研究背景
为了对自然灾害发生后的快速响应与救援提供有力支持，针对建筑物遥感图像的损伤分类中出现的评估精度与效率不足的问题，提出一种基于两阶段卷积神经网络(BDDNET)的建筑物损伤评估模型。
核心问题
传统评估精度效率不足与类别不平衡
创新方案
BDDNET两阶段损伤评估模型
核心指标
92.25%
建筑物提取F1
76.55%
损伤分类F1
86.2%
建筑提取IoU
传统建筑损伤评估方法局限性
耗时低效
现场检查方式
依赖专家现场检查
检查过程耗时低效
无法快速响应救援需求
安全风险
次生灾害威胁
次生灾害安全隐患
人员安全无法保障
危险区域难以接近
精度受限
视觉信息依赖
过度依赖视觉信息
视线受阻影响观测
评估准确性不稳定
BDDNET两阶段模型架构
第一阶段：建筑物提取
灾前影像处理
以灾前遥感图像作为输入，采用高精度语义分割网络提取建筑物位置信息
SE注意力机制
集成通道注意力模块(SE)，提升建筑物边界提取精度
建筑物掩码生成
生成精确的建筑物掩码，准确区分建筑物与背景区域
性能指标
F1: 92.25%
IoU: 86.2%
第二阶段：损伤分类
双时相融合
结合灾前灾后影像，通过对比分析识别建筑物损伤程度
多模块协同
集成SE、CBAM和ASPP模块，处理复杂背景与多尺度损伤区域
四级损伤分类
无损伤、轻微、重大、完全毁坏四个等级的精细化损伤评估
性能指标
F1: 76.55%
IoU: 64.15%
四大核心技术模块
U-Net++基础
采用经典U-Net++架构，通过编码器-解码器结构和跳跃连接增强空间特征
SE注意力
Squeeze-and-Excitation通道注意力模块，自适应调整特征通道权重
CBAM模块
卷积块注意力模块，结合通道和空间注意力机制，增强特征表达能力
ASPP模块
空洞空间金字塔池化，捕获多尺度上下文信息，处理不同尺度的损伤区域
五大技术创新点
两阶段架构设计
分阶段处理策略
第一阶段：建筑物精确提取
第二阶段：损伤等级分类
阶段间信息有效传递
精度逐步提升
通过分阶段处理，确保建筑物定位精度为损伤分类提供可靠基础
多模块协同优化
注意力机制融合
SE通道注意力增强
CBAM空间通道双重注意
ASPP多尺度特征提取
协同增效
多个模块协同作用，显著提升复杂场景下的特征提取能力
数据增强策略
CutMix技术
解决类别不平衡问题
提升模型泛化能力
增强模型鲁棒性
样本均衡
有效平衡不同损伤等级的样本分布，提升整体检测精度
实验结果与性能评估
模型性能表现
建筑物提取任务
优异表现
F1分数: 92.25%
IoU值: 86.2%
显著优于主流模型
损伤分类任务
精度提升
F1分数: 76.55%
IoU值: 64.15%
四级损伤分类精确
消融实验验证
模块有效
各添加模块均对性能提升有显著贡献
对比基准模型
基准模型对比
优于U-Net++基础模型
超越FCN分割网络
胜过DeepLabv3模型
xBD数据集验证
在大规模双时相遥感卫星图像数据集上验证方法可行性
实用性评估
高精度
高效率
强鲁棒
易部署
损伤等级分类体系
无损伤
结构完整无破坏
轻微损伤
局部轻微破坏
重大损伤
结构严重受损
完全毁坏
建筑物完全倒塌
实际应用价值
应急救援
快速评估灾后建筑损伤，为应急救援提供科学决策支持，提高救援效率
损失评估
精确量化建筑物损伤程度，为保险理赔和灾后重建规划提供数据基础
安全监测
远程安全评估，避免人员进入危险区域，保障救援人员生命安全