基于建筑物震害检测的极灾区快速判定方法及电子设备技术

本发明专利技术公开了一种基于建筑物震害检测的极灾区快速判定方法及电子设备，通过结合高精细地理国情普查建筑物数据与震后无人机高分辨率遥感影像，并充分利用卷积神经网络强大的层次化特征学习能力和迁移性能，以建筑物震害检测为核心，从检测精度和检测时间两个角度，定位于快速判定，平衡检测精度和检测速度，构建出对应的建筑物震害检测模型，融合国情普查房屋建筑物数据提高震害检测的速度和效率，并借助于迁移学习将其应用于新发生地震，通过识别新发生地震震后遥感影像中的倒塌建筑物，计算倒塌率，结合其他多源数据可实现精确的、高时效的极灾区判定。时效的极灾区判定。时效的极灾区判定。

【技术实现步骤摘要】
基于建筑物震害检测的极灾区快速判定方法及电子设备


[0001]本专利技术涉及地震应急
，特别是涉及一种基于建筑物震害检测的极灾区快速判定方法及电子设备。

技术介绍

[0002]快速判定地震极灾区的方法对加快地震应急救援速度和提高救援效率、应急处置和应对地震灾害具有重要作用，是地震应急救援的重要研究领域，也是地震应急理论寻求的突破方向之一。快速、准确、科学地判定地震极灾区的位置、范围和破坏程度是提高救援救灾效率的重要前提，是应急救援时效的重要保障。
[0003]目前地震极灾区快速评估的方法目前主要有四种：一是基于烈度衰减关系计算地震影响场；二是基于强震观测台网的仪器烈度速报方法；三是基于与承灾体破坏相关的大数据进行间接判定的方法；四是综合法；但上述这些方法多用于判定地震的影响范围，上述第一、第二和第四种方法均从地震发生发展机理出发开展地震影响场的快速判定，考虑了诸多的因素如震中、震级、历史地震经验参考、场地条件、余震分布等等，震后能够实时的为地震应急、公共信息发布、损失评估、等工作提供有价值的信息，但是没有关注承灾体，不能很好的反映承灾体的具体受灾程度，而第三种方法是是灾害承灾体对地震动能的间接反应，但不能准确反应承灾体受灾情况和需要救援对象的具体位置。
[0004]鉴于地震中约95％的人员伤亡是由于建筑物破坏和倒塌造成的，基于建筑物震害进行极灾区的快速判定更加直接有效。而相比于前面四种方法，利用与人员伤亡有直接关联的建筑物震害进行极灾区的判定对于人员搜救来说更加直接有效，更有针对性，为极灾区的快速判定提供了新的突破点。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种基于建筑物震害检测的极灾区快速判定方法及电子设备，其解决了现有极灾区判定方法无法利用建筑物震害进行快速判定的问题，从而克服现有技术的不足。
[0006]为解决上述技术问题，本专利技术提供一种基于建筑物震害检测的极灾区快速判定方法，其包括如下步骤：
[0007]S1.从房屋震害特征分析、破坏程度分级和震害结构分类角度，基于历史震例的震后遥感影像数据分别制作含结构信息和不含结构信息的建筑物震害样本数据集，兼顾检测精度及检测时效，融合注意力机制、特征融合及模型轻量化设计分别构建两种建筑物震害检测模型，利用训练样本数据集对建筑物震害检测模型进行训练，获得最优建筑物震害检测模型；
[0008]S2.基于新发生地震灾区的震前地理国情普查的房屋建筑物矢量数据和居民点分布数据定位筛选出震中周边建筑物密集的区域，并根据筛选结果完成无人机航拍路径的规划；
[0009]S3.利用无人机航拍获取新发生地震灾区的遥感影像数据，将新获取的遥感影像输入已训练好的最优建筑物震害检测模型中，并通过基于样本的迁移方法或基于模型的迁移方法进行新震例建筑物震害的检测；
