申请/专利权人：哈尔滨工业大学

申请日：2021-07-30

公开（公告）日：2024-04-02

公开（公告）号：CN113657214B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/40;G06V10/764;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.12.03#实质审查的生效;2021.11.16#公开

摘要：一种基于MaskRCNN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。本发明应用ResNet50‑vd辅以特征金字塔网络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；强语义特征输入到区域推荐网络，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，强分辨率的特征输入到RoIAlign层；每个特征矩阵输到RoIAlign层，缩放特征矩阵至k×k后获得多个特征图；多个特征图同时处理，通过全卷积神经网络生成MaskRCNN，非极大值抑制算法去除冗余；得到建筑在卫星图像中所在的位置，建筑损伤程度大小以及预测结果的可靠性打分。本发明主要是实现对建筑损伤程度的分级评估，应用到灾害损失评估上。

主权项：1.一种基于MaskRCNN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FeaturePyramidNetworks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RegionProposalNetwork，强分辨率的特征输入到RoIAlign层，通过区域推荐网络RegionProposalNetwork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FullyConvolutionalNetwork生成MaskRCNN，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；所述应用ResNet50-vd辅以特征金字塔网络FeaturePyramidNetworks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，输入图像上RoI的高为，大小为224×224的目标对应的特征层记为第层，下取整函数记为；所述对于通过非极大值抑制算法NMS去除冗余的操作过程为：通过NMS对边界框按其置信度得分对其进行排序，选取置信度得分最大的边界框作为预测结果，如果其它的预测结果与其交并比IoU阈值大于设置的阈值，则认为它们是同一个预测结果，将该预测结果对应的边界框视为冗余框，删除所有的冗余框后进行下一个预测结果的判断，遍历所有的候选框，完成去除冗余的操作。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种基于Mask RCNN的建筑损伤评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD