5. Bố cục của luận văn
3.2.2. Tính toán kết cấu hình ảnh
Sử dụng các mẫu hình ảnh được tạo từ bước trước, có thể thực hiện các phương pháp phân tích kết cấu bằng các phép đo thống kê của các kênh màu và BGC. Các phép đo thống kê của ba kênh màu bao gồm giá trị trung bình, độ lệch chuẩn, độ lệch, độ nhiễu, entropy và chỉ số phạm vi. Vì số lượng các dải được sử dụng thu được từ Sentinel 2 là 3; có 6x3 = 18 tính năng đạt được từ các phép đo thống kê của các kênh màu.
Ngoài ra, BGC được thực hiện với ba phiên bản đơn (BGC1), đôi (BGC2) và vòng lặp ba (BGC3). Mỗi phiên bản tạo ra một biểu đồ mô tả thông tin kết cấu của các mẫu hình ảnh. Nghiên cứu này tính toán các phép đo trung bình, độ lệch chuẩn, độ lệch, độ nhiễu và entropy từ mỗi biểu đồ. Do đó, các mô tả kết cấu BGC mang lại 5x3 = 15 tính năng.
Do đó, tổng số tính năng được trích xuất từ các mô tả kết cấu được sử dụng là 33. Ngoài ra, để tạo điều kiện cho việc phân loại dữ liệu dựa trên mô hình mạng nơ-ron thần kinh nhân tạo được sử dụng, các tính năng dựa trên kết cấu đã được chuẩn hóa theo phương trình điểm Z:
o X ZN X X m X s (15) Trong đó Xo và XZN lần lượt biểu thị tính năng gốc và tiêu chuẩn hóa. mX
và SX tương ứng là giá trị trung bình và độ lệch chuẩn của tính năng gốc.
3.2.3. Đào tạo và dự đoán mô hình mạng nơ-ron thần kinh nhân tạo
Như đã trình bày, một bộ dữ liệu bao gồm 3000 trường hợp và 33 tính năng đã được chuẩn bị để đào tạo và xác minh phương pháp tính toán được sử dụng để nhận dạng bề mặt xây dựng. Mỗi phiên bản của tập dữ liệu có nhãn lớp là phổ biến (ký hiệu là 0) hoặc xây dựng (ký hiệu là 1). Mô hình mạng nơ- ron thần kinh được sử dụng để khái quát một ranh giới quyết định có thể phân biệt các trường hợp dữ liệu của hai loại bề mặt phổ biến và công trình. Theo
đó, bộ dữ liệu ban đầu đã được chia ngẫu nhiên thành hai bộ loại trừ lẫn nhau: bộ đào tạo (70%) và bộ thử nghiệm (30%). Bộ đầu tiên được sử dụng để xây dựng mô hình. Bộ thứ hai được sử dụng để đánh giá khả năng dự đoán mô hình.
Quá trình đào tạo của mô hình mạng nơ-ron thần kinh nhân tạo nhằm mục đích điều chỉnh hai ma trận của WL0L1 và WL1L2 chỉ định cấu trúc mô hình. Kích thước của ma trận đầu tiên, là trọng số kết nối giữa đầu vào và lớp ẩn, là ma trận M x (NI + 1). Trong đó M và NI tương ứng là số lượng tế bào thần kinh trong lớp ẩn và số lượng tính năng đầu vào. Ở đây, NI = 33 bằng với số lượng các tính năng được trích xuất từ các mô tả kết cấu được sử dụng. Dựa trên khuyến nghị của Heaton (2008), giá trị của M được đặt xấp xỉ là trong đó N0 = 2 biểu thị số lượng các lớp đầu ra. Kích thước của WL1L2, lưu trữ trọng lượng kết nối giữa lớp ẩn và lớp đầu ra là N0 x (M + 1). Do đó, tổng số biến cần được xác định bởi các trình tối ưu hóa được sử dụng là NR x NI + NO x NR + 2. Trong nghiên cứu này, thuật toán đào tạo của GDM được sử dụng để tìm kiếm các giá trị phù hợp nhất của hai ma trận của WL0L1 và WL1L2.
