摘要
地震灾害是人类生存中最危险的自然灾害之一，而建筑物作为灾害损毁的重要承载体和人类生存状态表征，及时获取其信息对灾后的救援和重建具有十分重要的实际意义。在建筑物震害信息提取过程中，传统的人工设计方法存在提取震害特征单一，精度较低等问题，而基于深度学习理论的方法能够从少量的预处理或未经处理的震害影像数据中学习到较高级的震害特征表达，为震害影像检测提供了新的技术思路。因此，本文采用深度学习方法完成建筑物震害检测，提高了建筑物震害检测的精度和自动化程度，其主要工作如下： (1)为了实现震害特征快速检测，基于回归检测模型设计了遥感影像和无人机摄影两种数据集结合的建筑物震害总体检测方案，建立了由纹理、几何形状、坍塌率及震害特征关键点构成的视觉词典模型，对震害进行分层损毁分级；针对建筑物震害数据集匮乏造成的“过拟合”问题，考虑震害特征多样性，设计传统数据增强与CGAN模型联合的数据集扩充算法，为后续震害检测提供数据基础。 (2)对于网络模型局部卷积造成图像关联度低及遥感影像中建筑物密集引起震害特征提取不充分的问题，引入Swin Transformer模块增强图像间联系，同时根据建筑物震害特征中的几何形状、坍塌率及纹理信息，构建Swin Transformer模块中多头注意力机制的键值矩阵，引入到回归检测模型颈部，实现震害特征的高效提取；为解决高密度建筑物存在的漏检和坍塌建筑物与背景混淆造成的误检问题，设计了4层BiFPN网络结构以丰富图像浅层语义信息的提取，结合横向跨尺度连接和双向通道的方法提高了震害检测准确性。 (3)针对未坍塌建筑物检测实时性的需求，在检测网络主干特征提取部分设计轻量化组合模块，ShuffleNet V2+Stemblock降低网络参数量，提升网络模型的运行速度；针对未坍塌建筑物因震害信息多元化造成的特征信息提取不充分的问题，在CAMF模块中提出了通道、空间注意力及多尺度特征融合的方法，引入到检测网络主干的末端，实现震害特征信息的高效提取；最后，设计了基于LogSoftmax+NLLLoss组合损失函数，解决了因传统损失函数梯度消失及未坍塌建筑物损毁分级交叉性造成的检测精度低问题。 最后，为验证本文所提方法的有效性，在 Pytorch 平台上对建筑物震害粗检测与未坍塌建筑物震害检测分别进行实验验证，结果表明，本文方法对建筑物震害检测具有一定的可行性。
NETL