一种基于神经网络的城市建筑震害预测方法及系统

本发明涉及建筑物参数，具体涉及使用yolov3神经网络的目标预测，特别涉及一种基于神经网络的城市建筑震害预测方法及系统。

背景技术：

1、地震是一种具有强大破坏力的自然灾害，对人类社会，尤其是对城市建筑造成了巨大的威胁，城市建筑震害预测是减轻地震灾害的重要手段之一。

2、随着建筑业的快速发展，城市建筑的数量和结构类型不断更新换代，这使得传统的建筑震害信息预测方法面临诸多挑战，如难度大、误检率高、漏检率高且效率低等。这些问题严重影响了震害预测的准确性和时效性，制约了防灾减灾工作的有效开展。

3、yolov3(you only look once version 3)是一种先进的实时目标检测算法。它采用了一种名为darknet-53的深度卷积神经网络结构，具有强大的特征提取能力。yolov3算法通过在不同尺度上进行目标检测，可以更好地适应不同大小的目标，从而提高检测的准确性和效率。

4、虽然yolov3算法在目标检测领域已经占据了主导地位，但在城市建筑震害预测中的应用效果却不尽相同。城市建筑震害预测对于减轻地震灾害具有重要意义。而yolov3算法作为一种高效的目标检测算法，在建筑震害预测中具有广阔的应用前景。通过不断优化和改进yolov3算法，可以更好地应对地震灾害带来的挑战，保护人民的生命和财产安全。

5、为此，本发明提出一种基于神经网络的城市建筑震害预测方法及系统。

技术实现思路

1、有鉴于此，本发明实施例希望提供一种基于神经网络的城市建筑震害预测方法及系统，以解决或缓解现有技术中存在的技术问题，即如何使用yolov3算法实现对城市建筑震害的预测，并对此至少提供一种有益的选择；

2、本发明实施例的技术方案是这样实现的：

3、第一方面，一种基于神经网络的城市建筑震害预测方法：

4、(一)概述：

5、本发明旨在解决上述技术问题，通过使用yolov3算法及其darknet-53深度卷积神经网络结构，以获取更丰富的建筑信息和地震数据，从而进一步提高震害预测的精度和效率。统计不同震害程度的建筑物数量，并生成震害矩阵。这个矩阵可以反映在不同地震烈度下，各类建筑物发生不同破坏状态的概率。根据预测结果制定相应的防灾减灾策略和应急预案，以降低地震对建筑物的影响。

6、(二)技术方案：

7、为实现上述技术目标，本方案需执行如下的步骤s1～s4：

8、2.1步骤s1，数据准备：

9、收集指定地区的历史震害数据，包括建筑物震前、震后的图像以及震害程度标签信息，构成数据集d。其形式为：

10、

11、其中：表示第i个样本中建筑物震前的图像数据。表示第i个样本中建筑物震后的图像数据。li表示第i个样本中建筑物的震害程度标签。其中每个样本都是一个包含震前图像、震后图像和震害程度标签的三元组。在实际应用中，图像数据是高维的像素矩阵，而标签数据是离散的类别标识或者连续的震害程度评分。

12、同时，将数据集d分为训练集dtrain，测试集dtest，验证集dval。使用70％的数据作为训练集dtrain，15％作为验证集dval来调整模型参数，剩下的15％作为测试集dtest来评估模型性能。

13、同时，还可以对收集到的图像数据进行预处理，包括常规的标注、裁剪和归一化处理技术，以适应yolov3算法的输入要求。

14、2.2步骤s2，读取yolov3算法：

15、读取yolov3算法框架，包括对输入数据x使用darknet53作为主干网络进行前向传播、损失计算以及反向传播。其中输入数据x相当于数据集d中的任意一样本，yolov3使用darknet53作为主干网络(backbone network)进行特征提取。

16、2.2.1步骤s200，前向传播：

17、对于输入数据x(它可以是数据集(d)中的任意一个样本，即一张图像)，darknet53网络会进行一系列卷积、残差连接操作来提取图像特征。这个过程可以形式化地表示为：

