建筑物损毁预测方法、装置、电子设备及可读存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种建筑物损毁预测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着自然灾害的频繁发生，对灾后建筑物损毁进行评估在灾后重建、灾后理赔等领域至关重要。例如，保险领域建筑物受损程度通常通过人工现场查勘或从遥感影像来进行定损，然而人工现场查勘比较耗费人力，且通过人工查验遥感影像的方式主要依赖现场工作人员的经验，使得评估结果不够客观，对于建筑物的损毁评估准确性及效率都不高。因此亟需一种能够快速、客观、准确的对灾后标的损毁情况进行准确预测评估的方法。


技术实现要素：

3.本发明提供一种建筑物损毁预测方法、装置、电子设备及可读存储介质，其主要目的在于解决建筑物损毁情况预测效率较低的问题。
4.为实现上述目的，本发明提供的一种建筑物损毁预测方法，包括：
5.获取原始建筑图像训练集合，对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合；
6.对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合；
7.利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型；
8.利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果。
9.可选地，所述对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合，包括：
10.利用预设的标注工具对所述原始建筑图像训练集合中的建筑物进行框选，得到建筑物标注框；
11.利用预设的标注标签对所述建筑物标注框中的建筑物进行标注，汇总所有标注完成的建筑物图像，得到所述标注建筑图像训练集合。
12.可选地，所述对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合，包括：
13.依次选取所述标注建筑图像训练集合中的图像作为目标图像；
14.对所述目标图像进行图像翻转、图像缩放及图像平移处理，得到多个增广图像；
15.汇总所有的目标图像及所述目标图像对应的多个增广图像，得到所述标准建筑图像训练集合。
16.可选地，所述对所述目标图像进行图像翻转、图像缩放及图像平移处理，得到多个增广图像，包括：
17.根据所述目标图像中的建筑物标注框选取关键点；
18.基于所述关键点及预设的翻转角度、预设的缩放比例及预设的平移距离对所述目标图像进行翻转、缩放及平移，得到所述多个增广图像。
19.可选地，所述利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型，包括：
20.对所述标准建筑图像训练集合进行分批处理，得到多个分批图像集合；
21.利用所述卷积神经网络对所述多个分批图像集合中图像进行预测分类，得到预测标签；
22.基于所述预测标签及所述标注标签得到所述卷积神经网络的损失值，基于所述损失值更新所述卷积神经网络的各层参数，直至所述损失值满足预设的损失条件时，停止训练，得到所述建筑损毁预测模型。
23.可选地，所述利用所述卷积神经网络对所述多个分批图像集合中图像进行预测分类，得到预测标签，包括：
24.利用所述卷积神经网络中的压缩路径对所述多个分批图像集合中的图像进行降采样处理，得到压缩图像集合；
25.利用所述卷积神经网络中的扩展路径对所述压缩图像集合中的图像进行反卷积处理，得到反卷积图像集合；
26.对所述压缩图像集合及所述反卷积图像集合进行图像拼接，并对拼接后的图像集合进行特征提取，得到特征图像集合；
27.利用所述卷积神经网络中的分类层输出所述特征图像集合中图像的预测标签及预测标签对应的预测概率。
28.可选地，所述利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果，包括：
29.根据所述待检测图像中的待检测建筑物构建建筑物轮廓矢量数据；
30.将所述待检测图像与所述建筑物轮廓矢量数据进行叠加，得到建筑物影像块；
31.利用所述建筑损毁预测模型输出所述建筑物影像块的损毁预测结果。
32.为了解决上述问题，本发明还提供一种建筑物损毁预测装置，所述装置包括：
33.数据标注模块，用于获取原始建筑图像训练集合，对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合；
34.数据增广模块，用于对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合；
35.模型训练模块，用于利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型；
36.损毁预测模块，用于利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果。
37.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
38.存储器，存储至少一个计算机程序；及
39.处理器，执行所述存储器中存储的计算机程序以实现上述所述的建筑物损毁预测方法。
40.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的建筑物损毁预测方法。
41.本发明通过对原始建筑图像训练集合中的图像进行数据标注处理及数据增广处理，可以得到大量有标注的训练数据，可以提高模型训练的效率，增强模型的泛化能力。并且，通过标准建筑图像训练集合训练得到的建筑损毁预测模型，可以直接得到损毁预测结果，无需进行现场勘察，提高了建筑物损毁情况预测的效率。因此本发明提出的建筑物损毁预测方法、装置、电子设备及计算机可读存储介质，可以解决建筑物损毁情况预测效率较低的问题。
