摘 要：為了快速評(píng)價(jià)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(píng)價(jià)模型，主要功能包括特征圖的跳躍連接、深度監(jiān)督機(jī)制、信息輸入與輸出。完成理論建模后，將某城市的一個(gè)下轄區(qū)作為評(píng)價(jià)對(duì)象，收集谷歌影像信息，同時(shí)進(jìn)行現(xiàn)場(chǎng)實(shí)測(cè)，經(jīng)過(guò)預(yù)處理后形成2000組樣本集，對(duì)模型進(jìn)行訓(xùn)練。在考慮不同抗震因素的情況下，檢測(cè)模型的評(píng)價(jià)效果，結(jié)果顯示該模型的準(zhǔn)確率和精確性均達(dá)到了較高的水平。建筑物的抗震能力分為3個(gè)級(jí)別，傳統(tǒng)模式下通過(guò)現(xiàn)場(chǎng)實(shí)測(cè)評(píng)價(jià)其抗震能力，因此效率低。在人工智能時(shí)代，可將建筑物的影像信息、抗震特性作為主要的評(píng)價(jià)因素，利用神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)進(jìn)行自動(dòng)化評(píng)價(jià)，Unet++網(wǎng)絡(luò)在該問(wèn)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(píng)價(jià)模型

中圖分類號(hào)：TU 352" " " 文獻(xiàn)標(biāo)志碼：A

1 基于Unet++的建筑物抗震能力評(píng)價(jià)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(dòng)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(guò)程中有一定的局限性，主要問(wèn)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(duì)該問(wèn)題進(jìn)行了改進(jìn)，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(jì)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(jìn)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(guò)密集卷積塊實(shí)現(xiàn)這一功能。

在Unet++網(wǎng)絡(luò)中，將節(jié)點(diǎn)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(gè)采樣層記為u（）；[]為連接層。j等于0的節(jié)點(diǎn)的獲取輸入信息途徑只有一個(gè)，即編碼器的上一層。當(dāng)節(jié)點(diǎn)的參數(shù)j=1時(shí)，該節(jié)點(diǎn)可從同一卷積層的兩個(gè)子網(wǎng)絡(luò)獲得輸入。當(dāng)節(jié)點(diǎn)的參數(shù)jgt;1時(shí)，其信息輸入的渠道升至j+1個(gè)，由同一跳躍路徑中的前j個(gè)節(jié)點(diǎn)進(jìn)行信息輸入[1]。

1.1.2 深度監(jiān)督機(jī)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(jī)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(diǎn)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(diǎn)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(jī)制帶來(lái)了一系列優(yōu)勢(shì)，包括減少解碼器運(yùn)算、模型剪枝、減少計(jì)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(wú)論圖像的尺寸有多大，均可輸入U(xiǎn)net++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(guò)程中，如果數(shù)值變化幅度較大，就會(huì)增加計(jì)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(gè)像素的通道值。

當(dāng)利用Unet++網(wǎng)絡(luò)評(píng)價(jià)建筑物的抗震性能時(shí)，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(duì)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(gè)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(duì)圖像的分類數(shù)量記為K，那么經(jīng)過(guò)其處理的圖像輸出形狀可表示為（H'，W'，K）。圖像中的每個(gè)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(cè)結(jié)果，需要經(jīng)過(guò)特定的處理，才能將其作為最終的預(yù)測(cè)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(duì)影像信息進(jìn)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(gè)閾值，當(dāng)概率大于閾值時(shí)，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(gè)類別的概率，對(duì)比該像素點(diǎn)屬于每個(gè)類別的概率數(shù)值，將概率最高的類別作為預(yù)測(cè)分類的結(jié)果。2）圖像后處理措施。應(yīng)該對(duì)模型的輸出結(jié)果進(jìn)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(duì)比度等。根據(jù)處理措施的技術(shù)原理，可分為邊緣檢測(cè)、膨脹運(yùn)算、形態(tài)學(xué)操作等。在研究過(guò)程中，運(yùn)用膨脹運(yùn)算的方法進(jìn)行圖像后處理，其特點(diǎn)是增強(qiáng)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(hào)⊕為膨脹算子，膨脹運(yùn)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(gè)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(píng)價(jià)過(guò)程中，會(huì)存在一定的誤差，可通過(guò)損失函數(shù)來(lái)評(píng)價(jià)模型的精確度。損失函數(shù)具有多種類型，在此次建立的評(píng)價(jià)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(píng)價(jià)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(gè)樣本的相似度，計(jì)算結(jié)果在[0，1]，越接近1，說(shuō)明兩個(gè)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(cè)結(jié)果記為Pi，其對(duì)應(yīng)的真實(shí)標(biāo)簽為Ti，i屬于[0，C-1]。第i類的Dice損失計(jì)算方法為L(zhǎng)i=1-2×（Pi∩Ti+τ）/（Pi+Ti+τ）。符號(hào)“∩”為向量的點(diǎn)乘，τ是一個(gè)非常小的正數(shù)，其作用是避免分母為0。經(jīng)過(guò)Unet++分類后，形成了C個(gè)類別，總損失的計(jì)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(duì)總損失的影響存在差異時(shí)，可設(shè)置權(quán)重，以提高計(jì)算時(shí)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(shí)標(biāo)簽經(jīng)過(guò)獨(dú)熱編碼后的結(jié)果；Pi為模型對(duì)應(yīng)類別的預(yù)測(cè)概率。在實(shí)際應(yīng)用中，log（Pi）的計(jì)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(jì)算模型。

