基于Unet++網(wǎng)絡(luò)結(jié)構(gòu)建筑物抗震能力評價研究

摘 要：為了快速評價建筑物的抗震能力，本文基于Unet++網(wǎng)絡(luò)結(jié)構(gòu)，建立了抗震能力評價模型，主要功能包括特征圖的跳躍連接、深度監(jiān)督機制、信息輸入與輸出。完成理論建模后，將某城市的一個下轄區(qū)作為評價對象，收集谷歌影像信息，同時進行現(xiàn)場實測，經(jīng)過預(yù)處理后形成2000組樣本集，對模型進行訓(xùn)練。在考慮不同抗震因素的情況下，檢測模型的評價效果，結(jié)果顯示該模型的準(zhǔn)確率和精確性均達到了較高的水平。建筑物的抗震能力分為3個級別，傳統(tǒng)模式下通過現(xiàn)場實測評價其抗震能力，因此效率低。在人工智能時代，可將建筑物的影像信息、抗震特性作為主要的評價因素，利用神經(jīng)網(wǎng)絡(luò)和機器學(xué)習(xí)進行自動化評價，Unet++網(wǎng)絡(luò)在該問題中有較大的應(yīng)用潛力。

關(guān)鍵詞：Unet++網(wǎng)絡(luò)結(jié)構(gòu)；建筑物抗震能力；評價模型

中圖分類號：TU 352" " " 文獻標(biāo)志碼：A

1 基于Unet++的建筑物抗震能力評價模型

1.1 Unet++網(wǎng)絡(luò)概述

Unet是一種卷積神經(jīng)網(wǎng)絡(luò)，最早應(yīng)用于醫(yī)學(xué)圖像的自動化分割中。2018 年，在 Unet 的基礎(chǔ)上開發(fā)了Unet++神經(jīng)網(wǎng)絡(luò)模型。Unet神經(jīng)網(wǎng)絡(luò)在具體應(yīng)用過程中有一定的局限性，主要問題是該模型的跳躍連接方式較為單一，導(dǎo)致精度較低。Unet++對該問題進行了改進，優(yōu)化了跳躍連接的方式，使算法性能得到明顯提高。

1.1.1 Unet++的跳躍連接方式

Unet++中設(shè)計有嵌套網(wǎng)絡(luò)，以整體的網(wǎng)絡(luò)編碼結(jié)構(gòu)為基礎(chǔ)，嵌套了部分子網(wǎng)絡(luò)，從而優(yōu)化了連接跳躍的模式，這一改進措施提高了該網(wǎng)絡(luò)模型的監(jiān)督效果。Unet和Unet++的區(qū)別為前者直接接收編碼器特征圖，后者通過密集卷積塊實現(xiàn)這一功能。

在Unet++網(wǎng)絡(luò)中，將節(jié)點X的特征圖堆棧表示為Xi，j，其數(shù)學(xué)描述如公式（1）所示。

（1）

式中：H（）為激活函數(shù)；將上一個采樣層記為u（）；[]為連接層。j等于0的節(jié)點的獲取輸入信息途徑只有一個，即編碼器的上一層。當(dāng)節(jié)點的參數(shù)j=1時，該節(jié)點可從同一卷積層的兩個子網(wǎng)絡(luò)獲得輸入。當(dāng)節(jié)點的參數(shù)jgt;1時，其信息輸入的渠道升至j+1個，由同一跳躍路徑中的前j個節(jié)點進行信息輸入[1]。

1.1.2 深度監(jiān)督機制

Unet++網(wǎng)絡(luò)結(jié)構(gòu)能夠產(chǎn)生全分辨率特征圖，該特征圖可表示為{X0，j，j∈（1，2，3，4）}，其深度監(jiān)督機制依賴這些特征圖，監(jiān)督模式分為兩種。第一種為精確監(jiān)督模式，其特點是神經(jīng)網(wǎng)絡(luò)的整體輸出等于各分支輸出的平均值。第二種為快速監(jiān)督模式，其特點是網(wǎng)絡(luò)輸出結(jié)果為被選中分支的輸出。深度監(jiān)督機制帶來了一系列優(yōu)勢，包括減少解碼器運算、模型剪枝、減少計算開銷、降低模型復(fù)雜度等[2]。

1.2 網(wǎng)絡(luò)輸入與輸出

1.2.1 網(wǎng)絡(luò)輸入

作為一種圖像分割模型，理論上講，無論圖像的尺寸有多大，均可輸入Unet++網(wǎng)絡(luò)模型中。為了便于卷積核處理該圖像，通常將輸入圖像的尺寸處理成2的冪次方，例如256×256。在網(wǎng)絡(luò)前向傳播過程中，如果數(shù)值變化幅度較大，就會增加計算的難度。因此在網(wǎng)絡(luò)輸入階段，采取歸一化方法處理每個像素的通道值。

