基于深度卷积神经网络和迁移学习的农村房屋洪涝灾害后受损等级分类

Classification of Damaged Grade on Rural Houses after Flood Disaster Based on Deep Convolutional Neural Network and Transfer Learning

摘要

洪涝灾害对房屋等建筑物会造成巨大损害，灾后房屋破坏等级鉴定对保障人民生命安全至关重要，而传统的人工鉴定方法，消耗较多的人力、财力及时间等资源.为此，基于河南郑州“7·20”特大暴雨引发的农村房屋破坏数据，采用深度卷积神经网络（CNN）理论，得到灾后房屋危险等级智能分类模型.首先采用AlexNet、VGGNet、GoogleNet和ResNet四种经典的深度CNN架构，对数据集进行训练、验证和测试，得到4种灾后房屋危险等级智能分类模型，然后结合迁移学习方法训练CNN提高模型的泛化能力，并选择效果较优的ResNet-50为分类主模型，最后分析CNN架构中超参数的影响.结果表明：ResNet-50在学习率为0.000 5，epoch为50，batch_size为16时网络训练结果最优，其测试集的预测准确率达到了95.5%；此外，房屋危险等级特征的可视化分析明确了模型分类的机理及准确性.试验表明基于迁移学习的识别模型准确率较高，为农村房屋洪涝灾害后受损等级分类模型提供参考.

关键词

洪涝灾害 / 卷积神经网络 / 迁移学习 / 房屋危险等级 / 河南郑州“7·20”特大暴雨 / 工程地质

Key words

flood disaster / convolutional neural network / transfer learning / house damage grade / Henan Zhengzhou “7.20” heavy rainstorm / engineering geology

0 引言

洪涝、台风和地震等自然灾害对房屋造成不同程度的损坏，产生巨大的经济损失和社会影响，减少次生灾害及灾后建筑物修复工作，是灾后重建的工作之一（张建云等，2016）.我国农村地区是灾害的易发频发地区，也是防灾减灾救灾相对薄弱的地区，我国80%以上因灾害引起的人员伤亡和经济损失都来自农村地区，洪涝灾害中洪水对房屋的直接冲击和对地基土的冲刷都直接造成建筑物的损害，以及洪水长期浸泡对建筑物地基及基础都造成损害（孔锋，2020； 谌舟颖和孔锋，2022）.因此，对于灾后受损房屋鉴定分类的方法和技术是研究热点.邻近危险等级的受损房屋的特征差别较小，特征区别困难，传统的方法是通过专业技术人员现场勘察，观测房屋受损特征，综合各个特征确定受损房屋等级，鉴定工作耗时长，且效率低，不同人员鉴定的结果也不一致.

房屋危险等级鉴定时，房屋裂缝是鉴定的主要特征，对于裂缝检测方向，有通过设置全局或局部阈值来发现裂缝，此方法叫做阈值算法，但此算法有局限性，对于照明比较复杂的图像检测有一定的限制（Cheng et al.，2003； Oliveiraand Correia， 2009）.Kirschke and Velinsky （1992）、Huang and Xu （2006）和 Ying and Salari（2010）提出基于分割的方法对小块进行分析，但是无法准确表示裂缝宽度.Ayenu-PrahandAttoh-Okine（2008）、Santhi et al. （2012）和Nisanthand Mathew （2014）利用边缘检测器检测路面裂缝的边缘，但是用此方法无法完整地检测裂缝的轮廓.三维（3D）激光成像技术以及3D阴影建模等技术用于对路面裂缝以及各种下降图像进行检测，该算法无法在各种条件下对多样化路面显示较高的精度（Wang， 2011； Jahanshahi et al.，2013； Ouyang and Xu， 2013； Zhang et al.， 2017a， 2017b），上述研究对于裂缝检测取得较好的成果，但是难以实现在大量的多样化数据里达到较高的精确度.

