顾腾 黄永华

摘 要 现有技术方案主要采取人机交互，目视判别方式对绘制的房屋线进行实体分类，如分为：户室、阳台、楼梯、过道、车位等。需要逐步定义或者部分批量框选定义，每次定义完后还需标注名称等。其操作过程相对繁琐，且需要一定的专业水平[1]。

關键词 全连接神经网络;房产测绘;自动识别

长期以来，在房产测绘中各类型实体定义是人工判别定义完成，现在建筑物层数高、复杂程度也更高，完全依赖人工来判别大大制约了生成效率及人工成本。基于全连接神经网络的房屋实体识别算法，可以做到对常见房屋类型自动识别率达到90%，做到一键生成，无须以往作图中的烦琐操作[2]。

1现有研究基础

现有房产测绘技术依赖于手工作图，如图1所示：步骤1先定义一个户室;步骤2定义与户室相关的阳台;步骤3定义外梯;步骤4按照步骤1、2、3逐步定义好其他实体。现实中的作图数量很多，依赖人工判别定义实体类型效率低[3]。

本文方法：

实现流程

2预处理

在挑选训练样本时，选择层数大于4层;户室数量大于10户;每层外包框中心点归为原点后，重新计算个结点坐标;不含地下室。提取每个实体层序号;面积;周长;节点数;层中心点X坐标;层中心点Y坐标;实体外包框每条边线均匀选取3个点（不含其2个端点）扩张0.3毫米并计算出是否有实体线相交（提取判断方式见图3）;实体每个节点的X坐标与Y坐标将层中心归零点坐标后，计算归零后值分别作为一个输入项，一共48个输入项，不足补零。

全连接神经网络设计：本算法基于全连接神经网络、深度学习，为房产测绘设计出一种自动识别房屋类型的算法，该算法深度学习10000多个样本。4层神经网络：输入层、输出层、两个隐含层，其中每个隐含层神经元个数为1024，为训练时过度拟合，神经元激活值以20%的概率停止工作[4]。

3结束语

本文方法在房产测绘中则是一键生成成果，在效率方面得到了极大提升，降低了作图复杂度的同时也降低了对作图人员专业水平的要求（如图4所示）。

参考文献

[1] 乔拴栋，林平.浅谈如何提高房产测绘的效率与质量[J].北京测绘，2014，（2）：120，130-131.

[2] 刘武.房地产测绘成果质量检查的实践[J].测绘通报，2004，（4）：62-63.

[3] 茹敏.深圳市地籍测绘简介[J].北京测绘，1998，（4）：38-40，28.

[4] 韩伟，吴艳兰，任福.基于全连接和LSTM神经网络的空气污染物预测[J].地理信息世界，2018，25（3）：34-40.