當(dāng)利用Unet++網(wǎng)絡(luò)評價建筑物的抗震性能時，需要根據(jù)遙感影像信息和建筑抗震影響因素，合理設(shè)置輸入通道數(shù)，具體可按照表1確定抗震影響因素和通道數(shù)的關(guān)系。

1.2.2 網(wǎng)絡(luò)輸出

Unet++網(wǎng)絡(luò)的輸出結(jié)果是針對影像中像素信息的分割或者分類，輸出圖像的幾何尺寸與原圖保持一致，呈現(xiàn)形式為張量。假設(shè)原圖像具有3個維度的張量，分別為高度H0、寬度W0以及通道數(shù)C0。如果將Unet++網(wǎng)絡(luò)對圖像的分類數(shù)量記為K，那么經(jīng)過其處理的圖像輸出形狀可表示為（H'，W'，K）。圖像中的每個位置都可表示為（H'，W'，I）的形式，表示該位置像素屬于類別I的概率，I∈K。模型的概率輸出不能直接作為預(yù)測結(jié)果，需要經(jīng)過特定的處理，才能將其作為最終的預(yù)測結(jié)果，以下為處理步驟。1）設(shè)置決策閾值。Unet++網(wǎng)絡(luò)在圖像處理中，需要對影像信息進行分類，其分類方式包括二分類和多分類。在二分類任務(wù)中，將影像信息劃分成正類和負(fù)類，正類可表示為（H'，W'，1），負(fù)類可表示為（H'，W'，-1），在正類和負(fù)類的判斷中，可設(shè)定一個閾值，當(dāng)概率大于閾值時，分類結(jié)果為正類，否則為負(fù)類。在多分類任務(wù)中，該分類算法的輸出形狀可表示為（H'，W'，K）的形式，表示像素屬于每個類別的概率，對比該像素點屬于每個類別的概率數(shù)值，將概率最高的類別作為預(yù)測分類的結(jié)果。2）圖像后處理措施。應(yīng)該對模型的輸出結(jié)果進行特定的后處理操作，包括去除圖像噪聲、提高清晰度、改善對比度等。根據(jù)處理措施的技術(shù)原理，可分為邊緣檢測、膨脹運算、形態(tài)學(xué)操作等。在研究過程中，運用膨脹運算的方法進行圖像后處理，其特點是增強圖像的前景區(qū)域、填充圖像中的小空洞、連接斷開的區(qū)域，從而提高圖像的質(zhì)量，原理如下。

假設(shè)存在集合A、B，可將A被B的膨脹表示為A⊕B，符號⊕為膨脹算子，膨脹運算的數(shù)學(xué)描述方法如公式（2）所示。

A⊕B={x|Bx∩A≠Φ} （2）

式中：A為整個圖像區(qū)域；B為卷積核；Φ為空集；x為待處理的圖像元素。

1.3 損失函數(shù)

模型在評價過程中，會存在一定的誤差，可通過損失函數(shù)來評價模型的精確度。損失函數(shù)具有多種類型，在此次建立的評價模型中，將交叉熵?fù)p失和Dice損失相結(jié)合，形成綜合性的損失評價方法。

Dice系數(shù)是產(chǎn)生Dice損失的基礎(chǔ)，該系數(shù)本質(zhì)上是一種相似度函數(shù)，用于判斷兩個樣本的相似度，計算結(jié)果在[0，1]，越接近1，說明兩個樣本的相似度越高。Dice損失=1-Dice系數(shù)，顯然，Dice損失越小，Dice系數(shù)越大。假設(shè)類別數(shù)量為C，將第i類的預(yù)測結(jié)果記為Pi，其對應(yīng)的真實標(biāo)簽為Ti，i屬于[0，C-1]。第i類的Dice損失計算方法為Li=1-2×（Pi∩Ti+τ）/（Pi+Ti+τ）。符號“∩”為向量的點乘，τ是一個非常小的正數(shù)，其作用是避免分母為0。經(jīng)過Unet++分類后，形成了C個類別，總損失的計算方法如公式（3）所示。

（3）

式中：L為Dice損失的總損失，當(dāng)各類別對總損失的影響存在差異時，可設(shè)置權(quán)重，以提高計算時的精確性。交叉熵?fù)p失的數(shù)學(xué)描述方法如公式（4）所示。