近年来，基于CNN的深度学习模型作为一类强度大的图像识别和分类模型被广泛应用于土木领域的各种问题，如裂缝识别、结构破坏形式以及破坏类型等（Süzen and Alkan Çakiroğlu， 2020； 刘汉龙等，2022； 仉文岗等，2021a，2021b，2023）.Cha et al. （2017）利用CNN算法提出混凝土和钢表面裂缝检测模型，检测的准确率达到97%.Gao and Mosalam （2018）基于CNN和ImageNet数据集，提出用于检测地震灾害对墙、柱和梁造成的裂缝和损伤的模型，分类准确率达到了90%.Zhangand Wang （2017）提出一种用于检测路面裂缝的CNN模型，名为CrackNet，同时与传统的机器学习方法进行比较，结果表明研发的模型有着更好的结果.CNN的应用不仅在建筑和道路工程裂缝检测中，同时也应用在隧道工程和其他领域内（Li et al.， 2021；丰超等，2022；黄发明等，2022a，2022b；姚敏等，2023），Makantasis et al. （2015）应用CNN建立了隧道裂缝检测模型并采用混淆矩阵对其泛化性能进行评估，最终CNN模型准确率达到88%，相对于传统的神经网络准确率明显提高.Chen et al. （2021）基于CNN自动检测隧道工作面的进水信息，平均准确率为93.01%.以上研究表明，CNN在土木工程领域对于解决目标特征检测和图像分类问题具有良好的可行性.

因此，本文基于CNN提出一种洪涝灾害后农村房屋受损危险等级分类智能预测模型.依托郑州7.20洪涝灾害后收集的灾后房屋图像建立数据集，通过迁移学习探索和评估AlexNet、VGGNet、GoogLeNet和ResNet不同的CNN模型，获得精确度最好的分类模型，并研究学习率、Epoch和Batch_size对分类精度的影响.本研究可应用于灾后房屋分类，快速提高洪涝灾害房屋危险等级分类的效率，节约大量时间和人力资源.

1 数据图像

1.1　数据库来源

河南郑州“7.20”特大暴雨引发的洪涝灾害共造成河南省150个县（市、区）1 478.6万人受灾，因灾死亡失踪398人，其中郑州市380人、占全省95.5%.直接经济损失1 200.6亿元，其中郑州市409亿元、占全省34.1%（本刊记者，2022）.图1为郑州、新乡及鹤壁的特大暴雨天气造成城市积水无法及时排出形成城市内涝，且导致贾鲁河、卫河、共产主义渠及淇河等多条河流水位迅速增长，多处地段决堤，为保证下游城市安全，河流流域的农村地区作为泄洪区进行泄洪.村镇住宅成为泄洪的重要承灾体，洪涝灾害对房屋产生较大的破坏.本文共收集2 666张灾后开封尉氏县农村受损房屋图片数据，且图片已被灾后房屋鉴定技术专家团队赋予危险等级的标签.由于不同地区的水文特征以及房屋特征有一定的区别，且大量的图片数据获取较为困难，为此未采用郑州以外的相关数据.

1.2　图像采集与处理

受损房屋图像在光亮充足的环境下采集，使用型号为富士X-S10的数码单反相机拍摄，拍摄时分为室内和室外，图像有整个房屋的正视图（一点透视图）和侧视图（两点透视图），图像中要包含房屋损伤的地方.受损房屋图像共采集到有用图像2 666张，尺寸为3 024×4 032像素.受损房屋图像数据集样例如图2所示.

在本实验中，将2 666张不同地点的原始灾后房屋图像中用a、b、c和d标注4种不同的危险等级.根据《农村住房危险性鉴定标准》JGJ/T363-2014，4种等级的总体特征如下：

a级：没有损坏，基本完好；b级：轻微破损，轻度危险， 但不影响继续使用；c级：中度破损，中度危险， 应及时修缮加固后可继续使用；d级：严重破损，严重危险， 应立即停止使用并重建.

