留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用ResNet进行建筑物倒塌评估

陈鹏 汪本康 高飒 童小华 卢文胜 徐胜华

陈鹏, 汪本康, 高飒, 童小华, 卢文胜, 徐胜华. 利用ResNet进行建筑物倒塌评估[J]. 武汉大学学报 ● 信息科学版, 2020, 45(8): 1179-1184. doi: 10.13203/j.whugis20200135
引用本文: 陈鹏, 汪本康, 高飒, 童小华, 卢文胜, 徐胜华. 利用ResNet进行建筑物倒塌评估[J]. 武汉大学学报 ● 信息科学版, 2020, 45(8): 1179-1184. doi: 10.13203/j.whugis20200135
CHEN Peng, WANG Benkang, GAO Sa, TONG Xiaohua, LU Wensheng, XU Shenghua. Building Collapse Assessment with Residual Network[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1179-1184. doi: 10.13203/j.whugis20200135
Citation: CHEN Peng, WANG Benkang, GAO Sa, TONG Xiaohua, LU Wensheng, XU Shenghua. Building Collapse Assessment with Residual Network[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1179-1184. doi: 10.13203/j.whugis20200135

利用ResNet进行建筑物倒塌评估

doi: 10.13203/j.whugis20200135
基金项目: 

国家重点研发计划 2016YFC0803107

土木工程防灾国家重点实验室自主课题 SLDRCE19-B-37

土木工程防灾国家重点实验室自主课题 SLDRCE19-A-12

详细信息
    作者简介:

    陈鹏,博士,副教授,主要从事城市GIS理论与方法研究。chenpeng@tongji.edu.cn

    通讯作者: 徐胜华,博士,研究员。xushh@casm.ac.cn
  • 中图分类号: P237;P208

Building Collapse Assessment with Residual Network

Funds: 

The National Key Research and Development Program of China 2016YFC0803107

State Key Laboratory of Disaster Reduction in Civil Engineering SLDRCE19-B-37

State Key Laboratory of Disaster Reduction in Civil Engineering SLDRCE19-A-12

More Information
  • 摘要: 灾害发生之后快速对建筑物倒塌损毁程度进行准确评估对减轻灾害损失具有重要意义。将深度学习技术应用于建筑物倒塌评估,在残差网络(residual network,ResNet)预训练网络的基础上,通过深度迁移学习的方法,按照建筑物破坏评估标准建立了用于建筑物倒塌评估的分类器模型,利用图像数据结构损伤识别比赛(PEER Hub ImageNet Challenge,PHI)的开放数据训练获得了相对最优的模型参数,并用该模型开展了建筑物倒塌评估实验。实验结果表明,基于ResNet的建筑物倒塌评估模型对建筑物倒塌状态具有良好的识别效果和应用潜力。
  • 图  1  ResNet-50网络架构

    Figure  1.  Overall Architecture of ResNet-50

    图  2  建筑物倒塌数据集样例

    Figure  2.  Examples of Building Collapse

    图  3  影像扩充示例

    Figure  3.  Example of Image Augmentation

    图  4  建筑物倒塌评估实验结果的混淆矩阵

    Figure  4.  Normalized Confusion Matrix of Building Collapse Assessment Experiment

    图  5  建筑物倒塌评估错误分类的样例

    Figure  5.  Examples of Misclassification in Building Collapse Assessment

    图  6  建筑物结构损坏数据样例

    Figure  6.  Examples of Building Damage

    图  7  结构损坏评估实验结果的混淆矩阵

    Figure  7.  Normalized Confusion Matrix of Structural Damage Assessment Experiment

  • [1] 吴剑,陈鹏,刘耀林,等. 震害损毁建筑物高分辨率遥感信息提取方法[J]. 地理与地理信息科学, 2013, 29(3): 35-38 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dlxygtyj201303008