附图说明
42.图1为本发明一实施例提供的建筑物损毁预测方法的流程示意图；
43.图2为本发明一实施例提供的建筑物损毁预测装置的功能模块图；
44.图3为本发明一实施例提供的实现所述建筑物损毁预测方法的电子设备的结构示意图。
45.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
46.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
47.本技术实施例提供一种建筑物损毁预测方法。所述建筑物损毁预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述建筑物损毁预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
48.参照图1所示，为本发明一实施例提供的建筑物损毁预测方法的流程示意图。在本实施例中，所述建筑物损毁预测方法包括：
49.s1、获取原始建筑图像训练集合，对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合。
50.本发明实施例中，所述原始建筑图像训练集合可以为xbd数据集，所述xbd数据集是专门用于进行建筑物灾损评估的高分辨率光学卫星影像数据集，来源于maxar/digitalglobe open data program，该影像数据集空间分辨率高达0.3m，且均完成了大气校正、正射校正和全色锐化处理，使得图像具有极高的质量。
51.详细地，所述对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合，包括：
52.利用预设的标注工具对所述原始建筑图像训练集合中的建筑物进行框选，得到建筑物标注框；
53.利用预设的标注标签对所述建筑物标注框中的建筑物进行标注，汇总所有标注完成的建筑物图像，得到所述标注建筑图像训练集合。
54.本发明实施例中，所述预设的标注工具可以为labelimg、labelme及image label tool等。所述预设的标注标签可以为建筑物损伤标签，包括：轻微损坏、轻度损坏、中度损坏、严重损坏及极度严重损坏。
55.s2、对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合。
56.本发明实施例中，所述数据增广主要用于增加训练数据集的数据量，让数据集尽可能的多样化，使得训练的模型具有更强的泛化能力，所述数据增广包括：图像水平翻转、缩放和平移操作等。
57.具体地，所述对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合，包括：
58.依次选取所述标注建筑图像训练集合中的图像作为目标图像；
59.对所述目标图像进行图像翻转、图像缩放及图像平移处理，得到多个增广图像；
60.汇总所有的目标图像及所述目标图像对应的多个增广图像，得到所述标准建筑图像训练集合。
61.本发明实施例中，由于遥感影像数据资源和标注数量有限，通过数据增广来扩充训练数据，例如，采用的数据增广方法包括：图像水平翻转、缩放和平移操作等，对每一张图像进行数据增广操作，可将训练数据量扩充3倍。
62.详细地，所述对所述目标图像进行图像翻转、图像缩放及图像平移处理，得到多个增广图像，包括：
63.根据所述目标图像中的建筑物标注框选取关键点；
64.基于所述关键点及预设的翻转角度、预设的缩放比例及预设的平移距离对所述目标图像进行翻转、缩放及平移，得到所述多个增广图像。
65.本发明实施例中，所述关键点可以选取标注框中的任一点，包括：定点及中心点等。例如，选取标注框的中心点作为关键点进行翻转、缩放及平移。
66.s3、利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型。
67.本发明实施例中，所述预构建的卷积神经网络可以为u-net卷积神经网络，所述u-net卷积神经网络由左半边的压缩路径(contracting path)和右半边的扩展路径(expansive path)共同组成字母u的形状，是一种编码解码形式的神经网络，其中，压缩路径用于压缩编码，扩展路径用于进行解码，最后接入一个softmax层进行分类预测。
68.详细地，所述利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型，包括：
69.对所述标准建筑图像训练集合进行分批处理，得到多个分批图像集合；
70.利用所述卷积神经网络对所述多个分批图像集合中图像进行预测分类，得到预测标签；
71.基于所述预测标签及所述标注标签得到所述卷积神经网络的损失值，基于所述损失值更新所述卷积神经网络的各层参数，直至所述损失值满足预设的损失条件时，停止训
练，得到所述建筑损毁预测模型。
72.本发明实施例中，通过对所述标准建筑图像训练集合进行分批处理，得到多个分批图像集合，可以提高模型训练效率。并且在训练中采用批标准化(bn)操作，每一批输入的训练小样本影像数位为32，学习率设置为0.0001，损失函数采用交叉熵损失函数，采用随机梯度下降(sgd)算法来最小化损失函数，在训练过程中，若损失函数的值下降到设定的数值或逐渐收敛到稳定状态，则停止训练。
73.本发明一可选实施例中，所述基于所述预测标签及所述标注标签得到所述卷积神经网络的损失值，包括：
74.利用下述交叉熵损失函数计算所述损失值：
[0075][0076]
其中，n为分批图像集合中的图像数量，m为预设类别数量，y
ic
为符号函数(0或1)，如果第i张图像的预测标签等于标注标签则为1，不等于则为0，p
ic
为第i张图像预测为c类别的概率。
[0077]
具体地，所述利用所述卷积神经网络对所述多个分批图像集合中图像进行预测分类，得到预测标签，包括：
[0078]
利用所述卷积神经网络中的压缩路径对所述多个分批图像集合中的图像进行降采样处理，得到压缩图像集合；
