建筑结构特性快速提取方法及相应损失评估计算方法技术

本发明专利技术提供一种建筑结构特性快速提取方法及相应损失评估计算方法，该快速提取方法包括获取街景图像及街景图像对应的房屋结构特性，作为训练集；利用训练集中的街景图像进行基于深度学习的房屋结构特性快速提取训练，生成房屋结构特性快速提取模型；利用房屋结构特性快速提取模型对待测数据进行房屋结构特性快速提取，获取房屋结构特性；该方法可以快速准确地提取房屋结构特性，节省人力物力和财力，避免了传统图像处理方法存在的“语义鸿沟”；建筑结构损失评估计算方法根据提取得到的房屋结构特性可以获得总损失，进而为灾害保险费率拟定和如何确定保单服务提供依据。

【技术实现步骤摘要】
建筑结构特性快速提取方法及相应损失评估计算方法
本专利技术属于损失评估
，特别涉及一种建筑结构特性快速提取方法及相应损失评估计算方法。
技术介绍
我国每年平均发生5级以上地震20余次，给国家和民众带来十分严重的经济负担。地震发生后，主要采用的救灾方式为政府扶持和群众捐助，这样的经济救援方式，不能及时地在第一时间为灾民提供经济援助，影响对灾后重建效率。在国际上，巨灾保险赔款一般占到灾害损失的30％-40％，但我们国家的灾害损失赔偿比例低。如果我们建立了巨灾保险制度，按照国际上的水平，这样就可以大大减轻政府和财政的负担。由于重大灾害，例如地震等，造成损失的巨大性及保险经营“大数法则”的难以运用，商业保险公司多将地震损失等列为除外责任。缺乏政府的推动和支持，地震保险难以建立。为解决地震所带来的问题，一些发达市场经济国家和地区建立了地震保险制度，目的是积累地震赔偿基金，为灾后复建提供资金，保障国民在遭遇巨大灾害后能迅速重建家园恢复正常生活，增强防灾意识、防预能力和安全保障水平，提高社会文明程度。地震保险作为一种有效的风险转移手段，对地震灾后重建提供巨大帮助。全球已有多个国家发展了相对完善成熟的地震保险体系。目前我国地震保险处于起步阶段，加上由于我国地震损失评估发展较晚，地震灾害发生，灾情由各省市地震局专家进行评估，由于各地区经济发展房屋建筑和地质环境的差异，相对缺乏对灾害数据采集的统一标准。地震保险对地震损失数据的精确度有着较高的要求。房屋结构特性是地震保险快速评估及损失计算的重要基础。这方面数据的快速及准确获取对其保险相关参数的设定非常关键。传统人力调查方式需要耗费大量的人力财力物力，且数据更新存在很大的难度。利用传统图像处理方法提取的图像底层特征所建模的类别语义与用户高层语义之间的“语义鸿沟”又使得计算机图像的自动解译变得异常困难。如何跨越语义鸿沟，使计算机不仅能够独立完成像素(区域)级的分类，而且能够学习图像的高层语义，自动完成图像级的分类和识别，成为该学科领域的一个热点和难点问题。因此如何利用计算机实现对房屋建筑结构进行科学分类，获取房屋结构特性，基于此快速计算地震灾害带来的经济损失是目前拟定保险费率和如何确定保单服务的瓶颈。
技术实现思路
为了解决现有技术中存在的问题，本专利技术提供一种建筑结构特性快速提取方法及相应损失评估计算方法，该方法能够准确且精确地获取评估区内建筑的房屋结构特性，进而获得总损失，为地震保险费率和如何确定保单服务提供依据。本专利技术具体技术方案如下：本专利技术提供一种建筑结构特性快速提取方法，该方法包括如下步骤：S1：获取街景图像及街景图像对应的房屋结构特性，作为训练集，所述房屋结构特性包括结构类型、房屋层数、建筑年代、房屋楼高和建筑面积；S2：利用训练集中的街景图像进行基于深度学习的房屋结构特性快速提取训练，生成房屋结构特性快速提取模型；S3：利用房屋结构特性快速提取模型对待测数据进行房屋结构特性快速提取，获取房屋结构特性。