【技术实现步骤摘要】
本专利技术涉及建筑物参数，具体涉及使用yolov3神经网络的目标预测，特别涉及一种基于神经网络的城市建筑震害预测方法及系统。
技术介绍
1、地震是一种具有强大破坏力的自然灾害，对人类社会，尤其是对城市建筑造成了巨大的威胁，城市建筑震害预测是减轻地震灾害的重要手段之一。
2、随着建筑业的快速发展，城市建筑的数量和结构类型不断更新换代，这使得传统的建筑震害信息预测方法面临诸多挑战，如难度大、误检率高、漏检率高且效率低等。这些问题严重影响了震害预测的准确性和时效性，制约了防灾减灾工作的有效开展。
3、yolov3(you only look once version 3)是一种先进的实时目标检测算法。它采用了一种名为darknet-53的深度卷积神经网络结构，具有强大的特征提取能力。yolov3算法通过在不同尺度上进行目标检测，可以更好地适应不同大小的目标，从而提高检测的准确性和效率。
4、虽然yolov3算法在目标检测领域已经占据了主导地位，但在城市建筑震害预测中的应用效果却不尽相同。城市建筑震害预测对于减轻地震灾害具有重要意义。而yolov3算法作为一种高效的目标检测算法，在建筑震害预测中具有广阔的应用前景。通过不断优化和改进yolov3算法，可以更好地应对地震灾害带来的挑战，保护人民的生命和财产安全。
5、为此，本专利技术提出一种基于神经网络的城市建筑震害预测方法及系统。
技术实现思路
1、有鉴于此，本专利技术实施例希望提供一种基于神
2、本专利技术实施例的技术方案是这样实现的：
3、第一方面，一种基于神经网络的城市建筑震害预测方法：
4、(一)概述：
5、本专利技术旨在解决上述技术问题，通过使用yolov3算法及其darknet-53深度卷积神经网络结构，以获取更丰富的建筑信息和地震数据，从而进一步提高震害预测的精度和效率。统计不同震害程度的建筑物数量，并生成震害矩阵。这个矩阵可以反映在不同地震烈度下，各类建筑物发生不同破坏状态的概率。根据预测结果制定相应的防灾减灾策略和应急预案，以降低地震对建筑物的影响。
6、(二)技术方案：
7、为实现上述技术目标，本方案需执行如下的步骤s1～s4：
8、2.1步骤s1，数据准备：
9、收集指定地区的历史震害数据，包括建筑物震前、震后的图像以及震害程度标签信息，构成数据集d。其形式为：
10、
11、其中：表示第i个样本中建筑物震前的图像数据。表示第i个样本中建筑物震后的图像数据。li表示第i个样本中建筑物的震害程度标签。其中每个样本都是一个包含震前图像、震后图像和震害程度标签的三元组。在实际应用中，图像数据是高维的像素矩阵，而标签数据是离散的类别标识或者连续的震害程度评分。
12、同时，将数据集d分为训练集dtrain，测试集dtest，验证集dval。使用70％的数据作为训练集dtrain，15％作为验证集dval来调整模型参数，剩下的15％作为测试集dtest来评估模型性能。
13、同时，还可以对收集到的图像数据进行预处理，包括常规的标注、裁剪和归一化处理技术，以适应yolov3算法的输入要求。
14、2.2步骤s2，读取yolov3算法：
15、读取yolov3算法框架，包括对输入数据x使用darknet53作为主干网络进行前向传播、损失计算以及反向传播。其中输入数据x相当于数据集d中的任意一样本，yolov3使用darknet53作为主干网络(backbone network)进行特征提取。
16、2.2.1步骤s200，前向传播：
17、对于输入数据x(它可以是数据集(d)中的任意一个样本，即一张图像)，darknet53网络会进行一系列卷积、残差连接操作来提取图像特征。这个过程可以形式化地表示为：
18、f＝darknet53(x)；
19、其中，f是从输入图像x中提取出的特征图(feature map)。
20、2.2.2步骤s201，预测输出：
21、yolov3会在多个尺度上进行预测，通常是在三个不同的尺度上。对于每个尺度，网络会输出一个张量，其中包含边界框(bounding box)的坐标、宽高、置信度以及类别概率。这个预测过程为：
22、(bx，by，bw，bh，conf，pc)=predictionhead(f)；
23、其中，(bx,by,bw,bh)是预测的边界框位置和大小，conf是预测的置信度，pc是预测的类别概率。
24、2.2.3步骤s202，损失计算：
25、yolov3的损失函数包括边界框坐标损失、宽高损失、置信度损失和分类损失。这些损失使用均方误差(mse)或交叉熵损失(cross-entropy loss)来计算。总损失表示为：
