应用背景

住房和城乡建设部等六个部门在2021年的《关于加强窨井盖安全管理的指导意见》中提出要在2023年完成窨井盖的普查工作，但随着城市化逐渐加快，井盖数量愈加庞大，种类更加多样化，同时井盖的分布相对比较分散，传统的人工逐个巡查记录的普查方式需要投入大量的人力物力，整个普查过程耗时长、效率低。

在面对此类耗费人工的工作时，AI又可以大显身手了，下面来看看天枢遥感智能视觉平台是如何与无人机遥感数据结合，实现井盖自动化提取的吧。

数据情况

在本次模型训练中选取了两片城区的0.05m正射影像，通过对已有的井盖数据库进行人工筛查，确保样本的准确性，同时查看有无遗漏图斑，并从筛查过的样本中挑选一部分作为测试集，剩余样本作为训练集进行模型训练。

测试区一                                                                                               测试区二

上传数据

将训练、验证用的无人机影像上传至天枢平台数据中心中

建立数据集

在数据集中新建井盖训练数据集，将影像从数据中心添加到新建的数据集内

加载井盖标注

在平台样本标注界面点击加载本地标注，将井盖标注上传至天枢平台，点击保存。

模型训练

选择天枢平台中的模型训练地物分割算法模块，设置训练参数，提交任务。

模型效果测试

将训练完成的模型进行发布，然后在遥感解译功能中提交地物分割解译任务，利用划分出的测试集对模型效果进行评估。

结果统计

作业效率统计

此次模型训练轮数设置为30轮，增加模型训练轮回会增加模型训练所用时间，作业时长如下：

精度统计

下载shp成果，在ArcGIS中统计真值（人工标注）及平台解译的图斑面积。使用相交工具，计算平台提取图斑与真值图斑相交的个数，计算提交数据的准确率和召回率，结果统计如下：

成果展示

○ 井盖检出准确率极高（红色图斑为人工标注真值，蓝色图斑为平台解译结果）

○ 误检情况

改进空间

1. 本次测试所用井盖样本图斑共计3774个，后续可继续增加样本量，优化样本质量，进而提高模型召回率；

2. 明确井盖标注规则，避免人工标注时主观上对于井盖的判读，要根据实际影响特征进行标注；

总结

在本次测试中，在无人机航摄高清影像的加持下，单人进行井盖样本标注工作，基于天枢遥感智能平台的自训练能力，可实现井盖空间范围的自动提取，解决人工判读效率低等问题，减少外业核查工作量，是一套成熟、完备的窨井盖普查作业方案。