（4）

式中：L'為交叉熵的總損失；yi為真實標(biāo)簽經(jīng)過獨熱編碼后的結(jié)果；Pi為模型對應(yīng)類別的預(yù)測概率。在實際應(yīng)用中，log（Pi）的計算具有一定的難度，在這種情況下，可引入Softmax函數(shù)，形成Softmax交叉熵?fù)p失計算模型。

2 評價數(shù)據(jù)收集和預(yù)處理

2.1 原始數(shù)據(jù)采集

A市M區(qū)南北長度為64km，東西長度為33km，占地面積為1068km2，該地區(qū)的地震設(shè)防烈度為Ⅶ度。在抗震評價過程中，利用谷歌影像收集M區(qū)的遙感數(shù)據(jù)，其最高分辨率為0.30m，最低分辨率為1.0m，由多種衛(wèi)星數(shù)據(jù)融合而成。除了衛(wèi)星遙感數(shù)據(jù)，還需要獲取大量的現(xiàn)場數(shù)據(jù)，包括建筑物類別、層高、建造時間等，表2為部分現(xiàn)場調(diào)查的數(shù)據(jù)。

2.2 建筑抗震等級劃分

《建筑抗震設(shè)計規(guī)范》（GB 50011—2010）中對抗震等級做出了規(guī)定，將建筑物的抗震等級分為3個級別，包括估計抗震能力達標(biāo)、疑似抗震能力不足、疑似抗震能力嚴(yán)重不足。通過實地調(diào)查，對M區(qū)內(nèi)的建筑抗震等級進行評價，3種抗震等級的建筑占比分別為38.19%、44.84%、16.99%，對應(yīng)建筑物的數(shù)量分別為3093、3631、1376。

2.3 確定建筑物抗震影響因子

抗震影響因子是決定通道數(shù)量的關(guān)鍵因素，在此次研究過程中，選取4個關(guān)鍵性的抗震影響因子，包括建筑物的結(jié)構(gòu)形式、建造時間、用途以及層數(shù)。在數(shù)據(jù)預(yù)處理階段，需要明確抗震影響因子的具體內(nèi)容。經(jīng)過對比，在建筑用途方面，將影響因子確定為住宅用房、商業(yè)用房、教育系統(tǒng)用房、公共服務(wù)用房、衛(wèi)生系統(tǒng)用房、政府機關(guān)用房以及其他；在結(jié)構(gòu)類型方面，將建筑物劃分為磚木結(jié)構(gòu)、磚混結(jié)構(gòu)、鋼結(jié)構(gòu)、框架結(jié)構(gòu)以及其他[3]。建造時間和建筑層高按照表2中的類別進行劃分。

2.4 構(gòu)建樣本集

在深度學(xué)習(xí)中，需要通過樣本集訓(xùn)練評價模型，通常將樣本集劃分為標(biāo)簽集和特征集，前者用于樣本分類，后者用于描述樣本的特征。根據(jù)抗震影響因子，將樣本轉(zhuǎn)化為語義圖片[4]。再利用語義圖片和M區(qū)的遙感影像資料建立特征集，用抗震影響因子描述樣本的特征，標(biāo)簽集的構(gòu)建方法類似于特征集。樣本輸入模型前，應(yīng)該對樣本進行裁剪，將像素控制為512×512dpi，部分樣本在裁剪后存在建筑物占比過少的問題，因此剔除掉這部分樣本，最終獲得有效樣本2000個。

3 基于Unet++的建筑物抗震能力評價

運用建立的評價模型對建筑物抗震能力進行評價，實施流程如下。

3.1 特征選擇

建筑物存在多種特征，為了提高評價模型的可讀性和準(zhǔn)確性，在模型訓(xùn)練前，將不同的屬性特征和遙感影像組合在一起，作為模型的輸入信息，并且為每一種組合設(shè)置代號，共形成25組輸入信息，部分輸入信息見表3。

3.2 設(shè)置模型訓(xùn)練參數(shù)

模型訓(xùn)練需要搭建運行環(huán)境，研究過程在Windows環(huán)境下搭建了Python的機器學(xué)習(xí)庫，硬件方面配置了英偉達的GeForce RTX 3070顯卡。圖像尺寸均為512×512，將單批次樣本數(shù)量、初始學(xué)習(xí)效率、權(quán)重衰減分別設(shè)置為10個、0.001、0.001。

3.3 建立評價指標(biāo)

模型評價指標(biāo)包括5個，分別為準(zhǔn)確率（A）、精確率（P）、召回率（R）、均交并比（MIoU）以及F1。各指標(biāo)的計算方法與正確的正例（True Positive，TP）、錯誤的反例（ Negative，F(xiàn)N）、錯誤的正例（ Positive，F(xiàn)P）、正確的反例（True Negative，TN）相關(guān)[5]。以MIoU為例，該指標(biāo)的計算方法如公式（5）所示。

