桂林电子科技大学 广西桂林 541000
随着国内外卫星遇感监测与物联网技术的不断发展完善，交通工程安全生产的信息化、智能化时代来临。针对静态数据的传统研究方法将逐步向动态数据研究转变，拟开展的交通工程沿线地质灾害预警体系建设课题的特点，是将基于高光谱遥感监测的全线远程监控与基于物联网技术的高风险区监测方法结合。鉴于黄土地区的灾害易发性、强致灾性等特点，本项目旨在利用遥感技术，对线路工程沿线（以某试验段为研究对象）的地质灾害（本项目以滑坡风险为例）分布状况和发育情况进行摸底，分类和识别各种地质灾害的致灾因子，并基于案例分析基础之上的信息量法，建立针对工程沿线地质灾害风险的评价模型，并实现其软件化。由于地质灾害的主要诱发因素为：人类活动、地震及降雨，因此，在对地灾风险评价的基础上，有针对性的展开对诱发因素的监控，使用物联网监控体系，并建立预警预报模型，对地灾风险进行主动预控，从而实现数据实时化、评价动态化的效果。
此项目是关于如何利用图像语义分割技术从高分辨率影像地图中提取道路网信息。基于高分辨率遥感影像，制作了路网分割训练数据集，将深残差网络应用到路网提取，并进行了网络结构和参数的优化设计，研究了分阶段进行网络训练的方法，进一步提升了路网提取的性能。主要应用于灾情处理，制定不同突发状况下的应急预案，通过结合GPS和航空遥感技术系统实现灾情现场路网状况的动态监测和灾情图像为实施，为有效的救援措施提供了依据。
在深度学习大规模应用之前，图像语义分割的方法众多，相关成果也很多，例如像素级别的阈值法，基于像素聚类的分割方法和图划分的分割方法等，其中Normalized cut和Grab cut是两个基于图划分的著名分割方法。
N-cut方法是基于图划分的语义分割方法，在2000年的时候Jianbo Shi和Jitendra Malik发表在TPAMI。一般来说，基于图划分的语义分割方法是将图像抽象为图G=（V，E），再借助图理论中的方法和知识进行图像的语义分割。常用的方法有最小割方法（Min-cut algorithm）。在边的权重计算时，Min-cut算法仅仅考虑局部信息。N-cut则考虑了全局信息来进行图划分，将两个分割部分与全图节点的连接权重考虑进去。N-cut不仅可处理二类语义分割，还可以将二分图扩展为K路图划分，这样便可完成多语义图像分割。
Grab cut 是微软剑桥研究院在2004 年提出的，是一种迭代交互式图像语义分割方法。它利用了图像中的颜色信息和反差信息，用户交互操作量较少，前后背景分割效果较好。Grab cut 的交互方式有两种：一是以包围框为辅助信息；另一个是以涂写的线条作为辅助信息。但它仅能处理二类语义分割问题，对于背景相似的图像分割效果差且需要人为干预而不能做到完全自动化。
在高分辨率遥感影像路网提取研究中，基于边缘特征的路网提取作为比较经典的方法在早期提取过程中被大量使用。以滤波法为例，滤波法是通过使用空间滤波器来改进输入的遥感图像，去除噪声像素实现细化，从而提取线特征进行连接形成道路网络等。
在进入深度学习时代之后，图像语义分割也开始被应用于深度学习方法，一些基于卷积神经网络训练的图像分割方法不断被提出，刷新了图像语义分割精度。例如全卷积神经网络（FCN），空洞卷积，以条件随机场为代表的后处理操作。
全卷积神经网络由加州大学伯克利分校的Trevor Darrell 小组发表于计算机视觉领域的CVPR 2015 会议，它基于深度卷积神经网络模型实现，直接可以进行像素级的端对端的图像语义分割，在全卷积神经网络中，第6 个和第7 个全连接层是由卷积层实现，最后第8 层则使用了一个21 通道的卷积层，作为整个网络的最终输出层。
全卷积神经网络使用双线性插值将响应张量的长宽进行上采样恢复到原图大小，这样可以解决下采样带来的问题。全卷积网络还考虑了网络中浅层的响应，就是将第四个池化层和第三个池化层的响应拿来分别作为FCN-16s 和FCN-8s 的输出，与之前FCN-32s 的输出结合在一起作为最后的图像语义分割结果，这样可以更好的预测图像的细节。
因为全卷积神经网络存在池化层，响应张量的长和宽越来越小，但是FCN的设计初衷则需要和输入大小一致的输出，因此FCN 做了上采样。但是上采样并不能将丢失的信息全部无损地找回来。
空洞卷积是全卷积神经网络的一个改进版本，它的主要贡献在于去掉池化下采样操作的同时不降低网络的感受野。
该项目在原有的基础上进行了优化，具有一定的优良性和可行性；有合作公司提供技术支持；随着社会经济地不断发展，自然灾害发生的频率也在不断上升，因此发展本项目进行灾情监测来减轻灾害损失有一定的必要性；采用残差网络解决了退化问题，克服了网络层越深实际效果越差的现象。
技术更新换代快，容易被淘汰，需要雄厚的资金来支持技术的持续发展；起步晚，难以抢占市场份额；项目中采取的反卷积网络对网络深度有一定的要求，而网络结构越深，越难以训练模型。但同时，市场在不断扩大，发展遥感道路网络识别提取系统来监测灾害有一定的必要性。虽然起步晚，容易被扼杀在摇篮里。但是得益于商业用户推动，全球商业遥感卫星行业保持强劲发展势头。2017年，全球遥感卫星市场业务收入规模已达到22亿美元，2018年收入达到24亿美元。
在遥感卫星行业的发展下，各种遥感图像获取分析市场也得到了发展，高分辨率卫星观测系统的商业化是未来发展的重要方向。需要制定和完善可实行的政策，鼓励民间资本投入、政府扶持、政企合作、军民融合、国家和地方合作，大力发展高分辨率商业化卫星星座和数据服务与应用服务体系。高分辨率商业卫星小、投资少、风险低、见效快，更加适合民间资本进入和社会化发展，国外比较成功的有美国PlanetLabs、SkyBox、加拿大UrtheCast、阿根廷Satellogic等企业发射运营的纯商业化遥感卫星星座。国内以企业与地方政府合作主，目前有二十一世纪公司的北京二号系列、长光公司的吉林号系列、航天集团的商遥卫星等。高分辨率卫星遥感系统的商业化，将极大地加强遥感数据保障能力，降低数据服务成本。而国内的灾区支援道路提取图像也是遥感卫星发展所带来收益的一部分。
随着经济的高速发展、生产规模的扩大以及资源的过度开发、自然灾害损失呈逐年上升趋势，其特征表现之一为发生频率越来越高。我国自20世纪90年代以来，年受灾人口越来越多，造成的经济损失更是不断增长。因此，在灾害发生后，快速获取灾情的相关信息，特别是生命线工程破坏情况等，正确、有效、高速地进行救灾决策，是最经济而又最有效减轻灾害损失的手段。目前获取较为可靠的灾害损失评估信息主要依靠传统地面调查和历史资料，所费时间对急需获得救助的灾区来说实在太长，且因历史数据更新滞后，导致精度较低，因此发展灾情监测的道路网络识别提取系统成为必然，未来公共的治理水平的提高也离不开这些应用。
本文是2020年桂林电子科技大学大学生创业训练“灾难监测领航者——遥感道路网络识别提取系统”项目成果