CN115797297A - 震后建筑结构健康诊断多任务学习方法 - Google Patents
震后建筑结构健康诊断多任务学习方法 Download PDFInfo
- Publication number
- CN115797297A CN115797297A CN202211546895.XA CN202211546895A CN115797297A CN 115797297 A CN115797297 A CN 115797297A CN 202211546895 A CN202211546895 A CN 202211546895A CN 115797297 A CN115797297 A CN 115797297A
- Authority
- CN
- China
- Prior art keywords
- earthquake
- damage
- semantic
- tasks
- task
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000036541 health Effects 0.000 title claims abstract description 21
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 230000006378 damage Effects 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000013136 deep learning model Methods 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 229910000831 Steel Inorganic materials 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 239000010959 steel Substances 0.000 claims description 6
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 239000005357 flat glass Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出震后建筑结构健康诊断多任务学习方法。所述方法包括：步骤一：构建震后建筑结构健康诊断图像数据集；步骤二：建立考虑构件分割、损伤识别和状态评估任务相关性的多任务学习深度学习模型；步骤三：设计考虑不同任务权重和训练过程偏好的综合损失函数，训练多任务学习深度学习网络，分别获得针对多类型结构构件、地震损伤及破坏程度的语义分割器；步骤四：移植不同任务的语义分割器至新数据集，利用少量已标注图像进行微调，获得在新数据集上适用的多任务语义分割器。本发明通过多任务学习避免了传统方法面向多个任务需要训练多个模型，节省了大量训练成本，提升了效率。
Description
技术领域
本发明属于结构健康监测、计算机视觉、深度学习技术领域，可以直接应用的技术领域包括建筑地震破坏评估、基础设施智慧运维等，本发明特别是涉及震后建筑结构健康诊断多任务学习方法。
背景技术
建筑结构经受地震作用会产生混凝土开裂、混凝土剥落、钢筋暴露等多类型结构损伤，损伤程度影响着局部构件及整体结构的性能和安全。目前，传统的建筑震后评估需要进行人工现场勘对结构局部损伤的类型、程度和状态进行评价，并且需要进行模型试验评估力学性能退化程。传统方法高度依赖巡检人员的工程经验，并且费时费力，准确性和可靠性均不足。特别是对于震后现场的建筑破坏评估，后续可能发生余震，由此引发的安全问题更为突出。
近年来，随着计算机视觉和深度学习技术的不断发展，国内外研究者提出了一系列基于深度神经网络的计算机视觉方法，从图像中自动地识别结构地震损伤、评估破坏程度。将基于深度学习的计算机视觉前沿算法应用到建筑地震评估中，能够显著提升其自动化和智能化程度，提高识别效率和准确度，从而克服传统方法的不足。然而，目前基于计算机视觉和深度学习的建筑地震评估方法仍具有以下不足：
(1)只实现损伤识别或破坏等级划分，没有区分震后损伤发生的局部构件的类型和位置；
(2)模型碎片化高，一个模型往往只能识别损伤或者评估破坏程度，如果需要完成多项任务就需要建立多个模型；
(3)损伤在局部构件上出现的位置和程度是与破坏状态紧密相关的，而现有方法往往将不同任务单独进行处理，模型之间并没有联系，也就无法建模出任务之间的相关性；
(4)最终仍缺少一个通用的模型能够同时实现构件定位、损伤识别、状态评估。
发明内容
本发明目的是为了解决现有技术中的问题，针对震后建筑结构健康诊断任务，提出了震后建筑结构健康诊断多任务学习方法。