3.3. KẾT QUẢ THỰC NGHIỆM
Như đã nêu trước đó, để đào tạo và xác minh mô hình mạng nơ-ron thần kinh nhân tạo được sử dụng để nhận dạng diện tích bề mặt xây dựng, bộ dữ liệu được trích xuất đã được chia thành hai bộ dữ liệu đào tạo (70%) và thử nghiệm (30%). Ngoài ra, để giảm bớt tác động không mong muốn và đánh giá chính xác khả năng khái quát hóa của mô hình, các quy trình lấy mẫu dữ liệu huấn luyện/thử nghiệm đã được thực hiện 20 lần. Trong mỗi lần, 30% tập dữ liệu, tương ứng với 900 trường hợp, được rút ngẫu nhiên để tạo thành tập dữ liệu thử nghiệm. Phần còn lại của bộ dữ liệu bao gồm 2100 trường hợp được sử dụng cho đào tạo mô hình.
Hình gốc Nhận dạng công trình xây dựng
Bản đồ bề mặt xây dựng
Lưu ý: Một ô ảnh màu đỏ biểu thị một bề mặt xây dựng.
Hình 3.4. Trình diễn kết quả phân loại mô hình với các bản đồ tỷ lệ nhỏ
Ngoài ra, để đánh giá kết quả dự đoán của các mô hình mạng nơ-ron thần kinh nhân tạo được sử dụng, tỷ lệ chính xác phân loại (CAR), độ chính xác, thu hồi, giá trị tiên đoán âm (NPV) và điểm F1 được tính như sau (Tien Bùi et al. 2019): CAR = 100% TP TN TP TN FP FN (16)
Precision = TP TP FP (17) Recall = TP TP FN (18) NPV = TN TN FN (19) F1 Score = 2 2 TP TP FP FN (20)
Trong đó TP, TN, FP và FN lần lượt thể hiện các trường hợp âm tính thật, âm tính thật, dương tính giả và âm tính giả.
Ghi chú: Ô ảnh màu đỏ biểu thị bề mặt xây dựng.
Hình 3.5. Kết quả phân tích cho thành phố Tam Kỳ
Số điểm ảnh thuộc về lớp "bề mặt xây dựng" là 524.070. Mật độ xây dựng cho TP Tam Kỳ là 58,32%
1. Tổng kết những kết quả đạt được.
Luận văn định hướng nội dung nghiên cứu vào mạng neuron nhân tạo và công nghệ xử lý ảnh để xây dựng mô hình khảo sát mật đô xây dựng tại thành phố Tam Kỳ, tỉnh Quảng Nam. Từ hình ảnh thực tế thu thập được, tiến hành tính toán mật độ xây dựng cụ thể tại một thời điểm của Thành phố Tam Kỳ
Các đóng góp khoa học của luận văn
1. Hệ thống hóa các nội dung cơ bản về mạng neuron nhân tạo và công nghệ xử lý ảnh.
2. Xây dựng mô hình khảo sát mật đô xây dựng tại thành phố Tam Kỳ, tỉnh Quảng Nam dựa vào phương pháp kết hợp mạng neuron với công nghệ xử lý ảnh.
3. Thực nghiệm phần mềm xây dựng với nhiều cách khác nhau. Từ đó tìm ra cách xây dựng phần mềm có độ chính xác cao nhất.
2. Hướng phát triển.
Thu thập thêm dữ liệu trên các đô thị khác để đánh giá mật độ xây dựng tại các đô thị lớn trên địa bàn tỉnh Quảng Nam nói riêng, cả nước nói chung, góp phần xây dựng thành phố thông minh, đáp ứng nhu cầu phát triển trong tương lai
[1] D. Tien Bui, N.-D. Hoang, and P. Samui, "Spatial pattern analysis and prediction of forest fire using new machine learning approach of Multivariate Adaptive Regression Splines and Differential Flower Pollination optimization: A case study at Lao Cai province (Viet Nam)," Journal of Environmental
Management, vol. 237, pp. 476-487, 2019/05/01/ 2019.