进一步的改进，步骤S2具体方法为：S21：将训练集中的街景图像输入到深度学习模型中，经过多个深度可分卷积层后，最后一层为输出层，输出特征图标签；S22：将输出的特征图标签与期望标签进行比较，当特征图标签与期望标签相符时，训练停止，生成房屋结构特性快速提取模型；S23：当输出的特征图标签与期望标签不符时，计算特征图标签与期望标签的误差，根据反向传播算法，将误差逐层传递到每个节点，并更新每层相应的卷积核权值，直至输出层输出的特征图标签与期望标签相符，训练停止，生成房屋结构特性快速提取模型。进一步的改进，步骤S1具体方法为：S11：获取城市建筑的空间信息和属性信息，所述空间信息包括经纬度和房屋对应的WGS84坐标，所述属性信息包括房屋编号、存在状态、房屋层数、房屋楼高、结构类型、建筑年代、建筑面积和周长；S12：将房屋对应的WGS84坐标转换成百度坐标系下的BD09坐标；S13：调用百度地图JavaScriptAPI获取BD09坐标对应的视点坐标；S14：判断是否存在相应的视点坐标，如果不存在，返回步骤S11，如果存在，计算视角θ；S15：从全景静态图中调取视角θ对应的街景图像；S16：判断是否为有效街景图像，如果是，输出相应的街景图像并获取对应的房屋结构特性，如果不是，返回步骤S11。进一步的改进，步骤S11还包括对获取的城市建筑进行筛选清洗，具体方法为：S111：挑选出存在状态为正常、房屋楼高和结构类型均不为空的建筑；S112：从上述挑选出的建筑中去掉建筑面积小于5m2，且周长小于8m的建筑；S113：对挑选出的建筑进行butter分析，将不同等级道路提取出来的建筑进行叠加，去除被遮挡的建筑，得出看得到的建筑。进一步的改进，所述深度学习模型为Xception模型或VGG模型等深度学习模型。本专利技术另一方面提供一种建筑结构损失评估计算方法，该方法包括：a：根据本专利技术提供的建筑结构特性快速提取方法获取的房屋结构特性建立建筑结构模型Ψ，Ψ＝Φ(T，H，Y，L，ArK)，其中，T表示结构类型，H表示房屋楼高，Y表示建筑年代，L表示房屋层数，ArK表示建筑面积；b：向建筑结构模型中输入地震动参数指标进而获得地震响应指标Ψ1；c：根据地震响应指标Ψ1计算出指定结构类型建筑在不同破坏程度状态下的概率P，根据概率P获得总损失。进一步的改进，步骤b中所述的地震动参数指标由如下公式计算得到：其中，PGA表示地震动的峰值加速度，PGV表示地震动的峰值速度，Sa表示地震动的反应谱值，a1，b1，c1均为常数。进一步的改进，步骤b中所述的地震响应指标Ψ1由如下公式计算得到：Ψ1＝d1θ+e1y+f1μ+g1τ+h1γ，其中，θ表示最大层间位移角，y表示最大层间位移，μ表示建筑结构延性系数，τ为最大地基剪力，γ为建筑最大层间加速度，d1，e1，f1，g1，h1均为常数。进一步的改进，步骤c中所述的概率P由如下公式计算得到：其中α表示给定地震动参数的不确定性，β表示参数拟合的方差，ζ表示结果的误差限，取值为-2.5％至2.5％，a和b根据Ψ1和计算而得，公式为其中，ε表示估计的误差的对数正态随机变量；优选地，步骤c中总损失E由如下公式计算得到：其中，site表示建筑物场地类型，κ表示场地调整系数，Bty表示建筑物场地内指定结构类型，I表示建筑物场地内可能遭受的造成损失的地震动参数，指标取值选自V表示建筑物场地内建筑设施的总价值，P(I|Bty)表示指定结构类型的建筑遭受地震动参数为I的危险概率，P(d|I，Bty)表示建筑物场地内指定结构类型的建筑遭受地震动参数为I的地震期望的损失率d发生的概率；损失率是通过如下公式计算得到的：d＝毁坏的损失比×毁坏的概率P1+严重破坏的损失比×严重破坏的概率P2+中等破坏的损失比×中等破坏的概率P3+轻微破坏的损失比×轻微破坏的概率P4+基本完好的损失比×基本完好的概率P5。本专利技术另一方面提供了一种根据建筑结构损失评估计算方法快速得到的损失在灾害保险费率拟定和如何确定保单服务中的应用。本专利技术采用深度学习的方法系统地研究从街景图像中快速提取有用于地震保险相关数据的方法。从深度学习的角度出发统计分析房屋结构特性具有很高的效率和应用价值。进一步深入研究深度学习本文档来自技高网...

