Page 76 - 《武汉大学学报（信息科学版）》2025年第6期

1098 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

3 结 语 ［5］ FANG X， LUO H， TANG J. Structural Damage
Detection Using Neural Network with Learning Rate
本文研究了地面/低空高点多视角影像的损 Improvement［J］. Computers & Structures， 2005， 83
毁建筑信息提取，并提出了一种多视场几何先验 （25/26）： 2150-2161.
［6］ KERLE N， NEX F， DUARTE D， et al. UAV-
约 束 的 多 视 角 场 景 下 的 损 毁 建 筑 物 检 测 方 法 。
Based Structural Damage Mapping – Results from
利用长距离高点监测摄像机、无人机、网络搜集
6 Years of Research in Two European Projects［J］.
以及图像生成等方式构建多视角场景（损毁）建
The International Archives of the Photogrammetry，
筑物实例分割数据集；设计了一种结合阶段感知
Remote Sensing and Spatial Information Sciences，
特征增强和细粒度特征对齐的跨视角域建筑特 2019， XLII-3/W8： 187-194.
征同步模型，解决多视角场景下建筑物特征差异 ［7］ FUJITA A， SAKURADA K， IMAIZUMI T， et
的问题；设计了一种基于 Canny 边缘检测和熵混 al. Damage Detection from Aerial Images via Convo‑

乱程度的实例分割模型，提取高点影像下损毁/ lutional Neural Networks［C］//The 15th IAPR In‑
正常建筑物目标框坐标和像素信息；设计了一种 ternational Conference on Machine Vision Applica‑
基于垂直/水平视场切割的几何约束的空间映射 tions （MVA）， Nagoya， Japan， 2017.
［8］ VOLPI M ， TUIA D. Dense Semantic Labeling
方法，将建筑检测信息映射到地理空间场景中。
of Subdecimeter Resolution Images with Convolu‑
与 Mask R-CNN、Swin-Mask R-CNN、SCNet 和
tional Neural Networks［J］. IEEE Transactions
Mask2Former 方法相比，本文方法对于不同视角
on Geoscience and Remote Sensing ， 2017 ， 55
下的建筑及损毁建筑检测效果更好，边界框平均
（2）： 881-893.
精 度 均 值 bbox_mAP 和 像 素 平 均 精 度 均 值 ［9］ DUARTE D ， NEX F ， KERLE N ， et al. Multi-
seg_mAP 分别达到了 50.33% 和 46.69%，在预测 resolution Feature Fusion for Image Classification of
边 界 框 与 真 实 边 界 框 的 交 并 比 阈 值 为 50% 时 ， Building Damages with Convolutional Neural Net‑
bbox_mAP50 和 seg_mAP50 分别达到 83.10% 和 works［J］. Remote Sensing， 2018， 10： 1636.
81.91%。本文方法不仅能有效提升高点多视角 ［10］ MA H J， LIU Y L， REN Y H， et al. Improved
影像下的损毁建筑检测效果，而且能够精准与三 CNN Classification Method for Groups of Buildings
Damaged by Earthquake， Based on High Resolution
维地理场景进行几何映射，获取检测损毁建筑的
Remote Sensing Images ［J］. Remote Sensing，
真实地理位置，为灾害现场应急救援指挥提供技
2020， 12（2）： 260.
术支持。
［11］ 陈博， 宋闯， 陈毅， 等 . 2023 年甘肃积石山 Ms 6. 2
地震同震滑坡和建筑物损毁情况应急识别与影响
参 考 文 献
因素研究［J］. 武汉大学学报（信息科学版）， 2025，
［1］ RUPNIK E， NEX F， TOSCHI I， et al. Contextual 50（2）： 322-332.
Classification Using Photometry and Elevation Data CHEN Bo ， SONG Chuang ， CHEN Yi， et al.
for Damage Detection After an Earthquake Event Emergency Identification and Influencing Factor
［J］. European Journal of Remote Sensing， 2018， 51 Analysis of Coseismic Landslides and Building
（1）： 543-557. Damages Induced by the 2023 Ms 6. 2 Jishishan
［2］ DUBOIS D ， LEPAGE R. Fast and Efficient （Gansu， China） Earthquake［J］. Geomatics and In‑
Evaluation of Building Damage from very High Reso‑ formation Science of Wuhan University， 2025， 50
lution Optical Satellite Images［J］. IEEE Journal of （2）： 322-332.
Selected Topics in Applied Earth Observations and ［12］ KERLE N ， HOFFMAN R R. Collaborative
Remote Sensing， 2014， 7（10）： 4167-4176. Damage Mapping for Emergency Response： The
［3］ LU C H， NI C F， CHANG C P， et al. Coherence Dif‑ Role of Cognitive Systems Engineering［J］. Natural
ference Analysis of Sentinel-1 SAR Interferogram to Hazards and Earth System Sciences， 2013， 13（1）：
Identify Earthquake-Induced Disasters in Urban Areas 97-113.
［J］. Remote Sensing， 2018， 10（8）： 1318. ［13］ KERLE N. Satellite-Based Damage Mapping Fol‑
［4］ WU X， GHABOUSSI J， GARRETT J H. Use of lowing the 2006 Indonesia Earthquake—How Accu‑
Neural Networks in Detection of Structural Damage rate Was It？［J］. International Journal of Applied
［J］. Computers & Structures， 1992， 42 （4） ： Earth Observation and Geoinformation， 2010， 12
649-659. （6）： 466-476.