基于深度学习的建筑破坏状态智能评估研究
X915.5%P315.9; 地震发生后需要对震害区域建筑物破坏等级进行快速评估,以便于震后辅助决策和应急救援.通过分析建筑物外立面震害照片数据,挖掘不同建筑破坏等级与其立面图像特征潜在的映射关系,建立基于震害图像数据的建筑破坏状态智能评估深度学习方法,并应用于都江堰的地震调查数据.首先,训练获得了DeeplabV3+图像语义分割深度神经网络模型,实现在震后复杂背景下的建筑物外观整体的分割提取.进一步,利用迁移学习进行ResNeXt网络参数训练用于图像分类,实现建筑物地震破坏等级的评估.分析了都江堰地震现场调查数据,实验结果表明,所提方法能够较精细地将建筑破坏划分为基本完好、损坏和倒塌三类,准...
Saved in:
Published in | 自然灾害学报 Vol. 32; no. 4; pp. 148 - 158 |
---|---|
Main Authors | , , , , |
Format | Journal Article |
Language | Chinese |
Published |
哈尔滨工业大学 土木工程学院, 黑龙江 哈尔滨 150006%中国地震局工程力学研究所 地震工程与工程振动重点实验室,黑龙江 哈尔滨 150080
2023
地震灾害防治应急管理部重点实验室,黑龙江 哈尔滨 150080 |
Subjects | |
Online Access | Get full text |
ISSN | 1004-4574 |
DOI | 10.13577/j.jnd.2023.0414 |
Cover
Summary: | X915.5%P315.9; 地震发生后需要对震害区域建筑物破坏等级进行快速评估,以便于震后辅助决策和应急救援.通过分析建筑物外立面震害照片数据,挖掘不同建筑破坏等级与其立面图像特征潜在的映射关系,建立基于震害图像数据的建筑破坏状态智能评估深度学习方法,并应用于都江堰的地震调查数据.首先,训练获得了DeeplabV3+图像语义分割深度神经网络模型,实现在震后复杂背景下的建筑物外观整体的分割提取.进一步,利用迁移学习进行ResNeXt网络参数训练用于图像分类,实现建筑物地震破坏等级的评估.分析了都江堰地震现场调查数据,实验结果表明,所提方法能够较精细地将建筑破坏划分为基本完好、损坏和倒塌三类,准确率达到 90.33%.评估模型可直接应用于震后建筑状态的较精细评估,且对外立面图像拍摄角度无较高要求,对图像背景鲁棒,可避免环境因素影响.相较于人工判断,研究方法提高了工作效率,缓解了调查者主观性判断带来的离散性影响,具有良好的应用潜力. |
---|---|
ISSN: | 1004-4574 |
DOI: | 10.13577/j.jnd.2023.0414 |