[0079]
利用所述卷积神经网络中的扩展路径对所述压缩图像集合中的图像进行反卷积处理，得到反卷积图像集合；
[0080]
对所述压缩图像集合及所述反卷积图像集合进行图像拼接，并对拼接后的图像集合进行特征提取，得到特征图像集合；
[0081]
利用所述卷积神经网络中的分类层输出所述特征图像集合中图像的预测标签及预测标签对应的预测概率。
[0082]
本发明实施例中，所述压缩路径由4个block组成，每个block使用了3个有效卷积和1个max pooling降采样，每次降采样之后feature map的个数乘2，例如，输入572*572的图像，降采样之后得到32*32的图像。所述扩展路径(expansive path)，同样由4个block组成，每个block开始之前通过反卷积将feature map的尺寸乘2，同时将其个数减半，然后和左侧对称的压缩路径的feature map合并，由于左侧压缩路径和右侧扩展路径的feature map的尺寸不一样，u-net是通过将压缩路径的feature map裁剪到和扩展路径相同尺寸的feature map进行归一化拼接。最后通过softmax层输出预测概率及预测标签。
[0083]
s4、利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果。
[0084]
本发明实施例中，所述待检测图像可以为用户输入的建筑物图像，例如，灾后建筑物的卫星遥感影像。
[0085]
详细地，所述利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果，包括：
[0086]
根据所述待检测图像中的待检测建筑物构建建筑物轮廓矢量数据；
[0087]
将所述待检测图像与所述建筑物轮廓矢量数据进行叠加，得到建筑物影像块；
[0088]
利用所述建筑损毁预测模型输出所述建筑物影像块的损毁预测结果。
[0089]
本发明实施例中，所述建筑物轮廓矢量数据会记录对应建筑的高度值或楼层数，通过将待检测图像与所述建筑物轮廓矢量数据进行叠加，可以得到表示建筑物区域内的影像块，将该影像块输入到已训练好的模型中，得到建筑物损毁的程度评级。本发明一可选实施例中，可通过locaspace viewer(lsv)构建建筑物轮廓矢量数据。
[0090]
本发明采用全球多个地区灾害事件的高质量卫星影像作为训练数据，通过该训练数据可以生成可靠性更强、适用性更广泛的模型，采用u-net卷积神经网络来进行建筑物灾损评估，使得建筑物灾损评估更客观、准确率高，当灾害发生后保险业务员只需获取灾害发生后的遥感影像，将其输入到模型中即可得到建筑物的损毁结果，无需进行现场勘察，大大节省人力，提高了建筑物损毁预测的效率。
[0091]
本发明通过对原始建筑图像训练集合中的图像进行数据标注处理及数据增广处理，可以得到大量有标注的训练数据，可以提高模型训练的效率，增强模型的泛化能力。并且，通过标准建筑图像训练集合训练得到的建筑损毁预测模型，可以直接得到损毁预测结果，无需进行现场勘察，提高了建筑物损毁情况预测的效率。因此本发明提出的建筑物损毁预测方法，可以解决建筑物损毁情况预测效率较低的问题。
[0092]
如图2所示，是本发明一实施例提供的建筑物损毁预测装置的功能模块图。
[0093]
本发明所述建筑物损毁预测装置100可以安装于电子设备中。根据实现的功能，所述建筑物损毁预测装置100可以包括数据标注模块101、数据增广模块102、模型训练模块103及损毁预测模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0094]
在本实施例中，关于各模块/单元的功能如下：
[0095]
所述数据标注模块101，用于获取原始建筑图像训练集合，对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合；
[0096]
所述数据增广模块102，用于对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合；
[0097]
所述模型训练模块103，用于利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型；
[0098]
所述损毁预测模块104，用于利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果。
[0099]
详细地，所述建筑物损毁预测装置100各模块的具体实施方式如下：
[0100]
步骤一、获取原始建筑图像训练集合，对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合。
[0101]
本发明实施例中，所述原始建筑图像训练集合可以为xbd数据集，所述xbd数据集是专门用于进行建筑物灾损评估的高分辨率光学卫星影像数据集，来源于maxar/digitalglobe open data program，该影像数据集空间分辨率高达0.3m，且均完成了大气校正、正射校正和全色锐化处理，使得图像具有极高的质量。
[0102]
详细地，所述对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合，包括：
[0103]
利用预设的标注工具对所述原始建筑图像训练集合中的建筑物进行框选，得到建筑物标注框；
[0104]
利用预设的标注标签对所述建筑物标注框中的建筑物进行标注，汇总所有标注完成的建筑物图像，得到所述标注建筑图像训练集合。
[0105]
本发明实施例中，所述预设的标注工具可以为labelimg、labelme及image label tool等。所述预设的标注标签可以为建筑物损伤标签，包括：轻微损坏、轻度损坏、中度损坏、严重损坏及极度严重损坏。
[0106]
步骤二、对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合。
