應用背景

住房和城鄉建設部等六個部門在2021年的《關于加強窨井蓋安全管理的指導意見》中提出要在2023年完成窨井蓋的普查工作，但隨著城市化逐漸加快，井蓋數量愈加龐大，種類更加多樣化，同時井蓋的分布相對比較分散，傳統的人工逐個巡查記錄的普查方式需要投入大量的人力物力，整個普查過程耗時長、效率低。

在面對此類耗費人工的工作時，AI又可以大顯身手了，下面來看看天樞遙感智能視覺平臺是如何與無人機遙感數據結合，實現井蓋自動化提取的吧。

數據情況

在本次模型訓練中選取了兩片城區的0.05m正射影像，通過對已有的井蓋數據庫進行人工篩查，確保樣本的準確性，同時查看有無遺漏圖斑，并從篩查過的樣本中挑選一部分作為測試集，剩余樣本作為訓練集進行模型訓練。

測試區一                                                                                               測試區二

上傳數據

將訓練、驗證用的無人機影像上傳至天樞平臺數據中心中

建立數據集

在數據集中新建井蓋訓練數據集，將影像從數據中心添加到新建的數據集內

加載井蓋標注

在平臺樣本標注界面點擊加載本地標注，將井蓋標注上傳至天樞平臺，點擊保存。

模型訓練

選擇天樞平臺中的模型訓練地物分割算法模塊，設置訓練參數，提交任務。

模型效果測試

將訓練完成的模型進行發布，然后在遙感解譯功能中提交地物分割解譯任務，利用劃分出的測試集對模型效果進行評估。

結果統計

作業效率統計

此次模型訓練輪數設置為30輪，增加模型訓練輪回會增加模型訓練所用時間，作業時長如下：

精度統計

下載shp成果，在ArcGIS中統計真值（人工標注）及平臺解譯的圖斑面積。使用相交工具，計算平臺提取圖斑與真值圖斑相交的個數，計算提交數據的準確率和召回率，結果統計如下：

成果展示

○ 井蓋檢出準確率極高（紅色圖斑為人工標注真值，藍色圖斑為平臺解譯結果）

○ 誤檢情況

改進空間

1. 本次測試所用井蓋樣本圖斑共計3774個，后續可繼續增加樣本量，優化樣本質量，進而提高模型召回率；

2. 明確井蓋標注規則，避免人工標注時主觀上對于井蓋的判讀，要根據實際影響特征進行標注；

總結

在本次測試中，在無人機航攝高清影像的加持下，單人進行井蓋樣本標注工作，基于天樞遙感智能平臺的自訓練能力，可實現井蓋空間范圍的自動提取，解決人工判讀效率低等問題，減少外業核查工作量，是一套成熟、完備的窨井蓋普查作業方案。