26、loss＝losscoord+losswidth-height+lossconfidence+lossclassification；
27、具体每项损失的计算方式依赖于yolov3的具体实现和配置。
28、2.2.4步骤s203，反向传播：
29、在计算出损失后，使用反向传播算法来更新网络的权重。这个过程涉及计算损失函数关于网络参数的梯度，并用这些梯度来更新网络参数。梯度下降的一步可以表示为：
30、
31、其中，θ表示网络的参数(权重和偏置)，η是学习率，是损失函数关于参数的梯度。
32、2.3模型训练：
33、基于步骤s2的yolov3算法的框架，在准备好的训练集dtrain上进行训练。通过不断调整模型参数和优化器设置，使得模型在训练集dtrain上达到较高的准确率。使用验证集dval对模型进行验证，确保模型没有过拟合，并具有良好的泛化能力。
34、在测试集dtest上评估模型的性能，包括准确率和召回率指标。根据评估结果对模型进行数据增强策略，以提高模型的预测性能。
35、2.3.1模型训练：
36、在训练集dtrain上，使用yolov3算法和选定的优化器(adam或sgd)来训练模型。训练的目标是最小化dtrain上的损失函数losstrain，该损失函数包括分类损失和定位损失。训练过程表示为寻找最优模型参数θ*的问题：
37、θ*=arg mθloss rain(θ；dtrain)；
38、其中，θ表示模型的参数集合，losstrain是在训练集上的损失函数。
39、2.3.2模型验证：
40、在验证集dval上评估模型的性能确保没有发生过拟合本文档来自技高网...
【技术保护点】
1.一种基于神经网络的城市建筑震害预测方法，其特征在于，包括执行如下步骤：
2.根据权利要求1所述的城市建筑震害预测方法，其特征在于：在所述S1中，数据集D为：
3.根据权利要求1所述的城市建筑震害预测方法，其特征在于：在所述S2中，所述前向传播的方法为：
4.根据权利要求3所述的城市建筑震害预测方法，其特征在于：在所述S2中，YOLOv3对于每个尺度，网络会输出一个张量，其中包含边界框的坐标、宽高、置信度以及类别概率：
5.根据权利要求4所述的城市建筑震害预测方法，其特征在于：在所述S2中，进行损失计算，包括边界框坐标损失、宽高损失、置信度损失和分类损失；并使用均方误差MSE进行总损失计算。
6.根据权利要求3所述的城市建筑震害预测方法，其特征在于：在所述S2中，所述反向传播的方法为：计算损失函数关于网络参数的梯度，并用这些梯度来更新网络参数：
7.根据权利要求1所述的城市建筑震害预测方法，其特征在于：在所述S3中，预测方法为：对于指定地区的建筑物图像集合I，即所述S2的输入x，使用训练好的YOLOv3模型
8.根据权利要求7所述的城市建筑震害预测方法，其特征在于：在所述S3中，设Nd表示震害程度为d的建筑物数量，根据预测结果P，统计不同震害程度的建筑物数量：
9.根据权利要求7所述的城市建筑震害预测方法，其特征在于：在所述S3中，震害矩阵Mdamage是一个二维矩阵，其中行表示地震烈度，列表示建筑物的破坏状态：
10.一种基于神经网络的城市建筑震害预测系统，其特征在于：所述系统包括处理器、与所述处理器连接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如权利要求1-9中任意一项所述的城市建筑震害预测方法。
...【技术特征摘要】
1.一种基于神经网络的城市建筑震害预测方法，其特征在于，包括执行如下步骤：
2.根据权利要求1所述的城市建筑震害预测方法，其特征在于：在所述s1中，数据集d为：
3.根据权利要求1所述的城市建筑震害预测方法，其特征在于：在所述s2中，所述前向传播的方法为：
4.根据权利要求3所述的城市建筑震害预测方法，其特征在于：在所述s2中，yolov3对于每个尺度，网络会输出一个张量，其中包含边界框的坐标、宽高、置信度以及类别概率：
5.根据权利要求4所述的城市建筑震害预测方法，其特征在于：在所述s2中，进行损失计算，包括边界框坐标损失、宽高损失、置信度损失和分类损失；并使用均方误差mse进行总损失计算。
6.根据权利要求3所述的城市建筑震害预测方法，其特征在于：在所述s2中，所述反向传播的方法为：计算损失函数关于网络参数的梯度，并用这些梯度来更新网络...
【专利技术属性】
技术研发人员：邹同彬，
申请(专利权)人：广州科技职业技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。