由于原始图像尺寸大小各不相同，因此通过Python编程对原始图像进行剪裁、拉伸和伸缩处理，将原始图像尺寸统一变为224×224（227×227）.灾后房屋数据样本中各类分布不均匀且总样本数量较少，而郑州特大暴雨事件以外的洪涝灾害下房屋破损图像数据收集较困难，并且通过数据增强的方法可以解决数据样本过少.数据库样本过少会导致训练结果容易出现过拟合现象，通常用数据增强的方法解决模型过拟合现象，数据增强方法一般有旋转、翻转、剪裁和平移等（Thenmozhi and Reddy，2019）.如图3所示，以剪裁后的原图像为例，采用水平翻转、图像亮度和对比度的调整（刘斌等，2022），将数据库扩充至5 624张.

2 基于CNN的灾后房屋受损危险等级分类方法

深度CNN是机器学习中最流行的模型之一，第一个CNN网络是由Le Cun et al. （1989）提出的，用于LeNet的研究中，该算法在分类、检测和识别应用中广泛使用，深度CNN通常由一个或多个卷积层、激活层、池化层和全连接层构成（Zeiler and Fergus，2014）.卷积层主要作用是提取房屋图像中的特征，激活层的作用是增加卷积输出的非线性，通常选用Relu函数作为激活函数，激活层之后连接池化层，池化层的主要作用是减少特征图的维数，参数的数量和上层空间的大小，防止训练模型出现过拟合现象，一般有平均池化和最大池化，最后一层是全连接层，也称为输出层，通常使用Softmax激活函数从房屋图像中获取高级特征，并将它们实现多分类任务.

目前，许多CNN架构如AlexNet、VGGNet、GoogLeNet和ResNet已经在各个领域的图像识别分类中取得了较好的准确率和鲁棒性.本文采用了上述4种经典CNN架构，对ResNet-50全连接层进行调整，通过迁移学习训练出受损房屋危险等级分类模型.AlexNet、VGGNet和GoogLeNet的详细结构可以在参考文献（Krizhevsky et al.，2012；Simonyan and Zisserman，2014；Szegedy et al.， 2015）中查阅.本文只对调整后的ResNet-50架构进行详细介绍.

2.1　ResNet网络结构

ResNet由微软实验室提出（He et al.，2016），即深度残差网络，ResNet-50是其中之一，ResNet-50是由一个具有64个7×7步长为2的卷积核，一个3×3步长为2的最大池化层，16个残差结构模块，一个平均池化层和一个全连接层组成，最后连接softmax输出层（如图4b所示）.随着网络层数逐渐增加，梯度反向传播时多次重复的乘以小于1的数，导致使梯度无限小，此时梯度将会消失，而ResNet通过残差连接的技术解决了这一问题.残差结构模块具有与正常卷积层平行的跳过连接，跳过连接在几个权重层后将输入x添加到输出（如图4a所示），这些跳过连接使得模型在训练时可以跳过无用的层，使得网络结构层数可以一直增加，通常，输出H（x）可以定义为：

H（x）=F（x）+x，（1）

其中 F \left(x\right)代表堆叠的非线性权重层， x代表输入上一层的特征权重， H \left(x\right)代表输出结果.

2.2　改进ResNet-50网络结构

原始的ResNet-50网络softmax层的分类个数为1 000，网络最后通过2个全连接层增加网络分类性能，结构为［4 096， 1 000］，第一个全连接层的输入来自前一层的池化层，共有2 048个神经元，因此第一个全连接层训练需要2 048× 4 096+4 096=8 392 704个参数，第二个全连接层需要4 096×1 000+1 000=409 700个参数.本文的灾后受损房屋危险等级分类为四分类任务，原始的ResNet-50网络全连接层参数过多，并不能提高模型的准确率.因此，本文对ResNet-50网络全连接层进行改进，改进后的ResNet-50网络结构如图4c所示，将原始结构［4 096， 1 000］改为［1 024， 2564］三层全连接结构，得到改进后的ResNet-50网络的全连接层参数分别为 2 098 176、262 400和1 028.改进后的ResNet-50网络的全连接层为2 361 604，相较于原始ResNet-50网络的全连接层参数量8 802 404，减少了73%.