本发明是通过以下技术方案实现的，本发明提出震后建筑结构健康诊断多任务学习方法，所述方法具体包括：
步骤一：构建震后建筑结构健康诊断图像数据集；
步骤二：建立考虑构件分割、损伤识别和状态评估任务相关性的多任务学习深度学习模型；
考虑在同一幅震后建筑图像上同时进行构件分割、损伤识别和状态评估任务，以卷积神经网络为骨干网络、提取震后建筑图像的多层级特征作为不同任务的共享特征，构造基于自注意力机制的多任务学习语义分割器分别进行构件分割、损伤识别和状态评估；
步骤三：设计考虑不同任务权重和训练过程偏好的综合损失函数，训练多任务学习深度学习网络，分别获得针对多类型结构构件、地震损伤及破坏程度的语义分割器；
每次对网络模型输入一个批次的数据，获得网络模型的输出，使用综合损失函数计算网络损失值；使用误差反向传播算法获得网络损失对网络模型参数的梯度，使用梯度下降算法更新网络参数；如此循环往复，不断进行网络模型参数更新直至网络模型收敛，分别获得针对多类型结构构件、地震损伤及破坏程度的语义分割器；
步骤四：移植不同任务的语义分割器至新数据集，利用少量已标注图像进行微调，获得在新数据集上适用的多任务语义分割器。
进一步地，所述步骤一具体为：
步骤一一：针对所收集震后建筑结构图像，进行建筑结构构件的像素级语义标注，除多类型结构构件之外，其它像素均标记为背景；
步骤一二：针对所收集震后建筑结构图像，进行地震损伤的像素级语义标注，除多类型地震损伤之外，其它像素均标记为背景；
步骤一三：针对所收集震后建筑结构图像，进行破坏程度的像素级语义标注，除具有多类型破坏程度的建筑结构构件之外，其它像素均标记为背景。
进一步地，所述建筑结构构件包括七种，分别为墙、柱、梁、窗框、窗玻璃、阳台和楼板；所述地震损伤包括三种，分别为混凝土裂缝、混凝土剥落和钢筋暴露；所述破坏程度包括四种，分别为无破坏、轻微破坏、中等破坏和严重破坏。
进一步地，所述步骤二具体为：
步骤二一：以深度卷积神经网络为骨干网络，提取震后建筑图像的多层级特征作为不同任务的共享特征；
步骤二二：针对构件分割、损伤识别、状态评估三个任务，构造基于自注意力机制的多任务学习语义分割器；
步骤二三：考虑构件分割、损伤识别、状态评估三种任务之间的相关性，将步骤二一中提取的震后建筑图像多层级特征作为共享特征，输入至步骤二二中各个任务的自注意力机制模块，分别通过骨干卷积网络和自注意力机制模块考虑了局部图像特征和全局相关特征。
进一步地，步骤二一中的骨干网络采用编码器-解码器架构，由反对称的层级结构组成；每一个编码器层级中依次包含卷积、批次归一化、非线性激活和池化运算，其中卷积、批次归一化、非线性激活运算可按此顺序重复多次；每一个解码器层级中依次包含卷积、批次归一化、非线性激活和上采样运算，其中卷积、批次归一化、非线性激活运算可按此顺序重复多次。
进一步地，步骤二二中的自注意力机制对应在编码器和解码器阶段具有不同的形式。
进一步地，步骤三中的综合损失函数由不同语义分割任务的交叉熵加权平均组成，并且加权系数随着训练过程而实时更新，使得多任务学习过程在不同训练阶段偏向在当前时段更难学习的任务，如下式所示：
式中，L为综合损失函数，Li为第i个任务对应的语义分割交叉熵损失，i＝1，2，3分别表示结构构件、地震损伤、破坏程度，λi为第i个任务的权重系数，K表示多任务学习的任务总数量，K＝3，N为图像像素总数量，pj表示第j个像素被正确分类的概率，yj表示第j个像素的分类标签；上角标t表示训练过程的第t个时间步，T为防止指数爆炸的尺度参数，ωi表示第i个任务的损失变化率，exp表示以自然指数为底的指数运算。
进一步地，在步骤三中，使用梯度下降算法更新网络参数，更新公式如下式：
式中，λ为动量参数(0≤λ≤1)，θt为第t步网络参数，
为当前损失函数对网络参数的梯度。
进一步地，所述步骤四具体为：将由步骤三训练完成的不同任务语义分割器移植至新数据集上，冻结骨干网络参数，利用少量已标注数据微调训练不同任务的语义分割器，再将待预测图像送入微调后的网络模型，得到的输出即为待预测图像在结构构件、地震损伤及破坏程度不同识别任务上的识别结果。
本发明提出的震后建筑结构健康诊断多任务学习方法，与现有技术相比具有以下优点：
(1)本发明提供了面向包括七种建筑结构构件(墙、柱、梁、窗框、窗玻璃、阳台、楼板)、三种地震损伤(混凝土裂缝、混凝土剥落、钢筋暴露)、四种破坏程度(无破坏、轻微破坏、中等破坏、严重破坏)的震后建筑结构图像识别多任务学习方法；
(2)本发明同时实现了结构构件划分、地震损伤识别、破坏程度分级，并且区分了震后损伤发生的局部构件的类型和位置；
(3)本发明形成了多任务统一模型，只通过训练一个模型就可以实现多个任务的识别；
(4)本发明考虑了损伤在局部构件上出现的位置和程度与破坏状态的相关性，所建立的网络模型采用骨干卷积网络提取的多层级特征作为不同任务的共享特征；
(5)本发明分别通过骨干卷积网络和自注意力机制模块考虑了局部图像特征和全局相关特征；