18、f＝darknet53(x)；

19、其中，f是从输入图像x中提取出的特征图(feature map)。

20、2.2.2步骤s201，预测输出：

21、yolov3会在多个尺度上进行预测，通常是在三个不同的尺度上。对于每个尺度，网络会输出一个张量，其中包含边界框(bounding box)的坐标、宽高、置信度以及类别概率。这个预测过程为：

22、(bx，by，bw，bh，conf，pc)=predictionhead(f)；

23、其中，(bx,by,bw,bh)是预测的边界框位置和大小，conf是预测的置信度，pc是预测的类别概率。

24、2.2.3步骤s202，损失计算：

25、yolov3的损失函数包括边界框坐标损失、宽高损失、置信度损失和分类损失。这些损失使用均方误差(mse)或交叉熵损失(cross-entropy loss)来计算。总损失表示为：

26、loss＝losscoord+losswidth-height+lossconfidence+lossclassification；

27、具体每项损失的计算方式依赖于yolov3的具体实现和配置。

28、2.2.4步骤s203，反向传播：

29、在计算出损失后，使用反向传播算法来更新网络的权重。这个过程涉及计算损失函数关于网络参数的梯度，并用这些梯度来更新网络参数。梯度下降的一步可以表示为：

30、

31、其中，θ表示网络的参数(权重和偏置)，η是学习率，是损失函数关于参数的梯度。

32、2.3模型训练：

33、基于步骤s2的yolov3算法的框架，在准备好的训练集dtrain上进行训练。通过不断调整模型参数和优化器设置，使得模型在训练集dtrain上达到较高的准确率。使用验证集dval对模型进行验证，确保模型没有过拟合，并具有良好的泛化能力。

34、在测试集dtest上评估模型的性能，包括准确率和召回率指标。根据评估结果对模型进行数据增强策略，以提高模型的预测性能。

35、2.3.1模型训练：

36、在训练集dtrain上，使用yolov3算法和选定的优化器(adam或sgd)来训练模型。训练的目标是最小化dtrain上的损失函数losstrain，该损失函数包括分类损失和定位损失。训练过程表示为寻找最优模型参数θ*的问题：

37、θ*=arg mθloss rain(θ；dtrain)；

38、其中，θ表示模型的参数集合，losstrain是在训练集上的损失函数。

39、2.3.2模型验证：

40、在验证集dval上评估模型的性能确保没有发生过拟合，并具有良好的泛化能力。通过计算验证集上的损失lossval和准确率来完成：

41、

42、其中，m(x；θ^)表示使用最优参数θ^的模型对输入x的预测结果，y是真实的标签。

43、2.3.3模型测试与评估：

44、在测试集dtest上评估模型的最终性能。包括准确率(precision)和召回率(recall)：

45、

46、其中，tp是真阳性(实际为正例且预测为正例)，fp是假阳性(实际为负例但预测为正例)，fn是假阴性(实际为正例但预测为负例)。

47、2.3.4数据增强策略：

48、如果模型在测试集上的性能不佳，可以考虑使用数据增强策略来提高模型的泛化能力。数据增强可以表示为对原始数据集d进行一系列变换操作t，以生成新的训练样本：

49、daugmented＝t(x，y)|(x，y)∈d；

50、其中，t包括旋转、缩放和平移操作。然后在增强的数据集daugmented上重新训练模型。

51、2.4步骤s3，预测与震害矩阵生成：

52、利用训练好的yolov3模型对指定地区的建筑物图像进行预测，识别出建筑物的震害程度。根据预测结果，统计不同震害程度的建筑物数量，并生成震害矩阵。这个矩阵反映在不同地震烈度下，各类建筑物发生不同破坏状态的概率。

