CN113516169A - 一种基于深度学习的建筑震后破坏等级分类方法 - Google Patents

一种基于深度学习的建筑震后破坏等级分类方法 Download PDF

Info

Publication number
CN113516169A
CN113516169A CN202110543755.6A CN202110543755A CN113516169A CN 113516169 A CN113516169 A CN 113516169A CN 202110543755 A CN202110543755 A CN 202110543755A CN 113516169 A CN113516169 A CN 113516169A
Authority
CN
China
Prior art keywords
earthquake
building
damage
images
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110543755.6A
Other languages
English (en)
Inventor
徐军
王圣哲
田静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202110543755.6A priority Critical patent/CN113516169A/zh
Publication of CN113516169A publication Critical patent/CN113516169A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出一种基于深度学习的建筑物震后损伤等级评估方法，涉及地震工程领域，通过采集地震区域的被破坏和损伤房屋图像，进行标记并建立数据集，基于深度学习对图像中的建筑物进行受震损伤分类。本发明可以快速高效地对受震区域内的建筑进行准确地损伤分类，可以利用深度神经网络的计算能力以及快速的决策能力，代替现场人工评估，大幅度减少时间和精力耗费，在保证准确率的情况下对大范围的受震区域内建筑的破坏情况做出高效判断。

Description

一种基于深度学习的建筑震后破坏等级分类方法
技术领域
本发明涉及一种基于深度学习的建筑震后破坏等级分类方法，属于地震工程技术领域。
背景技术
在建筑震后破坏程度评估中，由于地震后需要对灾害地区快速进行建筑物破坏程度评估，以及时获取建筑物震后的破坏数量与破坏程度，便于后期辅助决策与应急救援的展开。为精准的对震害区域内建筑物进行破坏等级划分的要求，即在震后及时调查灾害分布与数量进行快速评估。
在地震应急阶段，快速、及时、准确地做好建筑物的安全鉴定，是妥善安置灾民的一条有效途径；可防止在强余震下随意居住不安全建筑所造成的二次灾害，有力保障灾区人民的生命和财产安全；在恢复重建阶段，建筑结构震后损伤评估则是震损房屋加固的重要前提，准确合理的判定结构构件的震损程度和剩余抗震能力，可为房屋加固提供关键依据，确保加固后的房屋能够继续安全使用，并抵御预期地震作用；可充分利用原建筑结构的抗震能力，避免不必要的拆除和重建，为安全、经济、高效的震后重建提供关键技术支持。
目前，世界各国都在不断探索和研究具体的建筑维护问题，以提高建筑水平。早期检测和维护主要依靠人工检测。人工检测方法不仅耗时，而且需要大量的人力、物力和财力，具有检测精度低、人为因素影响大的特点。除此以外，在许多情况下由于区域的不可接近性或裂缝的微观尺寸，不可能在视觉上检测到裂缝。这种隐藏的裂缝会降低结构的强度，导致延展性或脆性破坏，从而形成严重的安全隐患。早期发现则是预防这些不便和灾难的最佳方法。随着科学技术的不断发展，各种新技术和新算法逐渐应用于裂缝检测问题中。
发明内容
本发明的目的为了解决在建筑震后破坏等级评估，提供一种基于深度学习的建筑震后破坏等级分类方法，本发明所述方法基于神经网络对震后建筑进行提取与识别，以判断建筑震后的破坏等级。
本发明的目的是这样实现的：对地震现场损伤建筑进行拍照，收集的图像组成数据集A，按照Cityscapes数据集格式，利用Labelme工具对图像进行标注并命名；利用孪生神经网络提取图像中的特征，通过训练，实现对建筑物破坏程度的判断，所述方法包括：
步骤一、对地震区域内单体建筑拍照，收集其地震破坏和损伤图像，建立图像数据集A，对图像数据集A中的图像进行标注；
步骤二、对图像数据集A中的图像进行特征提取，将建筑图像的破坏程度分为五类，以判断建筑破坏严重程度。
进一步地，所述步骤一具体为：
步骤1.1、对地震区域内单体建筑拍照，收集其地震破坏和损伤图像，组成图像集A；
步骤1.2、基于图像数据集A中每一张图像，按照Cityscapes数据集的格式，利用Labelme工具对图像中的每一类物体进行标注并命名。
进一步地，所述步骤二具体为：
步骤2.1、在cityscapesscripts里的label文件里原始分类共19类，将不需要的fence、pole、traffic light、traffic sign和train五类的trainid栏值改为255，并将所述五类的ignoreInEval栏值改为True，然后重新按顺序将剩余的14类进行排序；
步骤2.2、在PyTorch上基于步骤2.1中修改分类后的Cityscapes数据集，按照6:2:2分为训练集、验证集和测试集；