(6)本发明所提方法支持待识别场景和对象的扩展，只需要在测试阶段冻结骨干卷积网络、利用少量已标注新数据微调多任务语义分割器即可实现对新数据集的泛化；
(7)本发明通过多任务学习避免了传统方法面向多个任务需要训练多个模型，节省了大量训练成本，提升了效率。
附图说明
图1是震后建筑结构健康诊断多任务学习方法整体示意图。
图2是包括不同建筑结构构件、地震损伤、破坏程度的震后建筑结构图像数据集示意图。
图3是震后建筑结构构件分割、损伤识别、状态评估多任务学习深度学习网络示意图。
图4是自注意力机制对应在编码器和解码器阶段具有的不同形式示意图。
图5是震后建筑结构健康诊断多任务学习预测网络示意图。
图6是本发明所提方法对厄瓜多尔和北川地震建筑结构多类型构件损伤语义分割效果图。
具体实施方式
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。
结合图1-图6，本发明提出震后建筑结构健康诊断多任务学习方法，所述方法具体包括：
步骤一：构建震后建筑结构健康诊断图像数据集；
所述步骤一具体为：
步骤一一：针对所收集震后建筑结构图像，进行建筑结构构件的像素级语义标注，除多类型结构构件之外，其它像素均标记为背景；
步骤一二：针对所收集震后建筑结构图像，进行地震损伤的像素级语义标注，除多类型地震损伤之外，其它像素均标记为背景；
步骤一三：针对所收集震后建筑结构图像，进行破坏程度的像素级语义标注，除具有多类型破坏程度的建筑结构构件之外，其它像素均标记为背景。
所述建筑结构构件包括七种，分别为墙、柱、梁、窗框、窗玻璃、阳台和楼板；所述地震损伤包括三种，分别为混凝土裂缝、混凝土剥落和钢筋暴露；所述破坏程度包括四种，分别为无破坏、轻微破坏、中等破坏和严重破坏。
包含不同建筑结构构件、地震损伤、破坏程度的震后建筑结构图像数据集示意图如图2所示。需要指出的是，所建立的震后建筑结构图像数据集可以根据所需考虑结构构件类型、地震损伤类型和破坏程度分级的不同形式构建成为不同的样式，以上只是列举出了一种可能的形式；对于待识别的结构构件、地震损伤、破坏程度的具体分类数量和类别，可以根据对象的不同而进行不同的设置。本发明不再针对其他可能出现的震后建筑结构图像数据集形式进行一一列举。
步骤二：建立考虑构件分割、损伤识别和状态评估任务相关性的多任务学习深度学习模型；
考虑在同一幅震后建筑图像上同时进行构件分割、损伤识别和状态评估任务，以卷积神经网络为骨干网络、提取震后建筑图像的多层级特征作为不同任务的共享特征，构造基于自注意力机制的多任务学习语义分割器分别进行构件分割、损伤识别和状态评估；
所述步骤二具体为：
步骤二一：以深度卷积神经网络为骨干网络，提取震后建筑图像的多层级特征作为不同任务的共享特征；
步骤二二：针对构件分割、损伤识别、状态评估三个任务，构造基于自注意力机制的多任务学习语义分割器；
步骤二三：考虑构件分割、损伤识别、状态评估三种任务之间的相关性，将步骤二一中提取的震后建筑图像多层级特征作为共享特征，输入至步骤二二中各个任务的自注意力机制模块，分别通过骨干卷积网络和自注意力机制模块考虑了局部图像特征和全局相关特征。
步骤二一中的骨干网络采用编码器-解码器架构，由反对称的层级结构组成；每一个编码器层级中依次包含卷积、批次归一化、非线性激活和池化运算，其中卷积、批次归一化、非线性激活运算可按此顺序重复多次；每一个解码器层级中依次包含卷积、批次归一化、非线性激活和上采样运算，其中卷积、批次归一化、非线性激活运算可按此顺序重复多次。表1给出了一种可行的骨干网络参数设置。
表1骨干网络参数设置
步骤二二中的自注意力机制对应在编码器和解码器阶段具有不同的形式，如图4所示。
步骤三：设计考虑不同任务权重和训练过程偏好的综合损失函数，训练多任务学习深度学习网络，分别获得针对多类型结构构件、地震损伤及破坏程度的语义分割器；
每次对网络模型输入一个批次的数据，获得网络模型的输出，使用综合损失函数计算网络损失值；使用误差反向传播算法获得网络损失对网络模型参数的梯度，使用梯度下降算法更新网络参数；如此循环往复，不断进行网络模型参数更新直至网络模型收敛，分别获得针对多类型结构构件、地震损伤及破坏程度的语义分割器；
步骤三中的综合损失函数由不同语义分割任务的交叉熵加权平均组成，并且加权系数随着训练过程而实时更新，使得多任务学习过程在不同训练阶段偏向在当前时段更难学习的任务，如下式所示：
式中，L为综合损失函数，Li为第i个任务对应的语义分割交叉熵损失，i＝1，2，3分别表示结构构件、地震损伤、破坏程度，λi为第i个任务的权重系数，K表示多任务学习的任务总数量，K＝3，N为图像像素总数量，pj表示第j个像素被正确分类的概率，yj表示第j个像素的分类标签；上角标t表示训练过程的第t个时间步，T为防止指数爆炸的尺度参数，ωi表示第i个任务的损失变化率，exp表示以自然指数为底的指数运算。
