基于深度学习的建筑物震害遥感识别研究

发布时间：2020-03-21 02:46

【摘要】：地震尤其是特大地震一旦发生,对人类社会造成的危害十分巨大。地震发生后,建筑物作为重要的承灾体,其倒损是造成人员伤亡和经济损失的主要原因之一。地震发生后,灾区的道路、通讯等设施往往遭到破坏,如何判断灾区的受灾情况,以便根据受灾情况进行救援力量的投放,最大限度的降低损失,是震后的首要工作。由于遥感手段可以快速大范围的对灾区进行成像,因此可以通过灾区的遥感影像对灾区的受灾情况做出判断。针对遥感影像的解译任务,传统的基于像元和面向对象的方法存在一定的问题与不足,基于像元的方法精度不高,存在“椒盐”噪声;面向对象的方法中,图像的分割制约着图像解译的精度。随着以神经网络为代表的深度学习技术的发展,深度学习在图像处理领域取得了很好的应用效果。因此本文将深度学习的方法应用于建筑物震害的识别,以期提高建筑物震害遥感识别的自动化程度。本文主要开展了以下几个方面的工作:(1)对传统的建筑物震害遥感提取方法进行了对比分析。基于像元的建筑物震害提取,是图像处理的一种初级方法,仅利用了图像的光谱信息,不能充分利用影像的上下文信息,提取精度较差,而且会产生“椒盐噪声”。面向对象的建筑物震害提取技术是基于像元技术的延伸,在一定程度上克服了基于像元方法中不能充分利用上下文信息的问题,但是该方法在进行图像分割的过程中,分割得到的图像斑块往往不能比较精确的表示整个物体,这种现象影响了该方法的精度。(2)对深度学习技术在图像处理领域尤其是在图像语义分割领域的发展现状进行了研究分析。神经网络在图像语义分割领域的应用可以归纳为以下几种方法:基于传统卷积神经网络的方法,这种方法处理速度较慢;基于全卷积神经网络的方法,该方法是对传统卷积神经网络的一种发展,在一定程度上提高了图像语义分割的效率,但是对物体边界的识别能力较差;基于编码解码结构的神经网络,这种结构在一定程度上提高了地物边界的识别精度。(3)在比较各类方法的基础上,本文主要采用全卷积神经网络和基于编码解码的神经网络两种方法进行建筑物震害提取的研究分析。选取2010年玉树7.1级地震作为分析震例,研究区域为玉树县城区部分地区。基于研究区的航空影像,选取用于建筑物震害识别的样本,为今后更进一步的深入研究积累了数据。(4)基于全卷积神经网络进行建筑物震害识别的研究。全卷积神经网络主要包括卷积层,池化层,上采样层,并采用了跳跃层的策略。用393张500×500大小的图像对网络进行训练,另外34张500×500大小的图像对网络进行测试。测试结果表明,建立的模型对建筑物震害提取总体像素精度可达到82%,kappa系数为62%,表明该方法具有一定的建筑物震害信息提取能力。同时对该网络结构存在的问题进行了分析。(5)基于deeplabv3+模型进行建筑物震害遥感识别研究。deeplabv3+模型包括孔洞卷积、深度可分离卷积、改进的Aligned Xception模型,解码器、编码器等;用与全卷积神经网络相同的训练和测试数据对该网络进行训练和测试。测试结果表明,基于该模型进行建筑物震害遥感提取是可行的,而且可以达到较高的提取精度。总体精度为89.4%,Kappa系数为0.79。对背景,倒塌建筑物和未倒塌建筑物的提取精度分别为0.909,0.833,0.904。同时初步探究了不同样本量对建筑物震害识别精度的影响,结果表明虽然小样本量对建筑物震害提取的精度有所影响,但仍然具有较高的提取精度(总体精度高于80%)。
【图文】：

航空遥感,震后,影像图,建筑物震害

研究区震后航空遥感影像图

示意图,建筑物,类型,示意图

13图 2. 1 研究区震后航空遥感影像图2.2.2 建筑物震害的影像特征为了对建筑物破坏样本进行标注和深度学习结果进行验证，需要采用人工目视判读方法对研究区建筑物震害进行解译。建筑物及其震害等地物的解译特征不仅包括光谱、纹理特征、上下文特征、形状特征等（柳稼航，2003；赵福军，2010等），而且还包括其大小、位置、组合方式等多种特征，通过建立综合解译标志，同时结合地震现场实地调查获取的地面资料，对震后的航空遥感影像进行目视解译。（1）光谱特征虽然不同材质屋顶的光谱亮度值差异较大，颜色也可能不同，但是同一屋顶的材质一般较为单一，因此完好建筑物屋顶的光谱亮度分布均匀，标准差小。相比于完好建筑物，倒塌建筑物的光谱粗糙度较大，倒塌的墙壁，破碎的瓦砾，相互参杂，因此倒塌房屋的光谱亮度分布不均匀，标准差较大。（2）形状特征完好建筑物的形状较为规则，研究区的房屋一般呈矩形。而倒塌建筑物的形
【学位授予单位】：中国地震局地震预测研究所
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：P237;TU746

【相似文献】