    Wu Jian, Chen Peng, Liu Yaolin, et al. Method of Earthquake Collapsed Building Information Extraction Based on High-Resolution Remote Sensing[J]. Geography and Geo-Information Science, 2013, 29(3): 35-38 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dlxygtyj201303008
    [2] (中国地震局 . 地震灾害遥感评估 建筑物破坏:DB/T 75-2018[S]. 北京:中国标准 出版社,2019)

    China Earthquake Administration.Remote Sensing Assessment of Earthquake Disaster-Buildings Damage: DB/T 75-2018[S].Beijing:China Standards Press, 2019
    [3] 叶昕, 秦其明, 王俊, 等. 利用高分辨率光学遥感图像检测震害损毁建筑物[J]. 武汉大学学报·信息科学版, 2019, 44(1): 125-131 doi:  10.13203/j.whugis20150490

    Ye Xin, Qin Qiming, Wang Jun, et al. Dectecting Damaged Buildings Caused by Earthquake from Remote Sensing Image Using Local Spatial Statistics Method[J]. Geomatics and Information Science of Wuhan University, 2019, 44(1): 125-131 doi:  10.13203/j.whugis20150490
    [4] 陈梦. 基于深度学习的建筑物震害遥感识别研究[D]. 北京:中国地震局地震预测研究所,2019

    Chen Meng. Research on Identification of Building Damage Information from Remote Sensing Image Based on Deep Learning[D]. Beijing: Institute of Earthquake Forecasting, China Earthquake Administration, 2019
    [5] (中国地震局.建(构)筑物的地震破坏等级划 分 :GB/T 24335-2009[S].北京:中国标准出版社,2009)