[2] T.-H. Tran and N.-D. Hoang, "Predicting algal appearance on mortar surface with ensembles of adaptive neuro fuzzy models: a comparative study of ensemble strategies," International Journal of Machine Learning and
Cybernetics, June 15 2018.
[3] N.-D. Hoang, Q.-L. Nguyen, and D. T. Bui, "Image Processing-Based Classification of Asphalt Pavement Cracks Using Support Vector Machine Optimized by Artificial Bee Colony," Journal of Computing in Civil
Engineering, vol. 32, p. 04018037, 2018.
[4] W. Zhang and A. T. C. Goh, "Chapter 3 - Assessment of Soil Liquefaction Based on Capacity Energy Concept and Back-Propagation Neural Networks,"
in Integrating Disaster Science and Management, P. Samui, D. Kim, and C.
Ghosh, Eds., ed: Elsevier, 2018, pp. 41-51.
[5] X. W. Tang, X. Bai, J. L. Hu, and J. N. Qiu, "Assessment of liquefaction- induced hazards using Bayesian networks based on standard penetration test data," Nat. Hazards Earth Syst. Sci., vol. 18, pp. 1451-1468, 2018.
[6] A. M. Hanna, D. Ural, and G. Saygili, "Neural network model for liquefaction potential in soil deposits using Turkey and Taiwan earthquake data," Soil
Dynamics and Earthquake Engineering, vol. 27, pp. 521-540, 2007/06/01/
2007.
[7] S. Deng, X. Wang, Y. Zhu, F. Lv, and J. Wang, "Hybrid Grey Wolf Optimization Algorithm Based Support Vector Machine for Groutability Prediction of Fractured Rock Mass," Journal of Computing in Civil
adaptive neuro-fuzzy inference system," Neural Computing and Applications,
July 07 2017.
[9] N.-D. Hoang and Q.-L. Nguyen, "Fast Local Laplacian-Based Steerable and Sobel Filters Integrated with Adaptive Boosting Classification Tree for Automatic Recognition of Asphalt Pavement Cracks," Advances in Civil
Engineering, vol. 2018, p. 17, 2018.
[10] E. T. Fonseca, P. C. G. d. S. Vellasco, M. M. B. R. Vellasco, and S. A. L. de Andrade, "A neuro-fuzzy evaluation of steel beams patch load behaviour,"
Advances in Engineering Software, vol. 39, pp. 558-572, 2008/07/01/ 2008.
[11] V. K. Ojha, A. Abraham, and V. Snášel, "Metaheuristic design of feedforward neural networks: A review of two decades of research," Engineering
Applications of Artificial Intelligence, vol. 60, pp. 97-116, 2017/04/01/ 2017.
[12] C. M. Bishop, Pattern Recognition and Machine Learning (Information
Science and Statistics) Springer (April 6, 2011), ISBN-10: 0387310738, 2011.
[13] R. S. Sexton and J. N. D. Gupta, "Comparative evaluation of genetic algorithm and backpropagation for training neural networks," Information Sciences, vol. 129, pp. 45-59, 2000.
[14] T.-H. Tran and N.-D. Hoang, "Predicting Colonization Growth of Algae on Mortar Surface with Artificial Neural Network," J. Comput. Civ. Eng., vol. 30, p. 04016030, 2016.
[15] G. Montavon, G. Orr, and K.-R. Müller, Neural Networks: Tricks of the Trade: Springer-Verlag Berlin Heidelberg, 2012.