[0010]S4.根据检测结果是否满足需求，判定是否进行建筑物震害检测模型的重新训练:若检测结果满足需求，则进行下一步；若检测结果未满足需求，则基于新发生地震灾区的部分建筑物数据制作微训练样本，并冻结最优建筑物震害检测模型的中、低层通用特征的权重，采用随机权重替换高层语义特征权重，然后基于微训练样本重新训练最优建筑物震害检测模型，得到二次建筑物震害检测模型并替换至最优建筑物震害检测模型，再将新发生地震灾区的遥感影像输入替换后的最优建筑物震害检测模型，进行重新检测，直至检测结果满足需求；
[0011]S5.依据检测结果和新发生地震灾区建筑物数据中的房屋栋数计算得到新发生地震灾区的房屋倒塌率，同时结合多源数据，综合判定出新发生地震的极灾区分布范围；
[0012]S6.基于新发生地震的震后遥感影像数据扩充制作新的训练样本数据集，并重新训练建筑物震害检测模型，且保存新的最优建筑物震害检测模型，以作为下一次新发生地震检测的建筑物震害检测模型。
[0013]作为本专利技术的进一步改进，所述建筑物震害检测模型采用基于注意力机制和特征融合的震害检测模型，所述基于注意力机制和特征融合的震害检测模型采用SSD300模型架构作为基础架构，采用空洞卷积代替部分池化层进行下采样，通过下采样将浅层特征融入到深层特征中；同时采用上采样的方法将深层特征的语义信息融入到浅层特征中；进行特征融合时分别将Cov3_3、Conv4_3与Conv7进行融合，将Conv4_3、Conv7与Conv8_2进行融合，将Conv7、Conv8_2与Conv9_2进行融合，通过融合分别生成新特征图层Conv4_3_n，Conv7_n与Conv8_2_n，新特征层与高层特征层Conv8_2，Conv10_2，Conv11_2共同作为特征检测图层；同时新特征图Conv4_3_n、Conv7_n、Conv8_2_n以及高层特征层Conv9_2、Conv10_2、Conv11_2分别通过注意力机制模块，对震害特征进行增强，最终实现震害的分类和定位。
[0014]作为本专利技术的一种改进，所述建筑物震害检测模型采用基于轻量卷积的震害检测模型，所述基于轻量卷积的震害检测模型采用MobileNetV2作为基础网络，并融合SSD300算法网络架构：所述建筑物震害检测轻量模型在MobileNetV2的卷积层Conv19之后设有8个卷积层Conv20_1、Conv20_2、Conv21_1、Conv21_2、Conv22_1、Conv22_2、Conv23_1、Conv23_2作为辅助层，并利用辅助层取代MobileNetV2的平均池化层和全连接层；同时选取MobileNetV2中Conv14与Conv19的特征图，以及辅助层中Conv20_2、Conv21_2、Conv22_2和Conv23_2的特征图作为用于分类的特征层，所述特征层的尺寸依次分别为19
×
19、10
×
10、5
×
5、3
×
3、2
×
2以及1
×
1；所述卷积层Conv14与Conv19以及辅助层中Conv20_2、Conv21_2、Conv22_2与Conv23_2的特征图分别经过对应的注意力机制模块，对建筑物震害特征进行增强。
[0015]作为本专利技术的一种改进，所述建筑物震害检测模型中注意力机制模块采用ECA注意力模块、SE注意力模块或CBAM注意力模块。
[0016]作为本专利技术的进一步改进，所述建筑物震害检测模型中IOU值设定范围为0.3
‑
0.6，且模型迭代时长设定为40000次以上。
[0017]作为本专利技术的进一步改进，所述S1步骤利用训练样本数据集对建筑物震害检测模
型训练，获得最优建筑物震害检测模型过程中，训练样本的尺寸采用512
×
512，测试样本及验证样本的尺寸均采用300
×
300。
