[发明专利]一种基于卫星图像的建筑震后定位与破坏状态评估方法

说明书

本发明涉及土木工程结构健康评估与防灾减灾技术领域，具体为一种基于卫星图像的建筑震后定位与破坏状态评估方法，解决了利用卫星图像开展建筑物震后破坏状态评估中具有的稠密小目标较难识别、数据不平衡、图像分辨率低、空间信息有限等问题；其有益效果在于：针对基于卫星图像的建筑震后定位与破坏状态评估方法存在的不足，实现了卫星图像建筑物震害损伤的高精度识别与等级评估。本方法针对建筑震后卫星图像数据集具有稠密小目标、数据不平衡、空间信息有限、分辨率一般等特点，提出了高精度、两阶段的卫星图像建筑物震害损伤识别与评估方法，最终实现了卫星图像震后建筑物定位准确率95.31％以及破坏状态评估准确率97％。

技术领域

本发明涉及土木工程结构健康评估与防灾减灾技术领域，具体为一种基于卫星图像的建筑震后定位与破坏状态评估方法。

背景技术

地震灾害是地震多发区建筑群及基础设施的主要威胁，快速、准确地实现震后建筑物破坏状态评估对于有效的震后应急响应和快速救援至关重要。当前对于震后房屋建筑安全应急评估主要依靠人工排查，通过人工目视或使用特定的检测设备对各种损伤类型的建筑物进行定位和分类标记。这种检测的效率较低且检测结果的准确性和稳定性主要依赖检测人员的主观意识。

随着机器学习和深度学习在土木工程领域中的广泛应用，目前已有学者开展基于计算机视觉的结构损伤评估研究，但是对于使用卫星图像进行建筑震后定位与破坏状态评估，由于受限于图片分辨率低、空间信息有限等因素，目前对于基于卫星图像的建筑震后定位与破坏状态评估方法的准确率较低；同时当前研究大多是基于建筑物区域开展，针对单体建筑的研究开展较少。因此，如何利用震后卫星图像进行数据挖掘，高效、准确的实现单体建筑震后高精度定位并评估其破坏状态是一个亟待解决的问题。

发明内容

本发明的目的在于提出了一种基于卫星图像的建筑震后定位与破坏状态评估方法，解决了利用卫星图像开展建筑物震后破坏状态评估中具有的稠密小目标较难识别、数据不平衡、图像分辨率低、空间信息有限等问题。

为实现上述目的，本发明采取的技术方案为：

一种基于卫星图像的建筑震后定位与破坏状态评估方法，包括：

步骤一、对于获得的建筑震后卫星图像，结合地面专业人员的人工标记，进行人工打标签工作，标签内容包括：建筑物定位标签和分类标签两种类型；所述建筑物定位标签为每个单体建筑物位置和大小的矩形框数据；所述分类标签为破坏状态的类型，所述破坏状态的类型的分为类别1和类别2，所述类别1为基本完好和轻微破坏，所述类别2为严重破坏和毁坏。

步骤二、建立改进的YOLOv4深度卷积神经目标检测网络，该网络由CSPDarknet53主干提取网络、SPP附加模块、改进的PANet路径聚合模块和改进的YOLOv3预测模块组成。训练时加载已在Microsoft COCO大型数据集上训练得到的预训练权重，并对训练加载的配置文件内的参数进行调整设定，随后将训练集图像输入进行迭代训练得到最终权重模型。

步骤三、将预测图像输入经过训练的深度卷积神经目标检测网络中，得到震后建筑物的定位预测结果。

步骤四、将步骤一中具有建筑震后卫星图像破坏状态标签的单体建筑图像剪裁出并按照一定比例制作用于基于支持向量机分类模型的训练集和测试集。

步骤五、对于步骤四获得的用于支持向量机的训练集和测试集图像，采用基于灰度共生矩阵纹理特征提取方法提取统计量作为支持向量机的特征值。随后归一化数据、选取径向基核函数训练得到最终支持向量机模型。

步骤六、将步骤三中经建筑震后的定位预测结果剪裁并输入经过训练的支持向量机模型中，得到最终单体建筑的震后破坏状态预测结果。

进一步的，在步骤二中，所述的改进的YOLOv4深度卷积神经目标检测网络架构精简了PANet路径聚合模块下采样层16倍到32倍的路径；另外优化保留了YOLOv3预测模块76×76和38×38两个尺度的预测头。