基于深度卷积神经网络和迁移学习的农村房屋洪涝灾害后受损等级分类
洪涝灾害对房屋等建筑物会造成巨大损害,灾后房屋破坏等级鉴定对保障人民生命安全至关重要,而传统的人工鉴定方法,消耗较多的人力、财力及时间等资源.为此,基于河南郑州"7·20"特大暴雨引发的农村房屋破坏数据,采用深度卷积神经网络(CNN)理论,得到灾后房屋危险等级智能分类模型.首先采用 AlexNet、VGGNet、GoogleNet和ResNet四种经典的深度CNN架构,对数据集进行训练、验证和测试,得到 4 种灾后房屋危险等级智能分类模型,然后结合迁移学习方法训练CNN提高模型的泛化能力,并选择效果较优的ResNet-50 为分类主模型,最后分析CNN架构中超参数的影响.结果表明:ResNet-50 在学习率为 0.0005,epoch为 50,batch_size为 16 时网络训练结果最优,其测试集的预测准确率达到了 95.5％;此外,房屋危险等级特征的可视化分析明确了模型分类的机理及准确性.试验表明基于迁移学习的识别模型准确率较高,为农村房屋洪涝灾害后受损等级分类模型提供参考.
洪涝灾害、卷积神经网络、迁移学习、房屋危险等级、河南郑州"7·20"特大暴雨、工程地质
48
P694(环境地质学)
国家自然科学基金;国家自然科学基金;河南省博士后科研项目;河南省高等学校重点科研项目
2023-06-09（万方平台首次上网日期，不代表论文的发表时间）
共13页
1742-1754