[0107]
本发明实施例中，所述数据增广主要用于增加训练数据集的数据量，让数据集尽可能的多样化，使得训练的模型具有更强的泛化能力，所述数据增广包括：图像水平翻转、缩放和平移操作等。
[0108]
具体地，所述对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合，包括：
[0109]
依次选取所述标注建筑图像训练集合中的图像作为目标图像；
[0110]
对所述目标图像进行图像翻转、图像缩放及图像平移处理，得到多个增广图像；
[0111]
汇总所有的目标图像及所述目标图像对应的多个增广图像，得到所述标准建筑图像训练集合。
[0112]
本发明实施例中，由于遥感影像数据资源和标注数量有限，通过数据增广来扩充训练数据，例如，采用的数据增广方法包括：图像水平翻转、缩放和平移操作等，对每一张图像进行数据增广操作，可将训练数据量扩充3倍。
[0113]
详细地，所述对所述目标图像进行图像翻转、图像缩放及图像平移处理，得到多个增广图像，包括：
[0114]
根据所述目标图像中的建筑物标注框选取关键点；
[0115]
基于所述关键点及预设的翻转角度、预设的缩放比例及预设的平移距离对所述目标图像进行翻转、缩放及平移，得到所述多个增广图像。
[0116]
本发明实施例中，所述关键点可以选取标注框中的任一点，包括：定点及中心点等。例如，选取标注框的中心点作为关键点进行翻转、缩放及平移。
[0117]
步骤三、利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型。
[0118]
本发明实施例中，所述预构建的卷积神经网络可以为u-net卷积神经网络，所述u-net卷积神经网络由左半边的压缩路径(contracting path)和右半边的扩展路径(expansive path)共同组成字母u的形状，是一种编码解码形式的神经网络，其中，压缩路径用于压缩编码，扩展路径用于进行解码，最后接入一个softmax层进行分类预测。
[0119]
详细地，所述利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型，包括：
[0120]
对所述标准建筑图像训练集合进行分批处理，得到多个分批图像集合；
[0121]
利用所述卷积神经网络对所述多个分批图像集合中图像进行预测分类，得到预测标签；
[0122]
基于所述预测标签及所述标注标签得到所述卷积神经网络的损失值，基于所述损失值更新所述卷积神经网络的各层参数，直至所述损失值满足预设的损失条件时，停止训练，得到所述建筑损毁预测模型。
[0123]
本发明实施例中，通过对所述标准建筑图像训练集合进行分批处理，得到多个分批图像集合，可以提高模型训练效率。并且在训练中采用批标准化(bn)操作，每一批输入的训练小样本影像数位为32，学习率设置为0.0001，损失函数采用交叉熵损失函数，采用随机梯度下降(sgd)算法来最小化损失函数，在训练过程中，若损失函数的值下降到设定的数值或逐渐收敛到稳定状态，则停止训练。
[0124]
本发明一可选实施例中，所述基于所述预测标签及所述标注标签得到所述卷积神经网络的损失值，包括：
[0125]
利用下述交叉熵损失函数计算所述损失值：
[0126][0127]
其中，n为分批图像集合中的图像数量，m为预设类别数量，y
ic
为符号函数(0或1)，如果第i张图像的预测标签等于标注标签则为1，不等于则为0，p
ic
为第i张图像预测为c类别的概率。
[0128]
具体地，所述利用所述卷积神经网络对所述多个分批图像集合中图像进行预测分类，得到预测标签，包括：
[0129]
利用所述卷积神经网络中的压缩路径对所述多个分批图像集合中的图像进行降采样处理，得到压缩图像集合；
[0130]
利用所述卷积神经网络中的扩展路径对所述压缩图像集合中的图像进行反卷积处理，得到反卷积图像集合；
[0131]
对所述压缩图像集合及所述反卷积图像集合进行图像拼接，并对拼接后的图像集合进行特征提取，得到特征图像集合；
[0132]
利用所述卷积神经网络中的分类层输出所述特征图像集合中图像的预测标签及预测标签对应的预测概率。
[0133]
本发明实施例中，所述压缩路径由4个block组成，每个block使用了3个有效卷积和1个max pooling降采样，每次降采样之后feature map的个数乘2，例如，输入572*572的图像，降采样之后得到32*32的图像。所述扩展路径(expansive path)，同样由4个block组成，每个block开始之前通过反卷积将feature map的尺寸乘2，同时将其个数减半，然后和左侧对称的压缩路径的feature map合并，由于左侧压缩路径和右侧扩展路径的feature map的尺寸不一样，u-net是通过将压缩路径的feature map裁剪到和扩展路径相同尺寸的feature map进行归一化拼接。最后通过softmax层输出预测概率及预测标签。
[0134]
步骤四、利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果。
[0135]
本发明实施例中，所述待检测图像可以为用户输入的建筑物图像，例如，灾后建筑物的卫星遥感影像。
[0136]
详细地，所述利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果，包括：
[0137]
根据所述待检测图像中的待检测建筑物构建建筑物轮廓矢量数据；
[0138]
将所述待检测图像与所述建筑物轮廓矢量数据进行叠加，得到建筑物影像块；
[0139]
利用所述建筑损毁预测模型输出所述建筑物影像块的损毁预测结果。
[0140]
本发明实施例中，所述建筑物轮廓矢量数据会记录对应建筑的高度值或楼层数，通过将待检测图像与所述建筑物轮廓矢量数据进行叠加，可以得到表示建筑物区域内的影像块，将该影像块输入到已训练好的模型中，得到建筑物损毁的程度评级。本发明一可选实施例中，可通过locaspace viewer(lsv)构建建筑物轮廓矢量数据。
