利用移动感知影像识别收缩城市中的废弃建筑（Identifying abandoned buildings in shrinking cities with mobile sensing images）
Yan Li, Xiangfeng Meng, Huimin Zhao, Wenyue Li & Ying Long
收缩城市阶段，废弃建筑的数量不断增加，给居民的安全和健康带来了威胁，也影响和房地产市场，并增加了政府财政负担。废弃建筑的识别为城市精细化管理、房地产市场交易和政府决策提供了基础信息。但是，遥感图像、商业街景图像等现有数据，不足以及时收集精细尺度的数据，且缺乏大尺度和高精度的探测方法。本研究定义了废弃建筑的概念和识别标准，进而开发了有效的基于图像分割的深度学习方法，从大规模移动感知图像（Mobile sensing images，MSIs）中高精度地识别出单个废弃建筑。该研究以中国东北的一个典型的收缩城市作为研究对象，收集了11359张街道级别的图像，包括了共计约126.2公里的城市道路，利用深度学习检测方法的废弃建筑识别准确率为83.8%。该研究与商业街景图像（最新的数据为2015年）进行了对比检测，分析了废弃建筑的动态变化。从2015到2021年，该城市的废弃建筑数量从102栋减少了50栋，且集中分布在老城区。本研究证明了该方法在识别废弃建筑方面的可行性，表明移动感知图像在大空间范围内及时识别废弃建筑具有巨大的潜力。
关键词：街景图像，深度学习，图像分割，城市更新
引用
Li, Y., Meng, X., Zhao, H., Li, W., & Long, Y. (2023). Identifying abandoned buildings in shrinking cities with mobile sensing images. Urban Informatics, 2(1).
https://doi.org/10.1007/s44212-023-00025-5
研究背景与研究问题
随着全球去工业化进程的加快，收缩城市的现象变得非常普遍，主要表现为城市内部人口规模和集聚程度的降低，导致了建成环境中物理空间的冗余。废弃建筑的定义通常是指不能正常使用，需要拆除或大面积翻修的建筑，比如拆除的街区、废弃的工业综合体或封闭的文化设施。废弃的建筑会降低社区活力、诱发犯罪，降低商业吸引力，对城市管理、风貌和安全造成负面的影响。已有的研究对废弃建筑的空间尺度和特征缺乏明确的定义和表征，或者关注单个建筑或农村民居，缺乏对废弃建筑的大范围检测方法，而传统的调查和基于现有数据如遥感影像和商业街景影像数据（SVI），在检测废弃建筑方面非常有限，并且收缩城市大部分位于欠发达地区，缺少街景数据或者只有旧年份的街景影像数据。因此，本文旨在利用移动设备上的传感器和图像采集功能，建立一个实时的废弃建筑识别系统，以更准确地检测和定位废弃建筑，提高建筑物识别的效率和精度。相比于传统的方法，研究者可以使用智能手机的相机快速和低成本地收集视觉信息，同时结合机器学习算法，能够检测和分类最新的废弃建筑。本研究的主要研究问题有：（1）如何有效利用移动设备上的传感器和图像采集功能对废弃建筑进行数据采集？（2）如何设计合适的算法来处理和分析大量的感知图像数据，更好地识别废弃建筑物？
现有的研究和实践从产权、社会影响和建筑功能等方面定义废弃建筑，主要包括两个方面，“建筑的状态本身”和“人们使用和维护建筑的方式”。因此，基于这两个方面，本研究将废弃建筑定义为“没有正常的使用状态和清晰的使用痕迹”，并以此建立了废弃建筑识别的指南，包括六个维度：整体的建筑结构、门窗、墙壁、屋顶和拆除标志共六个维度，九个标准。满足其中一条就可以被认为是废弃建筑，并逐渐被补充和修改特殊情况，为了识别一些容易混淆的物体。该指南为人工标注训练集和后验证提供了结构化参考，是保证废弃建筑识别稳定性和准确性的重要工具。
表1 废弃建筑识别指南
表2 废弃建筑识别指南（续表）
研究内容
本研究选取的移动感知影像数据案例提取自黑龙江黑河。鹤岗是一个典型的东北地区的收缩城市，因国企改制、年轻人外出务工和人口老龄化等原因，出现了废弃建筑、空荡街道和恶化的基础设施等现象。我们在2021年9月进行了图像收集，主要是在道路的最外侧和最靠近街道的里侧进行了建筑物的双向收集，避免被路过的车辆阻挡到。使用安装在车辆上的GoPro9摄像头从10度和170度获取了完整的建筑，同时GPS坐标也间隔1s被同时记录。为了覆盖完整的研究区域，路径规划算法Mixed Chinese Postman Problem (MCPP)也被应用在计算优化的规划路径。