    China Earthquake Administration. Earthquake Damage Classification of Buildings(Structures):GB/T 24335-2009[S]. Beijing:China Standards Press, 2009
    [6] Goodfellow I, Bengio Y, Courville A.Deep Learning[M]. Cambridge: MIT Press, 2016
    [7] Yeum C M, Dyke S J, Ramire Z, et al. Big Visual Data Analysis for Damage Evaluation in Civil Engineering[C]. The International Conference on Smart Infrastructure and Construction, Cambridge, UK, 2016
    [8] Cha Y J, Choi W. Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks[J]. Computer-Aided Civil and Infrastructure Engineering, 2017, 32(5): 361-378 doi:  10.1111/mice.12263
    [9] Vetrivel A, Gerke M, Kerle N, et al. Disaster Damage Detection Through Synergistic Use of Deep Learning and 3D Point Cloud Features Derived from Very High Resolution Oblique Aerial Images, and Multiple-Kernel- Learning[J]. Photogrammetry and Remote Sensing, 2018, 140: 45-59 doi:  10.1016/j.isprsjprs.2017.03.001
    [10] Gao Yuqing, Mosalam K M.Deep Transfer Learning for Image-Based StructuralDamage Recognition[J]. Computer-Aided Civil and Infrastructure Enginee- ring, 2018, 33(9): 748-768 doi:  10.1111/mice.12363
  • [1] 陆川伟, 孙群, 赵云鹏, 孙士杰, 马京振, 程绵绵, 李元復.  一种基于条件生成式对抗网络的道路提取方法 . 武汉大学学报 ● 信息科学版, 2021, 46(6): 807-815. doi: 10.13203/j.whugis20190159
    [2] 徐虹, 王禄斌, 方志祥, 何明辉, 侯学成, 左亮, 管昉立, 熊策, 龚毅宇, 庞晴霖, 张涵, 孙树藤, 娜迪热∙艾麦尔.  街景影像下的临街建筑风格映射及地图生成方法 . 武汉大学学报 ● 信息科学版, 2021, 46(5): 659-671. doi: 10.13203/j.whugis20200445
    [3] 陈行, 罗斌.  利用动态上采样滤波深度网络进行多角度遥感影像超分辨率重建 . 武汉大学学报 ● 信息科学版, 2021, 46(11): 1716-1726. doi: 10.13203/j.whugis20200651
    [4] 季顺平, 罗冲, 刘瑾.  基于深度学习的立体影像密集匹配方法综述 . 武汉大学学报 ● 信息科学版, 2021, 46(2): 193-202. doi: 10.13203/j.whugis20200620
    [5] 高松.  地理空间人工智能的近期研究总结与思考 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1865-1874. doi: 10.13203/j.whugis20200597
    [6] 周于涛, 吴华意, 成洪权, 郑杰, 李学锡.  结合自注意力机制和结伴行为特征的行人轨迹预测模型 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1989-1996. doi: 10.13203/j.whugis20200159
    [7] 季顺平, 田思琦, 张驰.  利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测 . 武汉大学学报 ● 信息科学版, 2020, 45(2): 233-241. doi: 10.13203/j.whugis20180481
    [8] 郭旦怀, 张鸣珂, 贾楠, 王彦棡.  融合深度学习技术的用户兴趣点推荐研究综述 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1890-1902. doi: 10.13203/j.whugis20200334
    [9] 巨袁臻, 许强, 金时超, 李为乐, 董秀军, 郭庆华.  使用深度学习方法实现黄土滑坡自动识别 . 武汉大学学报 ● 信息科学版, 2020, 45(11): 1747-1755. doi: 10.13203/j.whugis20200132
    [10] 徐江河, 张飞舟, 张立福, 邓楚博, 孙雪剑.  一种综合利用图像和光谱信息的物体真假模式识别方法 . 武汉大学学报 ● 信息科学版, 2019, 44(8): 1174-1181. doi: 10.13203/j.whugis20190139
    [11] 潘银, 邵振峰, 程涛, 贺蔚.  利用深度学习模型进行城市内涝影响分析 . 武汉大学学报 ● 信息科学版, 2019, 44(1): 132-138. doi: 10.13203/j.whugis20170217
    [12] 张兵.  遥感大数据时代与智能信息提取 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 1861-1871. doi: 10.13203/j.whugis20180172
    [13] 邵振峰, 张源, 黄昕, 朱秀丽, 吴亮, 万波.  基于多源高分辨率遥感影像的2 m不透水面一张图提取 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 1909-1915. doi: 10.13203/j.whugis20180196
    [14] 瞿涛, 邓德祥, 刘慧, 邹炼, 刘弋锋.  多层独立子空间分析时空特征的人体行为识别方法 . 武汉大学学报 ● 信息科学版, 2016, 41(4): 468-474. doi: 10.13203/j.whugis20140581
    [15] 樊恒, 徐俊, 邓勇, 向金海.  基于深度学习的人体行为识别 . 武汉大学学报 ● 信息科学版, 2016, 41(4): 492-497. doi: 10.13203/j.whugis20140110
    [16] 徐恩恩, 郭颖, 陈尔学, 李增元, 赵磊, 刘清旺.  一种基于无人机LiDAR和高空间分辨率卫星遥感数据的区域森林郁闭度估测方法:UnetR . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20210001
    [17] 姜万冬, 席江波, 李振洪, 丁明涛, 杨立功, 谢大帅.  模拟困难样本的Mask R-CNN滑坡分割识别 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200692
    [18] 杜佳威, 武芳, 行瑞星, 李彩霞, 李靖涵.  几种具有编解码结构的深度学习模型在建筑物综合中的应用与比较 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200143
    [19] 高奎亮, 余旭初, 张鹏强, 谭熊, 刘冰.  利用胶囊网络实现高光谱影像空谱联合分类 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200008
    [20] 邵振峰, 孙悦鸣, 席江波, 李岩.  智能优化学习的高空间分辨率遥感影像语义分割 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200640
  • 加载中
图(7)
计量
  • 文章访问数:  497
  • HTML全文浏览量:  114
  • PDF下载量:  85
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-03-16
  • 刊出日期:  2020-08-05

利用ResNet进行建筑物倒塌评估

doi: 10.13203/j.whugis20200135
    基金项目:

