一种基于无人机和语义分割模型的建筑物震害评估方法技术

本发明专利技术涉及土木工程结构健康评估与防灾减灾技术领域，具体为一种基于无人机和语义分割模型的建筑物震害评估方法,其目的在于提出了一种基于无人机和语义分割模型的建筑物震害评估方法，主要解决的问题是：现有的语义分割模型中对无人机图像中的多尺度、视角遮挡的目标分割精度较低且占用硬件资源较大的问题；其有益效果为：本发明专利技术提供的无人机建筑物震害评估模型占用内存小，仅为基准模型的80％；且改进后模型的具有较高的精度，可达91.4％，相比基准模型提升了5.5％。比基准模型提升了5.5％。比基准模型提升了5.5％。

【技术实现步骤摘要】
一种基于无人机和语义分割模型的建筑物震害评估方法


[0001]本专利技术涉及土木工程结构健康评估与防灾减灾
，具体为一种基于无人机和语义分割模型的建筑物震害评估方法。

技术介绍

[0002]随着城市人口的大量增加和城市化的快速发展，地震无疑已经成为地震多发地区建筑物和其他基础设施的主要威胁。据官方部门统计，地震后大部分的人员伤亡和经济损失与建筑物的破坏密切相关。因此，建筑物震害评估在震后城市震害调查和应急管理中发挥着至关重要的作用。当前对于震后建筑物状况的评估大多是由相关领域的专家进行现场地面调查。这种方法需要对建筑物进行逐个检查，这种方式依赖于检测人员的主观判断，稳定性较差且效率较低。
[0003]近年来，随着人工智能和大数据技术取得的突破性成果，计算机视觉技术和无人机采集的结合为土木工程领域中结构状态评估提供了前景良好的方法。受限于无人机图像中的多尺度、视角遮挡等特征，当前的语义分割模型精度一般而且占用硬件资源较大。
[0004]为解决上述问题，本专利技术基于改进的UNet网络训练一种使用无人机图像的高精度建筑物震害评估语义分割模型。

