[发明专利]一种基于神经网络的自然灾害后建筑损伤评估方法

说明书

本申请涉及建筑损伤评估技术领域，特别地，涉及一种基于神经网络的自然灾害后建筑损伤评估方法。所述建筑损伤评估方法包括：获取待评估区域的卫星遥感图像RSI，所述卫星遥感图像RSI包括灾前RSI和灾后RSI；建立图像集，并对图像集进行标注，得到标注后的图像集；基于所述标注后的图像集，建立用于评估建筑损伤的数据集；基于神经网络构建建筑损伤评估网络BDANet；利用所述数据集对所述BDANet进行训练，得到建筑损伤评估模型；利用所述建筑损伤评估模型，对待评估区域内建筑的损伤程度进行评估，以解决现有技术中存在需快速处理巨大像素图像、建筑定位精确度低、建筑损伤评估准确率低的问题。

技术领域

本申请涉及建筑损伤评估技术领域，特别地，涉及一种基于神经网络的自然灾害后建筑损伤评估方法。

背景技术

自然灾害发生后，对整个区域的建筑损伤情况进行快速准确评估，获得的态势信息对有效响应至关重要。在响应人员能够对受影响区域采取行动之前，需要知道损坏建筑的位置、原因和严重程度。但灾害可能袭击任何地方，破坏当地的通信和运输等基础设施，使得评估特定地区损失的过程变得困难、危险和缓慢。然而，世界各地的自然灾害、建筑和土地利用模式各不相同，如飓风造成的损失和森林火灾造成的损失大不相同，不同地域被烧毁建筑的图像形式也各不相同。因此，充足的数据用于训练建筑损伤评估算法的性能至关重要。

2020年麻省理工学院(MIT)公开了第一个建筑损伤评估数据集xBD，其是目前带注释的高分辨率卫星图像规模最大的、质量最高的公共数据集之一。数据集xBD包含22068条1024*1024的高分辨率卫星遥感图像(Remote Sensing Image,RSI)数据，标记有19种事件：地震、洪水、野火、火山爆发、车祸等，每条数据分别包含灾前卫星遥感图像RSI和灾后灾前卫星遥感图像RSI，主要用于建筑定位和损伤评估。由于准确的损害评估取决于感兴趣区域的特定局部环境。因此，神经网络模型必须将地理相关危害的损害评分背景化。MIT根据联邦应急管理局(FEMA)的《损伤评估操作手册》，建立了一个新的联合损伤等级表(JointDamage Scale,JDS)，以便于对各种危险类型进行一致的损伤评估。且随着卷积神经网络、循环神经网络、梯度下降等技术的突破，深度学习算法在图像分割、目标检测和分类领域取得了长足的进步，为计算机实现快速的、智能的灾后态势分析提供了可能。但在具体实施过程中，仍然存在些问题。

在具体实施过程中，一方面由于卫星遥感图像是高分辨率图像，存在需要快速处理巨大像素图像的问题；另一方面，一个像素点对应的实际尺寸很大，即一个建筑往往只占少数的像素点，建筑定位精确度低的问题；此外，受灾区域范围巨大，会被云层、数目等遮挡，导致对建筑损伤评估的准确率低。

发明内容

本申请提供了一种基于神经网络的自然灾害后建筑损伤评估方法，以解决现有技术中存在需快速处理巨大像素图像、建筑定位精确度低、建筑损伤评估准确率低的问题。

本申请的实施例是这样实现的：

本申请实施例提供一种基于神经网络的自然灾害后建筑损伤评估方法，包括：

获取待评估区域的卫星遥感图像RSI，所述卫星遥感图像RSI包括灾前RSI和灾后RSI；

建立图像集，并对图像集进行标注，得到标注后的图像集；

基于所述标注后的图像集，建立用于评估建筑损伤的数据集；

基于神经网络构建建筑损伤评估网络BDANet；

利用所述数据集对所述BDANet进行训练，得到建筑损伤评估模型；

利用所述建筑损伤评估模型，对待评估区域内建筑的损伤程度进行评估。