    国家重点研发计划 2016YFC0803107

    土木工程防灾国家重点实验室自主课题 SLDRCE19-B-37

    土木工程防灾国家重点实验室自主课题 SLDRCE19-A-12

    作者简介:

    陈鹏,博士,副教授,主要从事城市GIS理论与方法研究。chenpeng@tongji.edu.cn

    通讯作者: 徐胜华,博士,研究员。xushh@casm.ac.cn
  • 中图分类号: P237;P208

摘要: 灾害发生之后快速对建筑物倒塌损毁程度进行准确评估对减轻灾害损失具有重要意义。将深度学习技术应用于建筑物倒塌评估,在残差网络(residual network,ResNet)预训练网络的基础上,通过深度迁移学习的方法,按照建筑物破坏评估标准建立了用于建筑物倒塌评估的分类器模型,利用图像数据结构损伤识别比赛(PEER Hub ImageNet Challenge,PHI)的开放数据训练获得了相对最优的模型参数,并用该模型开展了建筑物倒塌评估实验。实验结果表明,基于ResNet的建筑物倒塌评估模型对建筑物倒塌状态具有良好的识别效果和应用潜力。

English Abstract

陈鹏, 汪本康, 高飒, 童小华, 卢文胜, 徐胜华. 利用ResNet进行建筑物倒塌评估[J]. 武汉大学学报 ● 信息科学版, 2020, 45(8): 1179-1184. doi: 10.13203/j.whugis20200135
引用本文: 陈鹏, 汪本康, 高飒, 童小华, 卢文胜, 徐胜华. 利用ResNet进行建筑物倒塌评估[J]. 武汉大学学报 ● 信息科学版, 2020, 45(8): 1179-1184. doi: 10.13203/j.whugis20200135
CHEN Peng, WANG Benkang, GAO Sa, TONG Xiaohua, LU Wensheng, XU Shenghua. Building Collapse Assessment with Residual Network[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1179-1184. doi: 10.13203/j.whugis20200135
Citation: CHEN Peng, WANG Benkang, GAO Sa, TONG Xiaohua, LU Wensheng, XU Shenghua. Building Collapse Assessment with Residual Network[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1179-1184. doi: 10.13203/j.whugis20200135
  • 在各类灾害中,建筑物倒塌是造成人员伤亡、经济损失的主要因素。据统计分析,地震中80%以上的人员伤亡是由于建筑物倒塌而引起的[1]。灾后建筑物的损毁程度是评判受灾严重程度的重要指标,也是灾害救援和政府决策的重要依据。对建筑物倒塌准确地进行评估在妥善安置灾民、保障受灾人民生命和财产安全、恢复正常社会秩序、维护社会稳定等方面发挥了重要的作用。因此,灾后建筑物倒塌损毁快速评估是遥感领域和土木工程领域的研究热点。

    从高分辨率遥感影像中提取建筑物损毁信息是常用的震后建筑物倒塌检测方法[2],包括对地震前后多时相遥感图像进行变化检测和直接从地震后图像中检测损毁建筑物两种主要途径[3]。近年来,深度学习也逐步被用于从高分遥感影像中识别提取建筑物震害信息,如文献[4]使用全卷积神经网络提取了建筑物震害信息,其总体像素精度达到了82%,表明深度学习技术在提升建筑物倒塌遥感识别自动化程度方面有极大的潜力。但遥感评估方法往往受限于数据因素,一是灾前影像缺乏,二是灾后的恶劣天气会影响遥感影像的质量,而且极端灾害场景中建筑物倒塌的碎片覆盖给提取目标单元特征带来了极大的困难。

    另一类建筑物倒塌评估方法则是通过现场实地考察获得相关信息[5],如2008年汶川大地震,建设部组织了房屋应急评估专家组对灾区的厂房、民宅等部分建筑物进行了快速检测和应急评估。这种原始的方法能够更加准确地获取建筑物灾损信息,但它在很大程度上依赖于人类视觉和工作经验,工作效率低、费用高且危险系数大。近年来,智能电子设备的普及使得获取现场图像更加方便,再加上深度学习技术在计算机视觉应用中的巨大进展[6],使得利用现场图像来自动识别、评估建筑物结构损伤开始成为土木工程领域结构健康检测的一个重要研究方向。