（5）

式中：K為類別。準(zhǔn)確率A的計算方法為A=（TP+TN）/（TP+FP+TN+FN）；精確率P的計算方法為P=TP/（TP+FP）；召回率R的計算方法為R=TP/（TP+FN）；F1的計算方法為F1=2（P×R）/（P+R）。

3.4 結(jié)果分析

3.4.1 模型訓(xùn)練結(jié)果

模型訓(xùn)練的目的是提高評價模型的效果，具體體現(xiàn)于損失函數(shù)的值，該數(shù)值越小，說明評價模型的效果越好。在訓(xùn)練的初期階段，模型損失與經(jīng)過實測的損失存在較大偏差。在80次訓(xùn)練后，I、ID、IS、IA、IDS等各輸入信息對應(yīng)的模型損失趨于穩(wěn)定，與實測損失值的偏差縮小至可接受的范圍，繼續(xù)鞏固訓(xùn)練效果，將模型訓(xùn)練次數(shù)升至100次，并將其作為測試模型。

3.4.2 評價模型總體精度

根據(jù)測試數(shù)據(jù)統(tǒng)計不同輸入信息對應(yīng)的評價指標(biāo)，得到表4的數(shù)據(jù)。綜合全部的評定結(jié)果，此次建立的評價模型在準(zhǔn)確率和精確率上達到了較高的水平，25組輸入信息對應(yīng)的準(zhǔn)確率在88.6%～95.9%；精確率在75.3%～85.8%；25組輸入信息對應(yīng)的召回率、F1值和MIoU值分別在48.7%～57.3%、0.583～0.687、0.541～0.691?？梢?，準(zhǔn)確率和精確率較好，其他性能指標(biāo)還需進一步提升。

3.4.3 不同模型的預(yù)測效果對比

在模型I中將遙感影像信息作為分類預(yù)測的依據(jù)，其準(zhǔn)確率為88.6%，精確率為75.3%，召回率為48.7%。在遙感影像的基礎(chǔ)上引入抗震影響因素，預(yù)測效果得到明顯提升。在表4所列舉的模型中，增加抗震影響因素之后，準(zhǔn)確率的提升幅度在7.4%～12.4%，精確率的提升幅度在10.81%～14.95%，召回率的提升幅度在15.2%～38.79%。對比各模型的數(shù)據(jù)，抗震能力評價模型對代號為IDS的輸入信息具有良好的預(yù)測性，其準(zhǔn)確率、精確率、召回率以及MIoU都最大，說明建筑物高度和建筑物的結(jié)構(gòu)特征對抗震性能具有突出的影響力。對比IDS和IDU的數(shù)據(jù)，前者對應(yīng)的5個評價指標(biāo)全面優(yōu)于后者，說明在抗震評價中，建筑結(jié)構(gòu)的影響力強于建筑物的建造年代。采用同樣的方法，可判斷各抗震影響因素在抗震性能評價中的影響程度，結(jié)果為建筑高度gt;建筑結(jié)構(gòu)gt;建造年代gt;建筑用途。

4 結(jié)語

建筑物的抗震能力分為3個級別，研究過程利用Unet++網(wǎng)絡(luò)建立了建筑物抗震性能評價模型，將谷歌影像信息和現(xiàn)場實測信息作為評價依據(jù)，利用該模型對遙感影像和抗震影響因素進行識別，從而自動化地判斷建筑物的抗震級別。經(jīng)過實測，其準(zhǔn)確率和精確率均達到了較高的水平，召回率、精確度等性能指標(biāo)還需進一步提升。

參考文獻

[1]劉志文，王進強，王廣鑫.基于UNet++的地震P波初至拾取研究[J].太原理工大學(xué)學(xué)報，2023，54（1）：65-72.

[2]沈旭東，吳湘蓮，雷英棟.一種改進的Unet建筑物變化檢測方法[J].電子制作，2020（1）：30-31，15.

[3]姜柳，史健勇，付功義，等.基于BIM和深度學(xué)習(xí)的建筑平面凹凸不規(guī)則識別[J].圖學(xué)學(xué)報，2022，43（3）：522-529.

[4]賈婧，王凌霄，竇圣宇，等.面向海島民居抗震性能評估的信息提取方法研究[J].世界地震工程，2021，37（4）：148-156.

[5]賈佳.基于深度學(xué)習(xí)的地震動持時預(yù)測[D].哈爾濱：中國地震局工程力學(xué)研究所，2022.