步骤2.3、在Pytorch上加载基于Omniglot上训练得到的vgg16预训练模型，基于步骤2.2中制作的数据集在暹罗网路中提取特征，对最后的全连接层的权重进行训练更新；模型训练的过程中，输入图像尺寸Input size为270*50大小的彩色图像；优化器采用带动量的随机梯度下降法，动量设置为0.9；初始学习率设置成2*10-3，随着迭代次数的增加，学习率减小，损失函数选择使用交叉熵CrossEntropy，在获得主干特征提取网络之后，可以获得两个输入的一维向量，将这两个一维向量进行相减，再进行绝对值求和，相当于求取了两个特征向量插值的L1范数。也就相当于求取了两个一维向量的距离。预训练模型的batchsize设为4，迭代周期epoch为100进行训练，最后得到分类神经网络模型Mc，并保留其网络参数θc；
步骤2.4、在PyTorch上加载在步骤2.3中得到的图像分类神经网络模型，在图像数据集的验证集和测试集上进行测试，验证震后建筑损伤等级判定模型的准确度。
本发明的有益效果是：相较于传统的人工评估方法，基于深度学习的建筑物地震破坏等级分类方法既能准确地对震害区域内建筑进行破坏等级划分，同时又可以满足评估时效性的要求的问题，大幅减少震后区域建筑评估所需的人力物力。
附图说明
下面结合附图和实施方式对本发明作进一步说明：
图1为本发明基于深度学习的建筑震后破坏等级分类方法的流程图。
具体实施方式
参见图1，下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是为了解决现有利用遥感进行区域震害评估的技术所需数据信息不易获取的问题，目前遥感评估方法往往要求使用一些复杂传感器提供额外的数据，本发明基于训练后的深度神经网络模型，可以通过建筑物图像数据进行建筑地震破坏等级分类。同时，本发明也为解决传统评估方法中耗时耗力的问题。基于训练后的深度神经网络分类模型，可以在保证准确率的情况下对震后区域内的建筑图像数据进行快速分类，提高工作效率。
本发明提出一种基于深度学习的建筑物地震破坏等级分类方法，所述方法包括：
步骤一、对地震区域内单体建筑拍照，收集其地震破坏和损伤图像，建立图像数据集A，对图像数据集A中的图像进行标注；
步骤二、对图像数据集A中的图像进行特征提取，将建筑图像的破坏程度分为五类，以判断建筑破坏严重程度。
所述步骤一具体为：
步骤1.1、对地震区域内单体建筑拍照，收集其地震破坏和损伤图像，组成图像数据集A；
步骤1.2、基于图像集A中每一张图像，按照Cityscapes数据集的格式，利用Labelme工具对图像中的每一类物体进行标注并命名。
所述步骤二具体为：
步骤2.1、在cityscapesscripts里的label文件里原始分类共19类，将不需要的fence、pole、traffic light、traffic sign和train五类的trainid栏值改为255，并将所述五类的ignoreInEval栏值改为True，然后重新按顺序将剩余的14类进行排序；
步骤2.2、在PyTorch上基于步骤2.1中修改分类后的Cityscapes数据集，按照6:2:2分为训练集、验证集和测试集；
步骤2.3、在Pytorch上加载基于Omniglot上训练得到的vgg16预训练模型，基于步骤2.2中制作的数据集在暹罗网路中提取特征，对最后的全连接层的权重进行训练更新；模型训练的过程中，输入图像尺寸Input size为270*50大小的彩色图像；优化器采用带动量的随机梯度下降法，动量设置为0.9；初始学习率设置成2*10-3，随着迭代次数的增加，学习率减小，损失函数选择使用交叉熵CrossEntropy，在获得主干特征提取网络之后，可以获得两个输入的一维向量，将这两个一维向量进行相减，再进行绝对值求和，相当于求取了两个特征向量插值的L1范数。也就相当于求取了两个一维向量的距离。预训练模型的batchsize设为4，迭代周期epoch为100进行训练，最后得到分类神经网络模型Mc，并保留其网络参数θc；；
步骤2.4、在PyTorch上加载在步骤2.3中得到的图像分类神经网络模型，在图像数据集的验证集和测试集上进行测试，验证震后建筑损伤等级判定模型的准确度。
本发明实现了一种基于深度学习的建筑物地震破坏等级分类方法。该方法采用深度神经网络方法，通过训练图像分类网络，可以在保证准确率的情况下，实现基于图像对震后大范围区域内数目众多的震后建筑进行自动化震害等级分类。
以上对本发明所提出的一种基于深度学习的建筑物地震破坏等级分类方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种基于深度学习的建筑物地震破坏等级分类方法，其特征在于，所述方法包括：
步骤一、对地震区域内单体建筑拍照，收集其地震破坏和损伤图像，建立图像集A，对图像集A中图像进行标注；
步骤二、对图像集A中的图像进行特征提取，对建筑图像进行破坏程度分为五类，以判断建筑破坏严重程度。
2.根据权利要求1所述的方法，其特征在于，所述步骤一具体为：对地震现场损伤建筑进行拍照，收集的图像组成数据集A，按照Cityscapes数据集格式，利用Labelme工具对图像进行标注并命名。
3.根据权利要求2所述的方法，其特征在于，所述步骤二具体为：利用孪生神经网络提取图像中的特征，通过训练，实现对建筑物破坏程度的判断。
CN202110543755.6A 2021-05-19 2021-05-19 一种基于深度学习的建筑震后破坏等级分类方法 Pending CN113516169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110543755.6A CN113516169A (zh) 2021-05-19 2021-05-19 一种基于深度学习的建筑震后破坏等级分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110543755.6A CN113516169A (zh) 2021-05-19 2021-05-19 一种基于深度学习的建筑震后破坏等级分类方法