    国内外学者已开始在一些灾后侦察工作中应用卷积神经网络(convolutional neural networks, CNN)。文献[7]将牛津大学计算机视觉组(visual geometry group,VGG)CNN架构的一种浅层模型VGG-F应用于大比例尺影像,进行建筑物倒塌分类;文献[8]使用深度CNN检测混凝土裂缝;文献[9]将深度CNN和三维(3 dimension, 3D)点云技术结合起来检测建筑物的立面和屋顶损伤。这些研究大多集中在建筑物是否受损的二元问题上,但对于灾后评估而言,从政府决策的需求出发,还存在一些更为复杂的内容,例如建筑物的损伤类型和损伤程度。因此,有必要开展更加深入的研究工作。

    本文将残差网络(residual nework, ResNet)用于建筑物倒塌评估,按照建筑物破坏评估标准建立了一个建筑物倒塌评估分类器模型,利用图像数据结构损伤识别比赛(PEER Hub ImageNet Challenge,PHI)[10]的开放数据对该网络连接参数进行调整,训练获得了相对最优的模型参数,并在此基础上实现多种建筑物结构倒塌损伤的识别。

    • 本文建立建筑物倒塌评估分类器模型的流程为:(1)数据预处理;(2)分类器模型构建;(3)评估效果测试。

      在数据预处理阶段,通过解析开放数据集的数据文件,将数据集转换为图像格式,并作了数据增强处理。在分类器模型构建阶段,利用VGG和ResNet网络构建了用于建筑物倒塌评估的CNN分类器,并选择了效果更好的ResNet网络,然后通过传递学习对所建立神经网络模型的参数进行微调,获得了相对最优的模型参数。在评估效果测试阶段,使用训练后的ResNet网络模型对测试数据集中的建筑物倒塌图像进行分类评估,并对测试结果进行了统计。

    • 本文选择了ResNet-50深度学习框架作为实验模型(如图 1所示)。ResNet-50网络以3×224×224大小的影像作为输入传入网络中,经过第一次卷积池化后传入3 + 4 + 6+ 3 = 16个残差块中,在随后的每个Stage之前都要经过一次Conv+BN的操作, 即Conv Block,然后经过多个输入和输出维度都一致的Identity Block,在经过Stage 2~5的卷积之后,通过7×7大小的平均池化层(AVG Pool),传入Flatten层将数据压缩成长度为 1×1×2 048的一维数组,再与全连接层(FC)和softmax层连接,输出待评估影像属于某一个倒塌类型的概率,并最终确定倒塌评估结果。

      图  1  ResNet-50网络架构

      Figure 1.  Overall Architecture of ResNet-50

      在设置输出层时,根据中国地震局制定的《地震灾害遥感评估 建筑物破坏》(DB/T 75-2018)标准,将输出的倒塌评估类型设为完全倒塌、半倒塌、未倒塌3类。

    • 神经网络模型中参数的优化过程直接决定了模型的质量,是使用神经网络时非常重要的一步。ResNet-50是一种具有很强泛化能力的预训练模型,通过迁移学习方法对源域预训练模型的部分参数进行调整之后,来自源域的知识便可以应用到相关的其他目标域。

      本文采用了梯度下降算法调整优化神经网络参数,假设用θ表示神经网络中的参数,J(θ)是给定参数值的训练数据集上的损失函数值,则整个优化过程就是寻找一个使J(θ)最小化的参数θ。这一搜索过程沿梯度的相反方向进行,不断地更新参数以减小总损失。更新公式为:

      $${\theta _{n + 1}} = {\theta _n} - \eta \frac{\partial }{{\partial {\theta _n}}}J\left( {{\theta _n}} \right) $$ (1)