图1-研究案例地：黑河市中心城区
在建筑物的识别方面，本研究使用语义分割深度学习方法Mask R-CNN。为训练该深度学习方法，我们使用了LabelMe 自动标记软件，根据既有的识别标准在每一张照片中标记每一个建筑的外轮廓和使用状态。同时，为了缩短训练时间，我们采用了迁移学习方法来微调预先训练好的 CNN 模型，并且使用了一个预训练数据库，Common Objects in Context (COCO)。最后，基于人工校准，废弃建筑被分为了工业建筑、商业建筑、居住建筑和工地四类。
研究发现，在2021年，有50栋废弃建筑，主要分布在黑河的北部和旧城区。由于百度街景图像数据只更新到了2015年，我们同样使用该方法进行图像分割，获取从2015年到2021年废弃建筑的变化。从2015年的百度街景图像中共识别出了102栋废弃建筑，主要包括废弃住宅和工业建筑。这些建筑物散布在整个城市中，没有显示出聚集模式。2021 年，废弃建筑的数量减少了 52 栋，几乎减少了一半。分布范围主要集中在老城区，周边新城环境有所改善。接着，我们又使用遥感影像数据识别了废弃建筑，研究将识别结果与建筑物的遥感图像进行了比较，发现2021年只有58%的废弃建筑物可以从遥感图像中识别出来。遥感图像的大小、位置、分辨率和采集时间都对识别准确率有影响。有些废弃建筑物在街景图像中较为明显，但在遥感图像中却被云、雾所遮挡或分辨率不足，导致无法识别。最后，我们对比了Faster R-CNN和Mask R-CNN在识别废弃建筑中的效果，发现前者的识别精度为80.4%，后者的精度为83.3%。特别地，尽管Faster R-CNN可以快读地识别出废弃建筑，但是无法提供像素级别的建筑轮廓信息，因为它是用方框圈定识别出的废弃建筑。
图2-2021年废弃建筑的四大类：商业遗产（a）、住宅遗产（b）、建筑工地（c）和工业遗产（d）
总体而言，废弃建筑是空间无序的表现，也是城市环境退化的表现，与负面的经济、公共卫生和社会稳定结果有关。废弃建筑的存在给城市更新和重建带来了许多挑战，包括环境评估和规划决策。本研究界定了废弃建筑的概念，利用新颖的移动传感和深度学习技术，快速准确地识别废弃建筑，并提供相关信息和数据。为了有效、准确地定位废弃建筑，我们开发了一种基于图像分割的深度学习方法并进行了实验。根据实验发现，移动感知图像作为新的数据源，具有良好的灵活性、覆盖率和可访问性。该方法能较好地弥补现有商用街景图像数据的时效性不足，较好地从人的尺度视角（即人眼视角）与遥感影像航拍视角对废弃建筑的外观信息进行表征。本研究丰富了废弃建筑的研究理论和方法，同时提高了城市更新与重建的效率和质量。识别和监测这些废弃建筑及其周边环境，可以帮助城市规划机构更好地管理城市环境，促进可持续发展。当地政府可以按年度收集数据进行废弃建筑的管理和维护，社区组织在社区巡查、维护活动中，可以通过众包方式收集废弃建筑的相关数据，提醒地方政府或城市规划机构及时处理这些建筑。
李彦，清华大学建筑学院城市规划系博士后，清华大学“水木学者”。
孟祥凤，中国矿业大学建筑与设计学院讲师。主要研究领域为中国收缩城市的精细化识别、空间表征分析与规划机制研究、资源型城市转型发展研究、城市更新。
个人主页：https://faculty.cumt.edu.cn/mengxiangfeng/zh_CN/index/209824/list/
联系方式：m13630937973@163.com
赵慧敏，清华大学建筑学院城市规划系博士研究生。
李文越，哈尔滨工业大学（深圳）建筑学院助理教授。其研究方向为村镇规划、新数据城市研究、未来城市空间。
个人主页：
http://faculty.hitsz.edu.cn/liwenyue
龙瀛，清华大学建筑学院城市规划系长聘副教授/特别研究员，北京城市实验室（Beijing City Lab）创建人与执行主任。主要研究方向为新城市科学，城市大数据分析与可视化。
个人主页：http://www.arch.tsinghua.edu.cn/info/rw_csgh/1419
邮箱：ylong@tsinghua.edu.cn
END
编辑：梁泽欣、庄筠
审核/指导：李舒阳、龙瀛