53、2.4.1步骤s300，预测：

54、对于指定地区的建筑物图像集合i，即步骤s2的输入x，使用训练好的yolov3模型m进行预测。预测函数表示为：p＝m(i)；

55、其中，p是模型对每幅图像中建筑物震害程度的预测结果。包括建筑物的位置、类别以及对应的震害程度。

56、2.4.2步骤s301，统计不同震害程度的建筑物数量：

57、根据预测结果p，统计不同震害程度的建筑物数量。设nd表示震害程度为d的建筑物数量，那么统计过程可以表示为：

58、nd＝∑p∈piipdamage＝d；

59、其中，pdamage表示预测结果p中的震害程度，ⅱ(·)是指示函数，当条件为真时取1，否则取0。

60、2.4.3步骤s302，生成震害矩阵：

61、震害矩阵mdamage是一个二维矩阵，其中行表示地震烈度，列表示建筑物的破坏状态。矩阵中的元素mij表示在地震烈度i下，建筑物发生破坏状态j的概率。这个概率可以通过统计不同地震烈度下建筑物破坏状态的分布情况来估计。然而，由于实际数据的限制，这个概率可能需要基于专家知识、历史数据或其他模型进行估算。震害矩阵表示为：

62、

63、其中，m是考虑的地震烈度级别数量，n是建筑物的破坏状态数量。每个元素mij表示在地震烈度i下，建筑物发生破坏状态j的概率。

64、(三)解决技术问题的机制：

65、yolov3(you only look once,version 3)算法以其卓越的目标检测能力，成为我们方案中的关键组成部分。该算法采用darknet-53作为主干网络，这是一个具有53层深度的卷积神经网络，特别适用于处理复杂的图像识别任务。darknet-53的强大特征提取能力，使得我们的模型能够更准确地识别建筑物，并进一步判断其震害程度。

66、在数据预处理阶段，利用yolov3算法对大量的建筑物图像进行标注和学习。这一过程不仅包括建筑物的位置信息，还涵盖了建筑物的类型、结构以及可能的震害特征。通过这种方式，模型能够在训练过程中学习到更为丰富的建筑信息，为后续的震害预测提供坚实的基础。

67、在模型训练阶段通过不断调整模型参数和优化器设置，使yolov3算法在训练集上达到较高的准确率。同时，我们也非常注重模型的泛化能力，通过使用验证集进行多次验证，确保模型在面对新数据时仍能保持稳定的性能。

68、当模型训练完成后即可利用其对指定地区的建筑物图像进行震害程度预测。在这一过程中，yolov3算法能够快速准确地识别出图像中的建筑物，并根据学习到的特征判断其震害程度。根据预测结果统计不同震害程度的建筑物数量，并生成震害矩阵。能够帮助我们全面了解在不同地震烈度下各类建筑物的破坏状态及其概率分布。通过这种方式，政府和相关部门可以更加有针对性地制定应急预案和救援计划，从而最大程度地减少地震带来的损失。

69、第二方面，一种基于神经网络的城市建筑震害预测系统：

70、如图3所示，所述系统包括处理器、与所述处理器连接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如上述所述的城市建筑震害预测方法，并将结果反馈至显示屏上。

71、与现有技术相比，本发明的有益效果是：

72、一、提高预测精度：本发明通过采用先进的yolov3算法和强大的darknet-53深度卷积神经网络结构，能够更准确地识别和分类建筑物，并对其震害程度进行精确预测。这种高精度的预测能力有助于决策者做出更为准确的决策，优化资源配置，从而提高应急救援的效率。

73、二、增强应急响应能力：本发明通过震害矩阵的生成，使得决策者能够快速了解在不同地震烈度下各类建筑物的潜在破坏状态。这种先见之明有助于提前制定更为有效的应急预案，缩短灾害发生后的响应时间，最大限度地保护人民生命财产安全。

74、三、提升防灾减灾效率：本发明凭借高效的预测模型能够在短时间内处理大量的建筑图像数据，为灾害评估和救援工作提供及时的信息支持。这种快速的信息反馈机制有助于相关部门在灾害发生后迅速做出反应，减少灾害带来的损失。