2.3　房屋破损等级分类模型训练

将灾后房屋数据集分为3类，即训练集、验证集和测试集.训练集用于模型拟合的数据样本，在训练过程中对训练误差进行梯度下降，更新权重参数.验证集是模型训练过程中单独的样本集，用于调整模型的超参数和对模型泛化能力的初步评估.测试集中的灾后受损图片并没有被赋予标签类别，用于评估最终模型的泛化能力.其中训练集、验证集和测试集按照8∶1∶1的比例分配，训练集和测试集比例通常为80%和20%（Süzen andAlkan Çakiroğlu， 2020），本文通过8∶1∶1、7∶2∶1和6∶2∶2三种比例进行测试比较，测试结果显示当比例为8∶1∶1时准确率较高.然后基于上述4种CNN架构，通过Python编程和计算机计算，获得房屋破损等级分类模型.4种算法获取的分类模型以及模型的调用方法见附件.房屋破损等级分类模型的训练及获取过程如图5所示.

2.4　CNN架构参数设置及训练过程

本文所使用的CNN模型使用SGD优化器进行训练，学习率分别为0.000 1、0.000 2、0.000 3、0.000 4、0.000 5、0.000 6和0.001 0，学习率定义了CNN模型的学习进度并更新权重参数以减少网络的损失率.Epoch设置在50，Batch_size分别为10、16、32、64和128.一个Epoch是整个房屋数据集的完整训练周期，训练房屋数据集的子集称为Batch_size，用于评估梯度下降中的损失函数并更新权重以达到最优的训练结果.房屋破损等级分类模型的训练通过Python代码实现，限于篇幅，以ResNet算法进行模型的训练，训练流程如下：

（1） 导入数据库.

（2） 引入改进后的模型Resnet-50.

（3） 指定训练集和验证集图片地址.

（4） 图片输入为224×224，一次输入16张，循环50次，类别为4类.

（5） 设置预训练模型参数，预训练模型参数处理方式为官方默认值.

（6） 使用数据增强生成器对图像进行随机打乱.

（7） 获得分类指标，将分类标签写入 json 文件.

（8） 使用官方的Resnet-50的权重参数进行迁移学习.

（9） 指定Resnet-50的权重参数的路径.

（10） 冻结所有feature模型的参数，在feature模型后添加两个全连接层.

（11） 使用keras low level api 进行训练.

（12） 打印训练集和验证集训练的过程以及结果.

（13） 保存最好的权重.

（14） 编写调用权重模型程序.

2.5　模型评估

在预测分析中，如果数据集中有两个以上的分类或者数据集样本分布不平衡，那么仅用真实预测的分类准确性不是非常可靠，而采用混淆矩阵（Confusion Matrix）（Kohavi andProvost，1998）可以提供更好的办法评估预测结果，混淆矩阵是评判模型结果的指标，属于模型评估的一部分， 多用于判断分类器（Classifier）的优劣，适用于分类型的数据模型.混淆矩阵包括4个基础指标，真实值是positive，模型认为是positive的数量（True Positive=TP）；真实值是positive，模型认为是negative的数量（False Negative=FN）；真实值是negative，模型认为是positive的数量（False Positive=FP）；真实值是negative，模型认为是negative的数量（True Negative=TN）.4个基础指标的关系通过公式（2）~公式（4）获得.

\mathrm{A} \mathrm{c} \mathrm{c} \mathrm{u} \mathrm{r} \mathrm{a} \mathrm{c} \mathrm{y} = \frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}} , ( \mathrm{2} )

\mathrm{P} \mathrm{r} \mathrm{e} \mathrm{c} \mathrm{i} \mathrm{s} \mathrm{i} \mathrm{o} \mathrm{n} = \frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}} , ( \mathrm{3} )

\mathrm{R} \mathrm{e} \mathrm{c} \mathrm{a} \mathrm{l} \mathrm{l} = \frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}} . ( \mathrm{4} )

3 分类预测结果与分析

3.1　超参数对模型的影响

模型中超参数对于训练得到的分类模型准确度具有较大影响，因此分析超参数的变化对分类模型的影响十分必要，本文对学习率（Learning rate）、批次大小（Batch_size）和迭代次数（Epoch）等3个超参数进行分析，并选取最优组合.

