在各类灾害中,建筑物倒塌是造成人员伤亡、经济损失的主要因素。据统计分析,地
震中 80%以上的人员伤亡是由于建筑物倒塌而引起的
[1]
。灾后建筑物的损毁程度是评判受
灾严重程度的重要指标,也是灾害救援和政府决策的重要依据。对建筑物倒塌准确地进行
评估在妥善安置灾民、保障受灾人民生命和财产安全、恢复正常社会秩序、维护社会稳定
等方面发挥了重要的作用。因此,灾后建筑物倒塌损毁快速评估是遥感领域和土木工程领
域的研究热点。
从高分辨率遥感影像中提取建筑物损毁信息是常用的震后建筑物倒塌检测方法
[2]
,包
括对地震前后多时相遥感图像进行变化检测和直接从地震后图像中检测损毁建筑物两种主
要途径
[3]
。近年来,深度学习也逐步被用于从高分遥感影像中识别提取建筑物震害信息,
如文献[4]使用全卷积神经网络提取了建筑物震害信息,其总体像素精度达到了 82%,表明
深度学习技术在提升建筑物倒塌遥感识别自动化程度方面有极大的潜力。但遥感评估方法
往往受限于数据因素,一是灾前影像缺乏,二是灾后的恶劣天气会影响遥感影像的质量,
而且极端灾害场景中建筑物倒塌的碎片覆盖给提取目标单元特征带来了极大的困难。
另一类建筑物倒塌评估方法则是通过现场实地考察获得相关信息
[5]
,如 2008 年汶川
大地震,建设部组织了房屋应急评估专家组对灾区的厂房、民宅等部分建筑物进行了快速
检测和应急评估。这种原始的方法能够更加准确地获取建筑物灾损信息,但它在很大程度
上依赖于人类视觉和工作经验,工作效率低、费用高且危险系数大。近年来,智能电子设
备的普及使得获取现场图像更加方便,再加上深度学习技术在计算机视觉应用中的巨大进
展
[6]
,使得利用现场图像来自动识别、评估建筑物结构损伤开始成为土木工程领域结构健
康检测的一个重要研究方向。
国内外学者已开始在一些灾后侦察工作中应用卷积神经网络(convolutional neural
networks, CNN)。文献[7]将牛津大学计算机视觉组(visual geometry group,VGG)
CNN 架构的一种浅层模型 VGG-F 应用于大比例尺影像,进行建筑物倒塌分类;文献[8]使
用深度 CNN 检测混凝土裂缝;文献[9]将深度 CNN 和三维(3 dimension, 3D)点云技术
结合起来检测建筑物的立面和屋顶损伤。这些研究大多集中在建筑物是否受损的二元问题
上,但对于灾后评估而言,从政府决策的需求出发,还存在一些更为复杂的内容,例如建
筑物的损伤类型和损伤程度。因此,有必要开展更加深入的研究工作。
本文将残差网络(residual nework, ResNet)用于建筑物倒塌评估,按照建筑物破坏
评估标准建立了一个建筑物倒塌评估分类器模型,利用图像数据结构损伤识别比赛
(PEER Hub ImageNet Challenge,PHI)
[10]
的开放数据对该网络连接参数进行调整,训
练获得了相对最优的模型参数,并在此基础上实现多种建筑物结构倒塌损伤的识别。
1. 建筑物倒塌评估方法