[16] N.-D. Hoang and D. Tien Bui, "Chapter 18 - Slope Stability Evaluation Using Radial Basis Function Neural Network, Least Squares Support Vector Machines, and Extreme Learning Machine," in Handbook of Neural
Computation, ed: Academic Press, 2017, pp. 333-344.
[18] M. H. Beale, M. T. Hagan, and H. B. Demuth, "Neural Network Toolbox User’s Guide," The MathWorks, Inc, 2012.
[19] M. H. Beale, M. T. Hagan, and H. B. Demuth, Neural network toolbox user’s guide, https://www.mathworks.com/help/pdf_doc/nnet/nnet_ug.pdf (Last
accessed 04/28/2018): The MathWorks, Inc, 2018.
[20] Y. A. LeCun, L. Bottou, G. B. Orr, and K.-R. Müller, "Efficient BackProp," in
Lecture Notes in Computer Science vol. 7700 2012 (Neural Networks Tricks
of the Trade), G. B. O. Grégoire Montavon, Klaus-Robert Müller, Ed., ed Berlin, Germany: Springer Berlin Heidelberg, 2002.
[21] P. Kim, MatLab Deep Learning with Machine Learning, Neural Networks and Artificial Intelligence: Apress, 2017.
[22] N.-D. Hoang and D. Tien Bui, "GIS-Based Landslide Spatial Modeling Using Batch-Training Back-propagation Artificial Neural Network: A Study of Model Parameters," Cham, 2018, pp. 239-254.
[23] D. Tien Bui, H. V. Le, and N.-D. Hoang, "GIS-based spatial prediction of tropical forest fire danger using a new hybrid machine learning method,"
Ecological Informatics, vol. 48, pp. 104-116, 2018/11/01/ 2018.
[24] K.-W. Liao, J.-C. Fan, and C.-L. Huang, "An artificial neural network for groutability prediction of permeation grouting with microfine cement grouts,"
Computers and Geotechnics, vol. 38, pp. 978-986, 2011/12/01/ 2011.
[25] M. Sonka, V. Hlavac, and R. Boyle, Image processing, Analysis, and Machine
Vision: Cengage Learning, Printed in the United States of America, ISBN-10:
1-133-59360-7, 2013.
[26] T. Lillesand, R. W. Kiefer, and J. Chipman, Remote Sensing and Image Interpretation: John Wiley & Sons, 2015.
[27] J. W. Rouse, R. H. Haas, J. A. Schell, and D. W. Deering, "Monitoring vegetation systems in the Great Plains with ERTS," In: Conference
[28] S. Theodoridis and K. Koutroumbas, Pattern Recognition. Printed in the United States of America, ISBN 978-1-59749-272-0: Academic Press, 2009. [29] N.-D. Hoang, "Image processing based automatic recognition of asphalt
pavement patch using a metaheuristic optimized machine learning approach,"
Advanced Engineering Informatics, vol. 40, pp. 110-120, 2019/04/01/ 2019.
[30] A. Fernández, M. X. Álvarez, and F. Bianconi, "Image classification with binary gradient contours," Optics and Lasers in Engineering, vol. 49, pp. 1177-1184, 2011/09/01/ 2011.
[31] A. Humeau-Heurtier, "Texture Feature Extraction Methods: A Survey," IEEE
Access, vol. 7, pp. 8975-9000, 2019.
[32] I. El Khadiri, M. Kas, Y. El Merabet, Y. Ruichek, and R. Touahni, "Repulsive- and-attractive local binary gradient contours: New and efficient feature descriptors for texture classification," Information Sciences, vol. 467, pp. 634- 653, 2018/10/01/ 2018.
[33] Tỉnh ủy Quảng Nam, Kết luận số 38/KL-TU của Hội nghị lần thứ tư, khóa XXI về xây dựng và phát triển đô thị trên địa bàn tỉnh, giai đoạn 2016-2020 [34] Bộ Xây dựng Việt Nam, Quyết định số 04/2008/QĐ-BXD ngày 03/04/2008