在步骤三中，使用梯度下降算法更新网络参数，更新公式如下式：
式中，λ为动量参数(0≤λ≤1)，θt为第t步网络参数，
为当前损失函数对网络参数的梯度。
步骤四：移植不同任务的语义分割器至新数据集，利用少量已标注图像进行微调，获得在新数据集上适用的多任务语义分割器。
所述步骤四具体为：将由步骤三训练完成的不同任务语义分割器移植至新数据集上，冻结骨干网络参数，利用少量已标注数据微调训练不同任务的语义分割器，再将待预测图像送入微调后的网络模型，得到的输出即为待预测图像在结构构件、地震损伤及破坏程度不同识别任务上的识别结果。震后建筑结构健康诊断多任务学习的预测网络如图5所示。
将本发明提出的震后建筑结构健康诊断多任务学习方法，应用于厄瓜多尔和北川地震建筑结构破坏图像识别任务，识别结果如图6所示。
本发明提出了一种震后建筑结构健康诊断多任务学习方法，其识别对象由待识别的对象和任务决定，包括但不限七种建筑结构构件(墙、柱、梁、窗框、窗玻璃、阳台、楼板)、三种地震损伤(混凝土裂缝、混凝土剥落、钢筋暴露)、四种破坏程度(无破坏、轻微破坏、中等破坏、严重破坏)等，并且支持识别对象和任务的扩展。上述内容只是用于说明本发明的一种具体实现形式，帮助理解本发明的方法及核心思想，不应理解为对本发明的限制。
以上对本发明所提出的震后建筑结构健康诊断多任务学习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 (9)
1.震后建筑结构健康诊断多任务学习方法，其特征在于：所述方法具体包括：
步骤一：构建震后建筑结构健康诊断图像数据集；
步骤二：建立考虑构件分割、损伤识别和状态评估任务相关性的多任务学习深度学习模型；
考虑在同一幅震后建筑图像上同时进行构件分割、损伤识别和状态评估任务，以卷积神经网络为骨干网络、提取震后建筑图像的多层级特征作为不同任务的共享特征，构造基于自注意力机制的多任务学习语义分割器分别进行构件分割、损伤识别和状态评估；
步骤三：设计考虑不同任务权重和训练过程偏好的综合损失函数，训练多任务学习深度学习网络，分别获得针对多类型结构构件、地震损伤及破坏程度的语义分割器；
每次对网络模型输入一个批次的数据，获得网络模型的输出，使用综合损失函数计算网络损失值；使用误差反向传播算法获得网络损失对网络模型参数的梯度，使用梯度下降算法更新网络参数；如此循环往复，不断进行网络模型参数更新直至网络模型收敛，分别获得针对多类型结构构件、地震损伤及破坏程度的语义分割器；
步骤四：移植不同任务的语义分割器至新数据集，利用少量已标注图像进行微调，获得在新数据集上适用的多任务语义分割器。
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：
步骤一一：针对所收集震后建筑结构图像，进行建筑结构构件的像素级语义标注，除多类型结构构件之外，其它像素均标记为背景；
步骤一二：针对所收集震后建筑结构图像，进行地震损伤的像素级语义标注，除多类型地震损伤之外，其它像素均标记为背景；
步骤一三：针对所收集震后建筑结构图像，进行破坏程度的像素级语义标注，除具有多类型破坏程度的建筑结构构件之外，其它像素均标记为背景。
3.根据权利要求2所述的方法，其特征在于，所述建筑结构构件包括七种，分别为墙、柱、梁、窗框、窗玻璃、阳台和楼板；所述地震损伤包括三种，分别为混凝土裂缝、混凝土剥落和钢筋暴露；所述破坏程度包括四种，分别为无破坏、轻微破坏、中等破坏和严重破坏。
4.根据权利要求1所述的方法，其特征在于，所述步骤二具体为：
步骤二一：以深度卷积神经网络为骨干网络，提取震后建筑图像的多层级特征作为不同任务的共享特征；
步骤二二：针对构件分割、损伤识别、状态评估三个任务，构造基于自注意力机制的多任务学习语义分割器；
步骤二三：考虑构件分割、损伤识别、状态评估三种任务之间的相关性，将步骤二一中提取的震后建筑图像多层级特征作为共享特征，输入至步骤二二中各个任务的自注意力机制模块，分别通过骨干卷积网络和自注意力机制模块考虑了局部图像特征和全局相关特征。
5.根据权利要求4所述的方法，其特征在于，步骤二一中的骨干网络采用编码器-解码器架构，由反对称的层级结构组成；每一个编码器层级中依次包含卷积、批次归一化、非线性激活和池化运算，其中卷积、批次归一化、非线性激活运算可按此顺序重复多次；每一个解码器层级中依次包含卷积、批次归一化、非线性激活和上采样运算，其中卷积、批次归一化、非线性激活运算可按此顺序重复多次。
6.根据权利要求5所述的方法，其特征在于，步骤二二中的自注意力机制对应在编码器和解码器阶段具有不同的形式。
7.根据权利要求1所述的方法，其特征在于，步骤三中的综合损失函数由不同语义分割任务的交叉熵加权平均组成，并且加权系数随着训练过程而实时更新，使得多任务学习过程在不同训练阶段偏向在当前时段更难学习的任务，如下式所示：