Publications (1)

Publication Number Publication Date
CN113516169A true CN113516169A (zh) 2021-10-19

Family

ID=78064574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110543755.6A Pending CN113516169A (zh) 2021-05-19 2021-05-19 一种基于深度学习的建筑震后破坏等级分类方法

Country Status (1)

Country Link
CN (1) CN113516169A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433991A (zh) * 2023-06-14 2023-07-14 中国地质大学（武汉） 一种用于应急救援的震后建筑物受损评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105044774A (zh) * 2015-08-26 2015-11-11 长安大学 一种地震作用下边坡稳定性预测方法
CN112381060A (zh) * 2020-12-04 2021-02-19 哈尔滨工业大学 一种基于深度学习的建筑物地震破坏等级分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105044774A (zh) * 2015-08-26 2015-11-11 长安大学 一种地震作用下边坡稳定性预测方法
CN112381060A (zh) * 2020-12-04 2021-02-19 哈尔滨工业大学 一种基于深度学习的建筑物地震破坏等级分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433991A (zh) * 2023-06-14 2023-07-14 中国地质大学（武汉） 一种用于应急救援的震后建筑物受损评估方法
CN116433991B (zh) * 2023-06-14 2023-08-22 中国地质大学（武汉） 一种用于应急救援的震后建筑物受损评估方法

Similar Documents

Publication Publication Date Title
CN113516076B (zh) 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法
CN107480611A (zh) 一种基于深度学习卷积神经网络的裂缝识别方法
CN109858367B (zh) 工人通过支撑不安全行为的视觉自动化检测方法及系统
CN109978249A (zh) 基于分区建模的人口数据空间化方法、系统及介质
CN110070530A (zh) 一种基于深度神经网络的输电线路覆冰检测方法
CN108764601A (zh) 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法
CN107491752A (zh) 一种基于深度学习的自然场景中船牌文字识别方法、装置
CN106897826A (zh) 一种交通事故风险评估方法及系统
CN104134080A (zh) 一种道路路基塌陷和边坡坍塌的自动检测方法及系统
CN113868750B (zh) 基于深度机器学习的建筑地震损伤和剩余能力评价方法
CN105550515B (zh) 一种对空气质量数据进行多级综合评判的方法
CN111859779B (zh) 一种燃气管网防第三方施工破坏风险预警的方法及装置
CN110110085A (zh) 基于字符级神经网络与svm的交通事故文本分类方法和系统
CN109471107A (zh) 基于PS-InSAR技术的桥梁永久形变分析方法
CN110852001A (zh) 一种基于图像处理的桥梁结构安全评估方法
CN115993096A (zh) 一种高层建筑变形测量方法
CN115147439B (zh) 基于深度学习与注意力机制的混凝土裂缝分割方法及系统
CN113516169A (zh) 一种基于深度学习的建筑震后破坏等级分类方法
Dogan et al. Detection of damages caused by earthquake and reinforcement corrosion in RC buildings with Deep Transfer Learning
CN116664488A (zh) 基于手机app和机器视觉的桥梁表面病害及结构损伤监测方法
Altabey et al. Research in image processing for pipeline crack detection applications
Altabey et al. A deep learning-based approach for pipeline cracks monitoring
Hong et al. Artificial intelligence technique for pavement diseases identification
CN106529795A (zh) 电力监控系统的安全控制方法及装置
CN117763413A (zh) 一种基于风险普查数据的单体建筑物震害快速评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211019