[0018]作为本专利技术的进一步改进，所述基于注意力机制和特征融合的震害检测模型中所采用的注意力机制模块选用ECA注意力模块，且震害检测模型中IOU值设定为0.4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于建筑物震害检测的极灾区快速判定方法，其特征在于，包括如下步骤：S1.从房屋震害特征分析、破坏程度分级和震害结构分类角度，基于历史震例的震后遥感影像数据分别制作含结构信息和不含结构信息的建筑物震害样本数据集，兼顾检测精度及检测时效，融合注意力机制、特征融合及模型轻量化设计分别构建两种建筑物震害检测模型，利用训练样本数据集对建筑物震害检测模型进行训练，获得最优建筑物震害检测模型；S2.基于新发生地震灾区震前地理国情普查房屋建筑物矢量数据和居民点分布数据定位筛选出震中周边建筑物密集的区域，并根据筛选结果完成无人机航拍路径的规划；S3.利用无人机航拍获取新发生地震灾区的遥感影像数据，并将新获取的遥感影像输入已训练好的最优建筑物震害检测模型中，通过基于样本的迁移方法或基于模型的迁移方法进行新震例建筑物震害的检测；S4.根据检测结果是否满足需求，判定是否进行建筑物震害检测模型的重新训练:若检测结果满足需求，则进行下一步；若检测结果未满足需求，则基于新发生地震灾区的部分建筑物数据制作微训练样本，并冻结最优建筑物震害检测模型的中、低层通用特征的权重，采用随机权重替换高层语义特征权重，然后基于微训练样本重新训练最优建筑物震害检测模型，得到二次建筑物震害检测模型并替换至最优建筑物震害检测模型，再将新发生地震灾区的遥感影像输入替换后的最优建筑物震害检测模型，进行重新检测，直至检测结果满足需求；S5.依据检测结果和新发生地震灾区建筑物数据中的房屋栋数计算得到新发生地震灾区的房屋倒塌率，同时结合多源数据，综合判定出新发生地震的极灾区分布范围；S6.基于新发生地震震后遥感影像数据扩充制作新的训练样本数据集，并重新训练建筑物震害检测模型，且保存新的最优建筑物震害检测模型，以作为下一次新发生地震检测的建筑物震害检测模型。2.根据权利要求1所述的极灾区判定方法，其特征在于，所述建筑物震害检测模型采用基于注意力机制和特征融合的震害检测模型，所述基于注意力机制和特征融合的震害检测模型采用SSD300模型架构作为基础架构，采用空洞卷积代替部分池化层进行下采样，通过下采样将浅层特征融入到深层特征中；同时采用上采样的方法将深层特征的语义信息融入到浅层特征中；进行特征融合时分别将Cov3_3、Conv4_3与Conv7进行融合，将Conv4_3、Conv7与Conv8_2进行融合，将Conv7、Conv8_2与Conv9_2进行融合，通过融合分别生成新特征图层Conv4_3_n，Conv7_n与Conv8_2_n，新特征层与高层特征层Conv8_2，Conv10_2，Conv11_2共同作为特征检测图层；同时新特征图Conv4_3_n、Conv7_n、Conv8_2_n以及高层特征层Conv9_2、Conv10_2、Conv11_2分别通过注意力机制模块，对震害特征进行增强，最终实现震害的分类和定位。3.根据权利要求1所述的极灾区判定方法，其特征在于，所述建筑物震害检测模型采用基于轻量卷积的震害检测模型，所述基于轻量卷积的震害检测模型采用Mobi leNetV2作为基础网络，并融合SSD300算法网络架构：所述建筑物震害检测轻量模型在Mob...

【专利技术属性】
技术研发人员：李晓丽，杨建思，杨凡，刘耀辉，李志强，郑钰，徐志强，姜旭东，段乙好，徐志双，文鑫涛，陈雅慧，张云芝，任静，
申请(专利权)人：中国地震局地球物理研究所，
类型：发明
国别省市：