式中，L为综合损失函数，Li为第i个任务对应的语义分割交叉熵损失，i＝1,2,3分别表示结构构件、地震损伤、破坏程度，λi为第i个任务的权重系数，K表示多任务学习的任务总数量，K＝3，N为图像像素总数量，pj表示第j个像素被正确分类的概率，yj表示第j个像素的分类标签；上角标t表示训练过程的第t个时间步，T为防止指数爆炸的尺度参数，ωi表示第i个任务的损失变化率，exp表示以自然指数为底的指数运算。
8.根据权利要求7所述的方法，其特征在于，在步骤三中，使用梯度下降算法更新网络参数，更新公式如下式：
式中，λ为动量参数(0≤λ≤1)，θt为第t步网络参数，
为当前损失函数对网络参数的梯度。
9.根据权利要求1所述的方法，其特征在于，所述步骤四具体为：将由步骤三训练完成的不同任务语义分割器移植至新数据集上，冻结骨干网络参数，利用少量已标注数据微调训练不同任务的语义分割器，再将待预测图像送入微调后的网络模型，得到的输出即为待预测图像在结构构件、地震损伤及破坏程度不同识别任务上的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211546895.XA CN115797297A (zh) | 2022-12-05 | 2022-12-05 | 震后建筑结构健康诊断多任务学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211546895.XA CN115797297A (zh) | 2022-12-05 | 2022-12-05 | 震后建筑结构健康诊断多任务学习方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115797297A true CN115797297A (zh) | 2023-03-14 |
Family
ID=85445510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211546895.XA Pending CN115797297A (zh) | 2022-12-05 | 2022-12-05 | 震后建筑结构健康诊断多任务学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115797297A (zh) |
Cited By (3)
| 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 |
| CN117253112A (zh) * | 2023-08-29 | 2023-12-19 | 哈尔滨工业大学 | 结构健康诊断大模型视觉语言跨模态学习方法 |
| CN117253112B (zh) * | 2023-08-29 | 2024-06-04 | 哈尔滨工业大学 | 结构健康诊断大模型视觉语言跨模态学习方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113343789A (zh) * | 2021-05-20 | 2021-09-03 | 武汉大学 | 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 |
| CN113450333A (zh) * | 2021-06-30 | 2021-09-28 | 哈尔滨工业大学 | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 |
| CN113868750A (zh) * | 2021-10-20 | 2021-12-31 | 清华大学 | 基于深度机器学习的建筑地震损伤和剩余能力评价方法 |
-
2022
- 2022-12-05 CN CN202211546895.XA patent/CN115797297A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113343789A (zh) * | 2021-05-20 | 2021-09-03 | 武汉大学 | 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 |
| CN113450333A (zh) * | 2021-06-30 | 2021-09-28 | 哈尔滨工业大学 | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 |
| CN113868750A (zh) * | 2021-10-20 | 2021-12-31 | 清华大学 | 基于深度机器学习的建筑地震损伤和剩余能力评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| SHIKUN LIU ET AL.: "End-to-End Multi-Task Learning with Attention", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, 9 January 2020 (2020-01-09), pages 1 - 10 * |
