[发明专利]基于深度学习和云计算的遥感建筑物震害评估方法和系统

说明书

本发明公开了一种基于深度学习和云计算的遥感建筑物震害评估方法和系统。该方法的主要过程包括：基于特征图像的地震前后建筑物及震害建筑物样本集扩充，设计适合完全倒塌建筑物、部分倒塌建筑物、完整建筑物提取的深度卷积网络模型、基于智能体的超参数自动获取，在云端分别训练完全倒塌建筑物、部分倒塌建筑物、完整建筑物提取的深度卷积网络模型，提取震后影像灾损区域，对震前建筑物灾损等级进行标注和震害完全倒塌、部分倒塌区域建筑物数量进行统计与制图。公开的系统面向防灾减灾部门的用户需求，由用户终端、网络通信基站、网关服务器、中心云服务端组成。本发明提高了建筑物震害灾损信息获取与评估的及时性、准确性及智能化水平。

技术领域

本发明涉及遥感影像建筑物震害信息提取与损失评估领域，特别涉及一种基于深度学习和云计算的遥感建筑物震害评估方法和系统。

背景技术

地震是重大自然灾害之一。地震灾害往往造成房屋、桥梁等建筑物毁灭性的破坏，具有不可预测性、突发性和强破坏性。我国是遭受地震灾害最为严重的国家之一，并且我国的房屋建筑物、基础设施等抗震能力不强，以往的强震灾难导致了大量的建筑物倒塌和人员生命和财产损失。传统的震害评估工作主要依靠人工现场调查，需要采用大量的人力物力，不仅耗时长而且提取精度也无法满足实际需要，且震后往往会伴随着交通和通信的中断，给救援指挥部门及时了解灾情、制定救灾对策带来了很大困难，以至于在地震后救灾应急不及时所导致的代价也十分惨重。

震害建筑物损毁数量、程度是灾区救援和重建开始前所必需的信息。快速准确确定震害房屋、桥梁等建筑物位置和损失程度，是保障城市生命安全、社会经济可持续发展、降低地震灾害损失的首要问题和研究重点。针对城市庞大数目的建筑物和可能面临的海量规模的震害损失，目前对震害基本空间特征、几何特征、纹理特征、上下文特征等特征信息提取仍存在很大不足，采用自适应的基于网络的模糊推理决策模型、变化检测、面向对象等人机交互方法，仍无法满足大范围地震建筑物震害快速评估的高精度需求。

发明内容

为了克服传统地面调查与上述现有遥感手段存在的精度不足与效率低下问题，本发明通过将遥感、深度学习和云计算技术集成建立一种建筑物震害信息准确提取，灾情快速评估的方法和系统，通过该系统和方法，可以快速精确制作建筑物震害灾情评估专题图。

为达到上述目的，本发明一种基于深度学习和云计算的遥感建筑物震害评估方法具体步骤为：

(1)建筑物震害遥感影像获取和处理：从防灾减灾部门或遥感卫星地面接收站获取地震前后的高分辨率遥感影像，选择同名地物控制点对地震前后影像进行空间配准，生成配准后的地震前后原始影像。

(2)样本集制作与数据增强：在地震前后原始影像上，分别对震前、震后建筑物进行目视解译轮廓标绘，分别制作震前建筑物，震后完整建筑物、完全倒塌建筑物和部分倒塌建筑物的标签图像，通过样本裁剪生成震前建筑物、震后建筑物震害样本图像和对应标签图像。采用多角度旋转、镜像变换、高斯模糊、亮度调整以及添加噪声点等虚拟样本增强技术进行样本图像增强。

(3)基于特征图像的样本集扩充：分别提取震前影像的几何特征，震后影像的几何和纹理特征，分别生成震前的几何特征图像、震后的几何特征图像和纹理特征图像，实现对步骤(2)中震前和震后影像样本数据集进行扩充。

(4)深度卷积网络模型设计：分别设计适合震前建筑物、震后完整建筑物提取，震后完全倒塌建筑物、部分倒塌建筑物提取的深度卷积神经网络模型。

(5)地震前后建筑物及其震害深度学习样本集、高分影像云端存储：将震前建筑物、震后建筑物震害深度学习样本，地震前后影像存储在云端。

(6)基于智能体的模型训练超参数自动获取。

(7)模型云端训练：利用步骤(4)中设计的深度卷积网络模型和(6)中优化的模型训练超参数，在云端分别训练适合震前建筑物、震后完整建筑物提取，震后完全倒塌建筑物、部分倒塌建筑物提取的深度卷积神经网络模型。