      式中,η是学习率,以确定参数更新的幅度;$\frac{\partial }{{\partial {\theta _n}}}J\left( {{\theta _n}} \right)$是梯度。

      但梯度下降算法并不能保证优化函数达到全局最优解,有时候计算出的最优解只是局部最优解。为了克服这一缺点,在实际应用中,模型训练采用了计算小部分训练数据损失函数的方法。一方面,每次通过矩阵运算对神经网络的参数进行批量优化的速度并不比单个数据慢多少。另一方面,每次使用批处理进行优化可以大大减少收敛所需的迭代次数,同时使收敛结果更接近梯度退化的效果。

      在梯度下降过程中,模型的求解时间与学习率密切相关。学习速率过大时,无论执行多少次迭代,参数都将始终振荡且无法收敛;反之,设置一个较小学习速率虽然可以保证收敛性,但会降低优化速度,而且需要更多的迭代才能得到理想的优化效果。因此,学习率需要设置在一个合理的区间内。实验中为了解决这一问题,在TensorFlow中采用指数衰减函数来设置学习速率,利用较大的学习率快速得到较好的解,然后在迭代过程中逐步降低学习率,使模型在后期训练中更加稳定。

      为了解决可能出现的过度拟合问题,采取了两种措施,一方面在模型训练过程保持对训练损失/精度曲线的观察,在必要时提前终止训练;另一方面,在训练过程中使用了辍学方法,按照一定的概率将神经网络单元暂时从网络中丢弃,使得模型不会依赖于某些局部特征而更加通用化。

    • 建筑物倒塌评估实验所使用的数据来自PHI的开放数据,其最初的目的是评估基于大型数据集的结构图像分类算法。该数据包含8个数据集,分别是:(1)3类场景级别:像素级别、目标级别、建筑级别;(2)2类损伤状态:未损坏、损伤;(3)2类剥落条件:非剥落、剥落;(4)2类材料类型:钢材、其他;(5)3类倒塌模式:未倒塌、半倒塌、全倒塌;(6)4类成分类型:梁、柱、墙、其他;(7)4类损坏程度:未损坏、轻微损坏、中等破坏、严重损坏;(8)4类损坏类型:未损坏、弯曲损坏、剪型损坏、复合损伤。

      实验使用了其中与建筑物倒塌模式有关的部分数据集,并根据中国地震局制定的《地震灾害遥感评估 建筑物破坏》(DB/T 75-2018)标准将其标记为未倒塌(188张)、半倒塌(253张)以及全倒塌(150张)3类,数据样例如图 2所示。

      图  2  建筑物倒塌数据集样例

      Figure 2.  Examples of Building Collapse

    • 训练前检查了PHI数据集中的图像,对其中标签错误的图像进行了纠正或删除处理,以进一步提高训练数据集的质量。

      就PHI提供的建筑物倒塌评估相关的已标记数据而言,其数量仅有591张,与一些其他的开放图像数据集(如ImageNet)相比是比较少的。而一般来说,训练一个深度CNN需要用到大量数据才会有较好的效果。约束条件下训练的CNN分类器在不考虑约束条件的情况下对图像进行分类时可能会表现出较差的性能。

      考虑到训练集中建筑物倒塌评估相关的图像较少—可能无法完全覆盖实际中显著影响训练分类器精度的各种摄影环境,为了克服这一问题,通过模拟不同拍摄环境的方式对原有数据进行了增强,建立了多幅训练图像,以减少CNN分类器的过度拟合。

      使用几何变换和模糊处理来增强训练图像。在几何变换中混合使用了平移、反射和旋转操作,考虑了图像拍摄方向和角度的变化;模糊处理考虑了成像相机在光线不足和未聚焦镜头下可能出现的不稳定性。图 3显示了用于数据增强的图像修改示例。通过数据扩充,将训练数据的数量增加了至少10倍。