[0141]
本发明采用全球多个地区灾害事件的高质量卫星影像作为训练数据，通过该训练数据可以生成可靠性更强、适用性更广泛的模型，采用u-net卷积神经网络来进行建筑物灾损评估，使得建筑物灾损评估更客观、准确率高，当灾害发生后保险业务员只需获取灾害发生后的遥感影像，将其输入到模型中即可得到建筑物的损毁结果，无需进行现场勘察，大大节省人力，提高了建筑物损毁预测的效率。
[0142]
本发明通过对原始建筑图像训练集合中的图像进行数据标注处理及数据增广处理，可以得到大量有标注的训练数据，可以提高模型训练的效率，增强模型的泛化能力。并且，通过标准建筑图像训练集合训练得到的建筑损毁预测模型，可以直接得到损毁预测结果，无需进行现场勘察，提高了建筑物损毁情况预测的效率。因此本发明提出的建筑物损毁预测装置，可以解决建筑物损毁情况预测效率较低的问题。
[0143]
如图3所示，是本发明一实施例提供的实现建筑物损毁预测方法的电子设备的结构示意图。
[0144]
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如建筑物损毁预测程序。
[0145]
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如建筑物损毁预测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0146]
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如建筑物损毁预测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0147]
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口
等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0148]
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0149]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0150]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0151]
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
[0152]
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0153]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0154]
所述电子设备中的所述存储器11存储的建筑物损毁预测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0155]
获取原始建筑图像训练集合，对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合；
[0156]
对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合；
[0157]
利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型；
[0158]
利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果。
[0159]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关
步骤的描述，在此不赘述。
[0160]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0161]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0162]
获取原始建筑图像训练集合，对所述原始建筑图像训练集合中的图像进行数据标注处理，得到标注建筑图像训练集合；
[0163]
对所述标注建筑图像训练集合中的图像进行数据增广处理，得到标准建筑图像训练集合；
[0164]
利用所述标准建筑图像训练集合训练预构建的卷积神经网络，得到建筑损毁预测模型；
[0165]
利用所述建筑损毁预测模型对待检测图像进行预测，得到损毁预测结果。
[0166]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0167]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0168]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0169]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0170]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0171]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0172]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0173]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0174]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0175]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。