[发明专利]基于弱监督学习的受灾建筑快速定位评估方法及装置

权利要求书

1.一种基于弱监督学习的受灾建筑快速定位评估方法，其特征在于，包括：

从互联网中爬取灾害数据，所述灾害数据中包含未受灾的建筑图像以及受灾建筑图像，对所述灾害数据依据建筑是否受灾进行二分类标签的标注；

根据标注后的所述灾害数据对预设的深度学习网络模型进行训练，得到二分类模型；

对待识别的大场景图像进行分块，根据所述二分类模型和预设识别方法对图像块进行受灾建筑识别和定位，得到定位结果；

根据所述定位结果对受灾建筑的受损程度进行评估。

2.根据权利要求1所述的基于弱监督学习的受灾建筑快速定位评估方法，其特征在于，所述深度学习网络模型为DenseNet深度卷积神经网络模型。

3.根据权利要求2所述的基于弱监督学习的受灾建筑快速定位评估方法，其特征在于，根据标注后的所述灾害数据对预设的深度学习网络模型进行训练之前，还包括：

根据所述灾害数据标注得到的分类结果的数量，修改所述DenseNet深度卷积神经网络模型的全连接层的节点数；

根据运行所述DenseNet深度卷积神经网络模型的硬件设备的参数，调整所述DenseNet深度卷积神经网络模型的训练参数、误差函数和优化器。

4.根据权利要求1所述的基于弱监督学习的受灾建筑快速定位评估方法，其特征在于，根据标注后的所述灾害数据对预设的深度学习网络模型进行训练，具体包括：

对标注后的所述灾害数据按照预设比例划分训练集和验证集；

对所述训练集中的原始图像进行用于图像增强的预处理；

将预处理后的原始图像调整为预先定义的输入大小，输入到所述深度学习网络模型中；

重复对输入到所述深度学习网络模型中的原始图像进行前向和反向传播，并通过所述验证集进行验证，直到设定的训练次数或损失不再下降。

5.根据权利要求1至4中任一项所述的基于弱监督学习的受灾建筑快速定位评估方法，其特征在于，所述预设识别方法为Grad-CAM方法。

6.根据权利要求5所述的基于弱监督学习的受灾建筑快速定位评估方法，其特征在于，对待识别的大场景图像进行分块，根据所述二分类模型和预设识别方法对图像块进行受灾建筑识别和定位，得到定位结果，具体包括：

当所述大场景图像由无人机拍摄时，根据所述无人机片拍摄所述大场景图像时的飞行高度确定分块框的大小，对所述大场景图像进行分块，使每个图像块中包含预设数量的建筑；

分别将每个所述图像块输入到所述二分类模型中，判断每个所述图像块中是否包含受灾建筑，如果包含受灾建筑，则通过所述Grad-CAM方法计算受灾建筑的显著图的热图；如果不包含受灾建筑，则不进行显著图的计算，直接返回热图；

根据所有图像块的热图得到大场景图像的受灾建筑定位结果。

7.根据权利要求6所述的基于弱监督学习的受灾建筑快速定位评估方法，其特征在于，根据所有图像块的热图得到大场景图像的受灾建筑定位结果，具体包括：

将所有图像块的热图进行拼合，设定分割阈值，得到二值化的前景背景图，并根据前景像素的最大外界矩形生成定位框的受损区域，最终得到大场景受灾建筑定位图。

8.根据权利要求6所述的基于弱监督学习的受灾建筑快速定位评估方法，其特征在于，根据所述定位结果对受灾建筑的受损程度进行评估，具体包括：

根据得到的多个受损区域分别计算受损程度值，根据所述受损程度值对受损程度进行评估；

根据以下公式计算所述受损程度值：

其中，DA为受损程度值，N为受损区域的像素总数，M_ij为热图矩阵(i,j)位置的值。

9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至8中任一项所述的基于弱监督学习的受灾建筑快速定位评估方法。

10.一种基于弱监督学习的受灾建筑快速定位评估装置，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序，实现如权利要求1至8中任一项所述的基于弱监督学习的受灾建筑快速定位评估方法。