2 評(píng)價(jià)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(zhǎng)度為64km，東西長(zhǎng)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(píng)價(jià)過(guò)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(chǎng)數(shù)據(jù)，包括建筑物類別、層高、建造時(shí)間等，表2為部分現(xiàn)場(chǎng)調(diào)查的數(shù)據(jù)。

2.2 建筑抗震等級(jí)劃分

《建筑抗震設(shè)計(jì)規(guī)范》（GB 50011—2010）中對(duì)抗震等級(jí)做出了規(guī)定，將建筑物的抗震等級(jí)分為3個(gè)級(jí)別，包括估計(jì)抗震能力達(dá)標(biāo)、疑似抗震能力不足、疑似抗震能力嚴(yán)重不足。通過(guò)實(shí)地調(diào)查，對(duì)M區(qū)內(nèi)的建筑抗震等級(jí)進(jìn)行評(píng)價(jià)，3種抗震等級(jí)的建筑占比分別為38.19%、44.84%、16.99%，對(duì)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(guò)程中，選取4個(gè)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(shí)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(guò)對(duì)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(jī)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(shí)間和建筑層高按照表2中的類別進(jìn)行劃分。

2.4 構(gòu)建樣本集

在深度學(xué)習(xí)中，需要通過(guò)樣本集訓(xùn)練評(píng)價(jià)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(yǔ)義圖片[4]。再利用語(yǔ)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(duì)樣本進(jìn)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(guò)少的問(wèn)題，因此剔除掉這部分樣本，最終獲得有效樣本2000個(gè)。

3 基于Unet++的建筑物抗震能力評(píng)價(jià)

運(yùn)用建立的評(píng)價(jià)模型對(duì)建筑物抗震能力進(jìn)行評(píng)價(jià)，實(shí)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(píng)價(jià)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(hào)，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(yùn)行環(huán)境，研究過(guò)程在Windows環(huán)境下搭建了Python的機(jī)器學(xué)習(xí)庫(kù)，硬件方面配置了英偉達(dá)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(gè)、0.001、0.001。

3.3 建立評(píng)價(jià)指標(biāo)

模型評(píng)價(jià)指標(biāo)包括5個(gè)，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(jì)算方法與正確的正例（True Positive，TP）、錯(cuò)誤的反例（ Negative，F(xiàn)N）、錯(cuò)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(jì)算方法如公式（5）所示。

（5）

式中：K為類別。準(zhǔn)確率A的計(jì)算方法為A=（TP+TN）/（TP+FP+TN+FN）；精確率P的計(jì)算方法為P=TP/（TP+FP）；召回率R的計(jì)算方法為R=TP/（TP+FN）；F1的計(jì)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(píng)價(jià)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(shuō)明評(píng)價(jià)模型的效果越好。在訓(xùn)練的初期階段，模型損失與經(jīng)過(guò)實(shí)測(cè)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(duì)應(yīng)的模型損失趨于穩(wěn)定，與實(shí)測(cè)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(cè)試模型。

3.4.2 評(píng)價(jià)模型總體精度

根據(jù)測(cè)試數(shù)據(jù)統(tǒng)計(jì)不同輸入信息對(duì)應(yīng)的評(píng)價(jià)指標(biāo)，得到表4的數(shù)據(jù)。綜合全部的評(píng)定結(jié)果，此次建立的評(píng)價(jià)模型在準(zhǔn)確率和精確率上達(dá)到了較高的水平，25組輸入信息對(duì)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(duì)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(jìn)一步提升。

3.4.3 不同模型的預(yù)測(cè)效果對(duì)比

在模型I中將遙感影像信息作為分類預(yù)測(cè)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(cè)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(duì)比各模型的數(shù)據(jù)，抗震能力評(píng)價(jià)模型對(duì)代號(hào)為IDS的輸入信息具有良好的預(yù)測(cè)性，其準(zhǔn)確率、精確率、召回率以及MIoU都最大，說(shuō)明建筑物高度和建筑物的結(jié)構(gòu)特征對(duì)抗震性能具有突出的影響力。對(duì)比IDS和IDU的數(shù)據(jù)，前者對(duì)應(yīng)的5個(gè)評(píng)價(jià)指標(biāo)全面優(yōu)于后者，說(shuō)明在抗震評(píng)價(jià)中，建筑結(jié)構(gòu)的影響力強(qiáng)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(píng)價(jià)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(yǔ)

建筑物的抗震能力分為3個(gè)級(jí)別，研究過(guò)程利用Unet++網(wǎng)絡(luò)建立了建筑物抗震性能評(píng)價(jià)模型，將谷歌影像信息和現(xiàn)場(chǎng)實(shí)測(cè)信息作為評(píng)價(jià)依據(jù)，利用該模型對(duì)遙感影像和抗震影響因素進(jìn)行識(shí)別，從而自動(dòng)化地判斷建筑物的抗震級(jí)別。經(jīng)過(guò)實(shí)測(cè)，其準(zhǔn)確率和精確率均達(dá)到了較高的水平，召回率、精確度等性能指標(biāo)還需進(jìn)一步提升。

參考文獻(xiàn)

[1]劉志文，王進(jìn)強(qiáng)，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(bào)，2023，54（1）：65-72.

[2]沈旭東，吳湘蓮，雷英棟.一種改進(jìn)的Unet建筑物變化檢測(cè)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(shí)別[J].圖學(xué)學(xué)報(bào)，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(píng)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(dòng)持時(shí)預(yù)測(cè)[D].哈爾濱：中國(guó)地震局工程力學(xué)研究所，2022.