-
题名基于Mask R⁃CNN的多类建筑物损伤识别方法
被引量：1
- 1
-
-
作者
杨敬松
王煜鑫
李智涛
卢泽葳
彭福民
-
机构
防灾科技学院资源与环境学院
河北省地震灾害仪器与监测技术重点实验室
廊坊市精密主动震源重点实验室
应急管理部国家自然灾害防治研究院
-
出处
《防灾减灾工程学报》
北大核心
2025年第3期562-570,共9页
-
基金
国家自然科学基金项目(41874219)
2024年廊坊市科学技术研究与发展计划自筹经费项目(2024011022)资助。
-
文摘
地震发生后快速对建筑物损伤进行识别,可以提高灾害损失评估的效率,并为救援提供有效地决策支持。针对因背景干扰带来的重要特征表达能力弱的问题,提出一种基于深度学习框架Mask R‑CNN的多建筑物损伤识别方法。首先,对样本图像进行预处理,克服复杂环境背景因素干扰,并进行多途径扩增,得到用于深度学习的扩增样本数据集。其次,优化特征提取网络,采用嵌入注意力机制模块SE的MobileNetv3网络作为主干网络,增加模型对建筑物损伤空间及语义信息的提取,有效避免背景对模型性能的影响,改进损失函数,避免遗漏类别和类别错分现象,同时引入迁移学习,降低训练成本;最后,采用定性分析和定量评估相结合的手段,多维度评估模型泛化能力和鲁棒性。改进后的Mask R‑CNN模型的平均精度达到了84.34%,相对于原始的Mask R‑CNN模型,精度提高了9.12%。结果表明,改进后的模型在识别含有多种损伤特征和噪声背景的建筑物损伤图像方面表现良好,可以为地震后建筑物的损伤评估提供有效地技术支持。
-
关键词
人工智能
建筑物损伤识别
Mask
R‑CNN
实例分割
-
Keywords
artificial intelligence
building damage detection
Mask R-CNN
instance segmentation
-
分类号
TU375
[建筑科学—结构工程]
-
