一种基于MaskRCNN的建筑损伤评估方法技术

一种基于Mask RCNN的建筑损伤评估方法，涉及建筑物的损伤评估领域。解决了神经网络模型在建筑损伤评估任务中的精度低的问题。本发明专利技术应用ResNet50

【技术实现步骤摘要】
一种基于Mask RCNN的建筑损伤评估方法


[0001]本专利技术涉及建筑损伤评估领域，特别涉及一种一种基于Mask RCNN的建筑损伤评估方法。

技术介绍

[0002]传统的对建筑物的损伤评估研究大部分是通过采集灾后现场数据，根据制定的评估标准进行人工分析来实现的。在灾害发生时，现场采集建筑物图像信息是非常困难且需要消耗大量的时间，并不能为灾后急救、灾后评估工作的开展带来良性的推动。
[0003]随着人工智能相关理论的发展，国内外研究人员开始尝试将深度学习和机器学习的方法应用到航拍及卫星图像的建筑物损伤评估中。然而baseline模型和基于Mask RCNN的实例分割模型及语义分割模型在建筑损伤评估任务中精度一般，不利于灾后评估工作。

技术实现思路

[0004]本专利技术的目的是提供一种基于Mask RCNN的建筑损伤评估方法，解决神经网络模型在建筑损伤评估任务中的精度低的问题。
[0005]一种基于Mask RCNN的建筑损伤评估方法，包括如下步骤：
[0006]步骤一：应用ResNet50
...

【技术保护点】

【技术特征摘要】
1.一种基于Mask RCNN的建筑损伤评估方法，其特征在于，所述方法包括：步骤一，应用ResNet50
‑
vd辅以特征金字塔网络Feature Pyramid Networks的主干网络架构作为特征提取部分，实现灾后图像的强语义和强分辨率的特征提取；其中，强语义的特征和强分辨率的特征称为共享特征；步骤二，获得的共享特征中的强语义特征输入到区域推荐网络Region Proposal Network，强分辨率的特征输入到RoIAlign层，通过区域推荐网络Region Proposal Network得到建议框及建议框类别并生成多个特征矩阵，形成共享特征层；步骤三，将每个特征矩阵输入到RoIAlign层，将所有特征矩阵缩放为k
×
k的特征图，获得多个特征图；步骤四，通过所述多个特征图同时处理，实现分类和边界框回归、通过全卷积神经网络Fully Convolutional Network生成Mask RCNN，并通过非极大值抑制算法去除冗余；步骤五，得到每一个建筑在卫星图像中所在的位置，建筑损伤程度大小，及该预测结果的可靠性打分。2.根据权利要求1所述的基于一种Mask RCNN的建筑损伤评估方法，其特征在于，所述应用ResNet50
‑
vd辅以特征金字塔网络Feature Pyramid Networks的主干网络架构作为特征提取部分，步骤包括：特征提取网络为ResNet50
‑
vd，以其每阶段最后一层的输出记录下来，用于作为该阶段的金字塔层，得到不同程度语义的特征；对中间层以上的金字塔层级进行上采样得到高分辨率的特征，并在横向上将其与通过自下而上的结构得到的强语义的输出进行连接，构建强语义的同时又具有高分辨率的特征；其中，通过将空间分辨率上采样为2倍来实现其与横向连接的特征映射大小一致；通过FPN可以得到不同分辨率的多层特征，选择的特征层级与待检目标尺度之间的关系为：其中，输入图像上RoI的宽为w，输入图像上RoI的高为h，大小为224
×
224的目标对应的特征层记为第k0层，下取整函数记为3.根据权利要求1所述的基于一种Mask RCNN的建筑损伤评估方法，其特征在于，所述区域推荐网络Region Proposal Network的生成方法为：用一个以3
×
3网络结构的滑动窗口的方式作用到输入的共享特征层上，每一个滑动窗口的作用结果均是一个一维的特征向量；两个同级的全连接层均以该特征向量作为输入向量，一个全连接层是边界框推荐层reg，一个全连接层是边界框分类层cls，最终针对每个锚点框anchor得到相应的边界框回归参数及预测为前景和背景的概率，结合预先设定的所有锚点框得到所有初步获取的候选框；其中，一个锚点框对应一个候选框；结合候选框的类别得分对其进行筛选，类别得分和候选框的筛选主要基于非极大值抑
制算法实现，得到一组带有得分的矩形建议框的输出。4.根据权利要求1所述的基于一种Mask RCNN的建筑损伤评估方法，其特征在于，所述结合候选框的类别得分对其进行筛选的筛选，得到一组带有得分的矩形建议框的过程，矩形建议框的参数为：在每个滑动窗口处，均可以得到最大个数为k的推荐框，称为锚点框anchor；对每个边界框推荐层reg输出参数是4k，每个边界框分类层cls的输出参数是2；选取锚点框的面积为32，锚点框的长度为0.5；锚点框的面积为64，锚点框的长度为1.0；锚点框的面积为128，锚点框的长度为1.5；锚点框的面积为256，锚点框的长度为2.0；RPN中候选框的回归参数为：RPN中候选框的回归参数为：其中，(x,y)表示矩形框的中心点，w表示矩形框的宽度，h表示矩形框的高度；x表示区域推荐网络Region Propo...

【专利技术属性】
技术研发人员：石振锋，张萌菲，张孟琦，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：