技术实现思路

[0005]本专利技术的目的在于提出了一种基于无人机和语义分割模型的建筑物震害评估方法，主要解决的问题是：现有的语义分割模型中对无人机图像中的多尺度、视角遮挡的目标分割精度较低且占用硬件资源较大的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于无人机和语义分割模型的建筑物震害评估方法，其特征在于，包括如下步骤：
[0008]步骤一、建立基于无人机的近场建筑物震害损伤专有数据集，并根据震后现场地面调查结果制作像素级语义标签；并按一定比例划分训练集、验证集和测试集；
[0009]步骤二、建立网络结构，所述网络结构基于改进的UNet语义分割模型；
[0010]步骤三、设置模型的训练超参数、网络优化器、损失函数；
[0011]步骤四、将训练集图像输入模型进行迭代训练，直到损失函数收敛，得到最终权重模型；
[0012]步骤五、加载最终权重模型对测试集中的待评估图像进行语义分割，得到建筑物震害评估结果。
[0013]进一步的，在步骤一中，所述的基于无人机的近场建筑物震害损伤的专有数据集为根据震后现场地面调查结果制作像素级语义标签，所述像素级语义标签内容包括：单体建筑物的像素级定位标签和破坏状态类别标签，所述破坏状态类别标签分为毁坏、严重破坏、其它；随后按8:1:1将数据集划分为训练集、验证集和测试集。
[0014]进一步的，在步骤二中，所述的改进的UNet语义分割模型由主干特征提取模块、加强特征提取模块和预测模块组成。
[0015]进一步的，所述主干特征提取模块采用VGG16第五级池化层前的部分网络，所述加强特征提取模块中的上采样步骤采用双三次插值方式。
[0016]进一步的，在步骤三中，所述的模型的训练超参数包括批参数为6；以0.0001为初始学习率并采用每5轮下降0.92倍的等间隔策略；总迭代轮数为100轮。
[0017]进一步的，在步骤三中，所述的网络优化器为Adam(β1＝0.95,β2＝0.999)。
[0018]进一步的，在步骤三中，所述的损失函数结合CE Loss和Dice Loss。
[0019]本专利技术具有以下有益效果：本专利技术提供的无人机建筑物震害评估模型占用内存小，仅为基准模型的80％；且改进后模型的具有较高的精度，可达91.4％，相比基准模型提升了5.5％。
附图说明
[0020]为了更加清晰的理解本专利技术，通过结合说明书附图与示意性实施例，进一步介绍本公开，附图与实施例是用来解释说明，并不构成对公开的限定。
[0021]图1为本专利技术中基于无人机和语义分割模型的建筑物震害评估方法流程图；
[0022]图2为本专利技术中改进的UNet语义分割网络；
[0023]图3为本专利技术中训练损失随着训练轮数变化的关系图；
[0024]图4为本专利技术中两张基于无人机图像的建筑物震害语义分割结果。
具体实施方式
[0025]下面结合附图，进一步对本专利技术进行详细的说明。下面通过参考附图中的实例更加清晰的描述所提出算法及策略的原理以及优缺点等特征，这些原理特点不限于所举出的这些例子，更加符合实际生产中所遇到的问题。
[0026]实施例
[0027]一种基于无人机和语义分割模型的建筑物震害评估方法，如图1所示的流程示意图，具体步骤包括：
[0028]步骤一、对于无人机的近场震后建筑物图像的采集工作，采用高度200m，机载相机角度30
°
进行拍摄采集，并以多路径、多视角对老北川县城全域建筑物进行图像采集。对于获得的无人机近场建筑物震害损伤图像，依据地面专业人员的单体建筑物损伤评估结果，采用深度学习标注工具labelme进行打标签工作，标签内容包括像素级定位信息以及背景和损伤类别：0
‑
背景，1
‑
毁坏、2
‑
严重破坏、3
‑
其它。标签制作完成后，共包括600张5472
×
3648的图像。随后将图像缩放至2560
×
1536并以256步长裁切为512
×
512的子图像，这样得到了具有27000张的数据集。最后按8:1:1将数据集划分为训练集、验证集和测试集。
[0029]步骤二、建立语义分割模型，该网络基于改进的UNet模型，由主干特征提取模块、加强特征提取模块和预测模块组成。其中，主干特征提取模块采用VGG16第五级池化层前的网络，加强特征提取模块中的上采样步骤采用双三次插值方式。如图2所示为网络结构图。
[0030]步骤三、对训练加载的配置文件内的参数进行调整设定，包括每批次输入网络的图片数batch＝6；以0.0001为初始学习率并采用每5轮下降0.92倍的等间隔策略；总迭代轮
数为100轮。网络优化器采用Adam优化器(β1＝0.95,β2＝0.999)。损失函数结合交叉熵CE Loss和考虑集合相似度的Dice Loss。
[0031]步骤四、将训练集中的图像输入模型进行迭代训练，直到损失函数收敛，得到最终权重模型。如图3所示为训练损失随着训练轮数变化的关系图。
[0032]训练后得到的性能指标如表1所示，改进的UNet对0
‑
背景，1
‑
毁坏、2
‑
严重破坏、3
‑
其它共四种类别的IoU分别可达94.9、86.9、90.8、93.2％，且总体指标mIoU高达91.5％，相比UNet基准模型提升了5.5％，且其权重大小仅为UNet基准模型的80％。
[0033]表1性能指标
[0034][0035]步骤五、将测试集中的待评估图像进行缩放并裁切至512
×
512，输入加载最终权重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机和语义分割模型的建筑物震害评估方法，其特征在于，包括如下步骤：步骤一、建立基于无人机的近场建筑物震害损伤专有数据集，并根据震后现场地面调查结果制作像素级语义标签；并按一定比例划分训练集、验证集和测试集；步骤二、建立网络结构，所述网络结构基于改进的UNet语义分割模型；步骤三、设置模型的训练超参数、网络优化器、损失函数；步骤四、将训练集图像输入模型进行迭代训练，直到损失函数收敛，得到最终权重模型；步骤五、加载最终权重模型对测试集中的待评估图像进行语义分割，得到建筑物震害评估结果。2.根据权利要求1所述的一种基于无人机和语义分割模型的建筑物震害评估方法，其特征在于：在步骤一中，所述的基于无人机的近场建筑物震害损伤的专有数据集为根据震后现场地面调查结果制作像素级语义标签，所述像素级语义标签内容包括：单体建筑物的像素级定位标签和破坏状态类别标签，所述破坏状态类别标签分为毁坏、严重破坏、其它；随后按8:1:1将数据集划分为训练集、验证集和测试集。3.根据权利要求1所述的一种基于无...

【专利技术属性】
技术研发人员：张强强，王玉，徐阳，景鑫，
申请(专利权)人：兰州大学，
类型：发明
国别省市：