产品内置了TensorFlow、Keras等训练框架，默认提供了Faster-RCNN、U-Net等 模型用于影像分析。

2. 训练

• “工具箱”-“机器学习”-“影像分析”-“模型训练”。

  

• 参数说明

  训练数据：上一步训练数据结果。
  训练配置文件：可用resource_ml目录下的binary_cls_train_config.sdt配置文件，配置文件里指定了训练框架、训练模型、数据类型、主干网络、训练集等参数。
  训练次数：与训练时间成正比。
  单步运行算量：一个批次计算的图片数量，与内存消耗成正比，与训练时间成反比。
  学习率：根据经验设置一个相对合适的值。
  

• 结果，每次迭代运行都会在控制台打印丢失率，得分率，精确度等信息。

  

四、二元分类

1. 分类

• “工具箱”-“机器学习”-“影像分析”-“二元分类”。

  

• 二元分类，得到二值化栅格图像。

  

2. 矢量化

• 栅格矢量化，“空间分析”-“矢栅转换”-“栅格矢量化”

  

• 参数解释

  勾选“只转换指定栅格值”
  栅格值：1代表目标兴趣类对象
  

• 矢量化结果

  

五、总结

• 结合不同的数据集类别对机器学习或深度学习模型进行训练，整体训练过程通过多次迭代（epoch）的方式来得到训练结果更优的网络模型，同时在训练模型中使用基于大规模基础训练数据的预训练模型，减少训练时间，通过超参数调优（学习率、Batchsize 等）提升模型训练效率和准确度。依照模型训练的周期时长，SuperMap 也提供支持短周期模型训练的SuperMap iDesktopX 桌面端训练工具和支持长周期模型训练的SuperMap iServer DataScience 服务方式训练工具。