【技术保护点】
1.一种建筑结构特性快速提取方法，其特征在于，所述方法包括如下步骤：S1：获取街景图像及街景图像对应的房屋结构特性，作为训练集，所述房屋结构特性包括结构类型、房屋层数、建筑年代、房屋楼高和建筑面积；S2：利用训练集中的街景图像进行基于深度学习的房屋结构特性快速提取训练，生成房屋结构特性快速提取模型；S3：利用房屋结构特性快速提取模型对待测数据进行房屋结构特性快速提取，获取房屋结构特性。

【技术特征摘要】
1.一种建筑结构特性快速提取方法，其特征在于，所述方法包括如下步骤：S1：获取街景图像及街景图像对应的房屋结构特性，作为训练集，所述房屋结构特性包括结构类型、房屋层数、建筑年代、房屋楼高和建筑面积；S2：利用训练集中的街景图像进行基于深度学习的房屋结构特性快速提取训练，生成房屋结构特性快速提取模型；S3：利用房屋结构特性快速提取模型对待测数据进行房屋结构特性快速提取，获取房屋结构特性。2.如权利要求1所述的建筑结构特性快速提取方法，其特征在于，步骤S2具体方法为：S21：将训练集中的街景图像输入到深度学习模型中，经过多个深度可分卷积层后，最后一层为输出层，输出特征图标签；S22：将输出的特征图标签与期望标签进行比较，当特征图标签与期望标签相符时，训练停止，生成房屋结构特性快速提取模型；S23：当输出的特征图标签与期望标签不符时，计算特征图标签与期望标签的误差，根据反向传播算法，将误差逐层传递到每个节点，并更新每层相应的卷积核权值，直至输出层输出的特征图标签与期望标签相符，训练停止，生成房屋结构特性快速提取模型。3.如权利要求1所述的建筑结构特性快速提取方法，其特征在于，步骤S1具体方法为：S11：获取城市建筑的空间信息和属性信息，所述空间信息包括经纬度和房屋对应的WGS84坐标，所述属性信息包括房屋编号、存在状态、房屋层数、房屋楼高、结构类型、建筑年代、建筑面积和周长；S12：将房屋对应的WGS84坐标转换成百度坐标系下的BD09坐标；S13：调用百度地图JavaScriptAPI获取BD09坐标对应的视点坐标；S14：判断是否存在相应的视点坐标，如果不存在，返回步骤S11，如果存在，计算视角θ；S15：从全景静态图中调取视角θ对应的街景图像；S16：判断是否为有效街景图像，如果是，输出相应的街景图像并获取对应的房屋结构特性，如果不是，返回步骤S11。4.如权利要求3所述的建筑结构特性快速提取方法，其特征在于，步骤S11还包括对获取的城市建筑进行筛选清洗，具体方法为：S111：挑选出存在状态为正常、房屋楼高和结构类型均不为空的建筑；S112：从上述挑选出的建筑中去掉建筑面积小于5m2，且周长小于8m的建筑；S113：对挑选出的建筑进行butter分析，将不同等级道路提取出来的建筑进行叠加，去除被遮挡的建筑，得出看得到的建筑。5.如权利要求2所述的建筑结构特性快速提取方法，其特征在于，所述深度学...

【专利技术属性】
技术研发人员：周越，陈苏，李小军，戴志军，熊政辉，郑经纬，
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：北京,11