[发明专利]一种基于卷积神经网络的天花板震害的识别方法

说明书

一种基于卷积神经网络的天花板震害的识别方法，本发明属于计算机视觉领域，它为了解决现有专业人员现场进行震害破坏程度勘察的效率比较低的问题。识别方法：一、对天花板震害图片进行归一化处理；二、对目标样本进行旋转和镜像处理；三、加载预训练的AlexNet模型，修改模型的最后一个全连接层，采用交叉熵损失函数和Adam自适应优化函数进行反向传播，得到初训练Alex Net模型；四、继续训练模型，调整神经网络的学习率、batchsize等；五、利用训练后的AlexNet模型对测试样本进行评估。本发明只需借助一定的硬件模块并结合训练好的模型就能准确并快速的对震后建筑的使用功能进行及时的评估，模型准确率高。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于卷积神经网络的天花板震害识别方法。

背景技术

随着经济水平的发展，我国城乡建筑质量显著提高，在中震下，很少有房屋承重构件破坏的现象出现。通过对芦山地震中框架结构建筑的震害分析可知，地震时有大量天花板坠落，天花板的破坏虽然对建筑本身不产生力学性能的影响，但是对建筑物的使用功能影响巨大，造成巨大的经济损失，甚至砸伤人员。因此对非结构构件的震后损伤识别是建筑韧性评估中至关重要的一环。

目前传统的评估方法主要是由一批训练有素的专业工程师和学术研究人员到现场进行破坏程度勘察，这种方式虽然准确，但是考虑到余震的发生，和建筑内的不安全因素，评估小组人员的安全没有保障，并且整个过程持续时间较长，效率比较低。

近年来随着深度学习的发展，卷积神经网络在模式识别任务中取得了较好的成绩，因此基于深度学习的卷积神经网络模型为震后天花板破坏情况的快速评估提供了技术基础。

发明内容

本发明的目的是为了解决现有专业人员现场进行震害破坏程度勘察的效率比较低的问题，而提供一种基于卷积神经网络的天花板震害的识别方法。

本发明基于卷积神经网络的天花板震害的识别方法按以下步骤实现：

步骤一：在天花板震害图片中挑选出目标样本，调整图片的目标区域处于中心，在保持高宽比的同时，将目标样本随机缩放大小为224×224，进行归一化处理，得到预处理的目标样本；

步骤二：对预处理的目标样本进行旋转和镜像处理，得到扩充后的天花板震害数据集图像；

步骤三：加载预训练的AlexNet模型作为特征提取器，提取扩充后的天花板震害数据集图像的深度特征向量，修改AlexNet模型的最后一个全连接层，采用交叉熵损失函数和Adam自适应优化函数进行反向传播，迭代训练神经网络，得到初训练Alex Net模型；

步骤四：利用扩充后的天花板震害数据集图像继续训练步骤三得到的初训练AlexNet模型，修改最后一个全连接层，采用交叉熵损失函数和Adam自适应优化函数进行反向传播，迭代训练神经网络，调整神经网络的学习率、batchsize以及epoch，得到训练后的AlexNet模型；

步骤五：利用步骤四训练后的AlexNet模型对测试样本进行预测并输出，从而完成天花板震害的识别。

本发明首次对震后的天花板破坏图像进行收集与整理工作，考虑到拍摄时的位置、空间以及光线等因素对图片质量的影响，对数据集进行了处理并扩充，既能提高准确率的同时，又考虑到了实际情况给网络模型带来的负面影响。

本发明将原始的AlexNet模型中的优化算法替换为Adam优化算法进行求解，Adam优化算法即自适应时刻估计方法(Adaptive Moment Estimation)，该方法能计算每个参数的自适应学习率，Adam优化算法不仅储存了平方梯度的指数衰减平均值，而且保持了先前梯度的指数衰减平均值，非常高效，能够快速得到良好的结果，因此能够进一步提高训练速度节省训练时间，提高识别的准确率。