建筑物损毁预测方法、装置、电子设备及可读存储介质制造方法及图纸

本发明专利技术涉及人工智能技术，揭露了一种建筑物损毁预测方法，包括：获取原始建筑图像训练集合，对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合，对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合，利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型，利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果。此外，本发明专利技术还涉及区块链技术，所述损毁预测结果可存储在区块链的节点中。本发明专利技术还提出一种建筑物损毁预测方法装置、电子设备以及计算机可读存储介质。本发明专利技术可以解决建筑物损毁情况预测效率较低的问题。筑物损毁情况预测效率较低的问题。筑物损毁情况预测效率较低的问题。

【技术实现步骤摘要】
建筑物损毁预测方法、装置、电子设备及可读存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种建筑物损毁预测方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]随着自然灾害的频繁发生，对灾后建筑物损毁进行评估在灾后重建、灾后理赔等领域至关重要。例如，保险领域建筑物受损程度通常通过人工现场查勘或从遥感影像来进行定损，然而人工现场查勘比较耗费人力，且通过人工查验遥感影像的方式主要依赖现场工作人员的经验，使得评估结果不够客观，对于建筑物的损毁评估准确性及效率都不高。因此亟需一种能够快速、客观、准确的对灾后标的损毁情况进行准确预测评估的方法。

技术实现思路

[0003]本专利技术提供一种建筑物损毁预测方法、装置、电子设备及可读存储介质，其主要目的在于解决建筑物损毁情况预测效率较低的问题。
[0004]为实现上述目的，本专利技术提供的一种建筑物损毁预测方法，包括：
[0005]获取原始建筑图像训练集合，对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合；
[0006]对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合；
[0007]利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型；
[0008]利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果。
[0009]可选地，所述对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合，包括：
[0010]利用预设的标注工具对所述原始建筑图像训练集合中的建筑物进行框选，得到建筑物标注框；
[0011]利用预设的标注标签对所述建筑物标注框中的建筑物进行标注，汇总所有标注完成的建筑物图像，得到所述标注建筑图像训练集合。
[0012]可选地，所述对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合，包括：
[0013]依次选取所述标注建筑图像训练集合中的图像作为目标图像；
[0014]对所述目标图像进行图像翻转、图像缩放及图像平移处理，得到多个增广图像；
[0015]汇总所有的目标图像及所述目标图像对应的多个增广图像，得到所述标准建筑图像训练集合。
[0016]可选地，所述对所述目标图像进行图像翻转、图像缩放及图像平移处理，得到多个增广图像，包括：
[0017]根据所述目标图像中的建筑物标注框选取关键点；
[0018]基于所述关键点及预设的翻转角度、预设的缩放比例及预设的平移距离对所述目标图像进行翻转、缩放及平移，得到所述多个增广图像。
[0019]可选地，所述利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型，包括：
[0020]对所述标准建筑图像训练集合进行分批处理，得到多个分批图像集合；
[0021]利用所述卷积神经网络对所述多个分批图像集合中图像进行预测分类，得到预测标签；
[0022]基于所述预测标签及所述标注标签得到所述卷积神经网络的损失值，基于所述损失值更新所述卷积神经网络的各层参数，直至所述损失值满足预设的损失条件时，停止训练，得到所述建筑损毁预测模型。
[0023]可选地，所述利用所述卷积神经网络对所述多个分批图像集合中图像进行预测分类，得到预测标签，包括：
[0024]利用所述卷积神经网络中的压缩路径对所述多个分批图像集合中的图像进行降采样处理，得到压缩图像集合；
[0025]利用所述卷积神经网络中的扩展路径对所述压缩图像集合中的图像进行反卷积处理，得到反卷积图像集合；
[0026]对所述压缩图像集合及所述反卷积图像集合进行图像拼接，并对拼接后的图像集合进行特征提取，得到特征图像集合；
[0027]利用所述卷积神经网络中的分类层输出所述特征图像集合中图像的预测标签及预测标签对应的预测概率。
[0028]可选地，所述利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果，包括：
[0029]根据所述待检测图像中的待检测建筑物构建建筑物轮廓矢量数据；
[0030]将所述待检测图像与所述建筑物轮廓矢量数据进行叠加，得到建筑物影像块；
[0031]利用所述建筑损毁预测模型输出所述建筑物影像块的损毁预测结果。
[0032]为了解决上述问题，本专利技术还提供一种建筑物损毁预测装置，所述装置包括：
[0033]数据标注模块，用于获取原始建筑图像训练集合，对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合；
[0034]数据增广模块，用于对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合；
[0035]模型训练模块，用于利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型；
[0036]损毁预测模块，用于利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果。
[0037]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0038]存储器，存储至少一个计算机程序；及
[0039]处理器，执行所述存储器中存储的计算机程序以实现上述所述的建筑物损毁预测方法。
[0040]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的建筑物损毁预测方法。
[0041]本专利技术通过对原始建筑图像训练集合中的图像进行数据标注处理及数据增广处理，可以得到大量有标注的训练数据，可以提高模型训练的效率，增强模型的泛化能力。并且，通过标准建筑图像训练集合训练得到的建筑损毁预测模型，可以直接得到损毁预测结果，无需进行现场勘察，提高了建筑物损毁情况预测的效率。因此本专利技术提出的建筑物损毁预测方法、装置、电子设备及计算机可读存储介质，可以解决建筑物损毁情况预测效率较低的问题。
附图说明
[0042]图1为本专利技术一实施例提供的建筑物损毁预测方法的流程示意图；
[0043]图2为本专利技术一实施例提供的建筑物损毁预测装置的功能模块图；
[0044]图3为本专利技术一实施例提供的实现所述建筑物损毁预测方法的电子设备的结构示意图。
[0045]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0046]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0047]本申请实施例提供一种建筑物损毁预测方法。所述建筑物损毁预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述建筑物损毁预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建筑物损毁预测方法，其特征在于，所述方法包括：获取原始建筑图像训练集合，对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合；对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合；利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型；利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果。2.如权利要求1所述的建筑物损毁预测方法，其特征在于，所述对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合，包括：利用预设的标注工具对所述原始建筑图像训练集合中的建筑物进行框选，得到建筑物标注框；利用预设的标注标签对所述建筑物标注框中的建筑物进行标注，汇总所有标注完成的建筑物图像，得到所述标注建筑图像训练集合。3.如权利要求2中所述的建筑物损毁预测方法，其特征在于，所述对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合，包括：依次选取所述标注建筑图像训练集合中的图像作为目标图像；对所述目标图像进行图像翻转、图像缩放及图像平移处理，得到多个增广图像；汇总所有的目标图像及所述目标图像对应的多个增广图像，得到所述标准建筑图像训练集合。4.如权利要求3所述的建筑物损毁预测方法，其特征在于，所述对所述目标图像进行图像翻转、图像缩放及图像平移处理，得到多个增广图像，包括：根据所述目标图像中的建筑物标注框选取关键点；基于所述关键点及预设的翻转角度、预设的缩放比例及预设的平移距离对所述目标图像进行翻转、缩放及平移，得到所述多个增广图像。5.如权利要求1所述的建筑物损毁预测方法，其特征在于，所述利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型，包括：对所述标准建筑图像训练集合进行分批处理，得到多个分批图像集合；利用所述卷积神经网络对所述多个分批图像集合中图像进行预测分类，得到预测标签；基于所述预测标签及所述标注标签得到所述卷积神经网络的损失值，基于所述损失值更新所述卷积神经网络的各层参数，直至所述损失值满足预设的损失条件时，停...

【专利技术属性】
技术研发人员：钱成越，郑越，王创，吴梦娟，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：