Cited By (4)
| 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 |
| CN117253112A (zh) * | 2023-08-29 | 2023-12-19 | 哈尔滨工业大学 | 结构健康诊断大模型视觉语言跨模态学习方法 |
| CN117253112B (zh) * | 2023-08-29 | 2024-06-04 | 哈尔滨工业大学 | 结构健康诊断大模型视觉语言跨模态学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
| CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| CN107862331A (zh) | 一种基于时间序列及cnn的不安全行为识别方法及系统 | |
| CN109919025A (zh) | 基于深度学习的视频场景文本检测方法、系统、设备及介质 | |
| CN111259481B (zh) | 一种整合空间信息的建筑室内光环境设计评价方法及装置 | |
| CN110929696A (zh) | 一种基于多模态注意与自适应融合的遥感图像语义分割方法 | |
| Cao et al. | Facade geometry generation from low-resolution aerial photographs for building energy modeling | |
| CN111814699B (zh) | 一种面向swarm电磁卫星数据的深度学习地震预测方法 | |
| CN111275677A (zh) | 一种基于卷积神经网络的天花板震害的识别方法 | |
| CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
| CN115797297A (zh) | 震后建筑结构健康诊断多任务学习方法 | |
| CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
| CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN114049545A (zh) | 一种基于点云体素的台风定强方法、系统、设备及介质 | |
| CN115100549A (zh) | 一种基于改进YOLOv5的输电线路金具检测方法 | |
| Dang-Vu et al. | Frequency-based Data-driven Surrogate Model for Efficient Prediction of Irregular Structure’s Seismic Responses | |
| CN117076931B (zh) | 一种基于条件扩散模型的时间序列数据预测方法和系统 | |
| CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
| Adha et al. | Automated building classification framework using convolutional neural network | |
| CN117292126A (zh) | 一种利用重复纹理约束的建筑物立面解析方法、系统及电子设备 | |
| CN116012709A (zh) | 一种高分辨率遥感影像建筑物提取方法及系统 | |
| CN115331081A (zh) | 图像目标检测方法与装置 | |
| Li et al. | Multiobject Real-Time Automatic Detection Method for Production Quality Control of Prefabricated Laminated Slabs | |
| Yang et al. | Resnet-unet considering patches (rup) network to solve the problem of patches due to shadows in extracting building top information | |
| CN110135419B (zh) | 一种自然场景下端到端文本识别方法 |
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 |