[发明专利]一种城垛缺失自动定量评估方法

权利要求书

1.一种城垛缺失自动定量评估方法，其特征在于，包括以下步骤：

步骤1，利用无人机采集的高分辨率倾斜影像，通过摄影测量方法重建得到具有真实尺寸和比例的三维模型；

步骤2，利用改进的Mask-RCNN深度学习图像分割算法对无人机采集的二维图像进行实例分割，并基于分割结果对三维模型进行对象提取；

步骤3，在三维对象提取的基础上，对单个城垛进行定量损伤评估；

步骤4，建筑物中缺失部分的检测及定位；

步骤4.1，在三维对象提取的基础上，通过参数化拟合得到对称面；

步骤4.2，将两侧城垛投影到对称面上，基于投影重叠率，检测和定位缺失部分。

2.如权利要求1所述的一种城垛缺失自动定量评估方法，其特征在于：步骤2中利用改进的Mask-RCNN深度学习图像分割算法对无人机采集的二维图像进行实例分割，将分割结果投影到三维模型上，并通过剔除噪声碎片、聚合碎片，从场景三维模型中准确提取出目标对象城垛；由于单张影像仅记录物体的部分信息，需要聚合多视角的分割结果以建立完整的物体；聚合前，根据连通性剔除由于分割结果不准确而产生的噪声碎片；聚合时，定义碎片重叠度和碎片的三维包围盒重叠度，通过设置重叠度阈值，合并不同的碎片，最终完成三维对象的自动提取。

3.如权利要求2所述的一种城垛缺失自动定量评估方法，其特征在于：步骤2中对经典MaskRCNN网络掩膜预测分支的损失函数Loss_mask进行改进，通过在训练过程中使用5×5sobel算子对标签图像做卷积运算，提取图像梯度，得到像素的权重，然后在掩膜预测分支中使用加权二元交叉熵损失函数，从而赋予边缘像素更大的权重，以加强训练过程中对边缘像素的学习；

加权二元交叉熵损失函数计算公式如下：

其中：

式中，Loss_mask(y,p)表示损失函数，N代表像素总数，y_i表示第i个像素的标签值，p_i是网络分类分支预测的概率，W_i为卷积运算得到的像素权重，为5×5sobel算子，I_i表示标签图像，☉为卷积符号。

4.如权利要求1所述的一种城垛缺失自动定量评估方法，其特征在于：步骤3中通过和完整的、未受损的城垛进行比较，可以评估当前城垛的损坏程度；使用体积减少量作为损伤评估指标，将损伤程度划分为三个等级：体积减少小于30％视为没有或轻度损害，30-60％为中度损害，高于60％则视为严重损坏；首先使用Poisson方法封闭三维物体表面，然后采用有限元边界积分方法计算当前物体的体积，若没有真实的物体体积数据时，可人工选择未损坏的物体作为近似真实数据。

5.如权利要求1所述的一种城垛缺失自动定量评估方法，其特征在于：步骤4.1中包括以下步骤：

步骤4.1.1，根据空间连通性将步骤2识别出的城垛分成城墙的左右侧两组，每组使用2度多项式方程进行最小二乘意义下的三维曲面拟合，得到两侧城垛所在的墙面；2度多项式方程表达如下：

f_c(y,z)＝ay²+byz+cz²+dy+ez+f (3)

式中，a、b、c、d、e、f为2度多项式方程的参数，y、z为三维模型中三角面片的三维坐标；

步骤4.1.2，计算两侧墙面各对应城垛之间的距离的中点，利用一系列中点重新拟合2度多项式曲面，得到对称面。