      图  3  影像扩充示例

      Figure 3.  Example of Image Augmentation

    • 本文的实验环境为一台DELL T5610@Xeon GTX 1080Ti工作站,在该环境中使用训练好的CNN分类器模型进行了建筑物倒塌评估和损坏程度评估实验,测试数据与训练数据是各自独立的。

    • 为了评估分类器模型在评估建筑物倒塌问题时的有效性,本文使用精确率P来衡量所训练模型的性能,评估模型所识别出的建筑物倒塌类型是否为真实的倒塌类型,其计算公式为:

      $$ P = \frac{{{T_P}}}{{{T_P} + {F_P}}} \times 100\% $$ (2)

      式中,TP表示被判定为正样本,实际上也是正样本的个数;FP表示被判定为正样本,但实际上是负样本(误检)的个数。

      测试数据集中共101张图像,其中未倒塌图像39张、半倒塌图像36张、全倒塌图像26张,对测试结果进行统计得到标准化混淆矩阵(见图 4)。从图 4中可以计算得到训练模型的识别精确率为77.23%,Kappa系数为0.65,说明模型的识别结果与人工检测分类结果有较高的一致性。从文献[3]中可知,各类利用高分辨率遥感影像检测建筑物损毁的方法,其总体精度为70%~80%,与之相比,本文训练模型的精度基本相当,但是能够识别出的建筑物倒塌状态更丰富。

      图  4  建筑物倒塌评估实验结果的混淆矩阵

      Figure 4.  Normalized Confusion Matrix of Building Collapse Assessment Experiment

      进一步考察建筑物倒塌评估分类错误的图像(见图 5),可以发现错误多发生在对于半倒塌建筑物的评估中,对于全倒塌和未倒塌建筑物的评估则相对更加准确。如果后续能进一步增强模型对图像中细微特征的提取能力,则识别评估精度会进一步提高。

      图  5  建筑物倒塌评估错误分类的样例

      Figure 5.  Examples of Misclassification in Building Collapse Assessment

    • 本文实验中的建筑物结构损坏程度分为未损坏、轻微损坏、中等损坏、严重损坏4类,其典型样例如图 6所示。

      图  6  建筑物结构损坏数据样例

      Figure 6.  Examples of Building Damage

      测试数据集中共100张图像,其中4种损坏程度的图像各25张,对测试结果进行统计得到混淆矩阵(见图 7),从图 7中可以计算得到训练模型的识别精确率为77%,Kappa系数为0.693,说明模型的识别结果与人工检测分类结果有较高的一致性,揭示出本文的ResNet网络模型还有潜力,可进一步用于如建筑物损伤类型和损伤程度等更为复杂的倒塌评估项目。

      图  7  结构损坏评估实验结果的混淆矩阵

      Figure 7.  Normalized Confusion Matrix of Structural Damage Assessment Experiment

    • 本文将ResNet网络用于建筑物倒塌评估,按照建筑物破坏评估标准建立了一个建筑物倒塌评估分类器模型,利用PHI的开放数据对该网络连接参数进行了调整,训练获得了相对最优的模型参数,在训练模型的基础上进行了建筑物倒塌评估和损伤程度识别的测试。实验结果表明:

      1)ResNet网络模型在建筑物倒塌类型识别评估方面效果明显,实验中的识别精度为77.23%,Kappa系数为0.65,与传统的高分遥感建筑物倒塌检测方法想相比,精度相当,但是能识别检测出更多的倒塌类型,在应用于实际任务时自动化的潜力更高。

      2)ResNet网络模型在损伤评估实验中的识别精度为77%,Kappa系数为0.693,这说明该模型的识别结果与人工检测分类结果有较高的一致性,该模型还可进一步用于如建筑物损伤类型和损伤程度评估等更为复杂的倒塌评估事项。

      3)本文方法在识别半倒塌、轻微损坏和中等损坏等类型时精度相对较差,说明模型对图像中细微特征的提取能力还有待于进一步增强,需要在后续研究中进一步改进。提供了方法学依据。

参考文献 (10)

目录

    /

    返回文章
    返回