3.1.1　学习率影响

学习率（Learning rate）是更新模型权重和影响CNN模型训练效率的一个重要的超参数，设置较小和较大都会使模型训练达不到最优的结果.较小的学习率容易造成损失函数降低比较慢，导致模型收敛的速度较慢，而较大的学习率则会造成损失函数每次下降的步数较大.虽然收敛的速度快，但是容易出现模型不稳定，来回震荡无法以最优的结果收敛.对于灾后房屋危险等级分类问题，需要选择最优的学习率来最小化损失函数.本文以0.000 1、0.000 2、0.000 3、0.000 4、0.000 5、0.000 6和0.001的学习率训练模型，在Batch_size大小为16， Epoch为50时，在不同学习率的情况下，4种算法训练得到的分类模型准确率如图6所示，当学习率设置为0.000 5时，模型训练的准确率最高.

3.1.2　批次大小影响

批次大小（Batch_size）表示单次模型训练输入图像的个数，是影响模型分类精度的一个重要参数.较大的Batch_size会导致模型训练的运行速度慢，需要较长的时间并且对内存要求较高.因此，需要选择合适的Batch_size来提高模型训练的效率和准确率.学习率和迭代次数分别设置为0.000 5和50，Batch_size会因为数据集的大小而改变，本文将Batch_size分别设置为10、16、32、64和128对分类模型预测结果进行对比分析.预测结果如图7所示，结果表明：Batch_size的大小从10增加到16，模型准确率最高，而随着Batch_size继续增大，模型的准确度逐渐下降.因此选择16的Batch_size是模型精度最优的设置，同时也表明过多的增大Batch_size并不能提高分类模型的准确率.

3.1.3　迭代次数影响

迭代次数（Epoch）是由模型训练的精度决定的，分类模型训练时，学习率和Batch_size分别设置为0.000 5和16，对数据集训练达到50个迭代.从图8中可以看出，训练精度在早期1到30时迅速增加，从30到40时期增加十分缓慢，在40到50期间，随着Epoch的增加训练的精度保持稳定不变.因此，针对我们的数据集，迭代数的最佳设置值为50.很明显，迭代数的增加会增加模型训练的精度，但到一定程度时，模型的准确率趋于稳定.

4种分类预测模型通过结合迁移学习进行训练，学习不同房屋危险类别中重要的特征，采用迁移学习的预训练模型都设置相同的超参数选项进行训练.通过超参数对CNN模型分类预测准确率的分析得知：AlexNet 、GoogLeNet、VGGNet 和ResNet网络的相关超参数设置为Learning rate = 0.000 5，Epoch = 50，Batch_size = 16时最优.

3.2　预测结果

基于4种CNN算法通过超参数的优化，结合迁移学习，获得4种房屋危险等级分类模型.使用python代码调用获得的分类模型对测试集图像进行分类，分类预测结果如图9所示.

图像坐标轴的数据为图片尺寸，图片下侧数据为分类模型对该房屋危险等级被分为a、 b、 c、 d四个等级的概率，（第一张图片）class： a prob：1.0，class： b prob：0.000 3，class： c prob：5e-07，class： d prob：6.26e-08，即该房屋危险等级为a类房屋的概率为1，即100%，房屋危险等级为b、 c、 d的概率非常小.概率最大的类别为最终图片的分类概率，如图中的红色所示.第二张图片计算结果表明：该房屋的危险等级为a的概率0.097 4，b的概率为0.911，概率最大，因此该房屋危险等级最终判定为b， 而c， d的概率非常小.第3张图片计算结果表明，第三个房屋危险等级为a类的概率为8.99e-5， 危险等级为b类的概率为0.242， 危险等级为c的概率为0.755，危险等级为d 的概率为0.002 67，因此最终判定为c类.第4张图片计算结果表明， 房屋危险等级为a、 b、 c类的概率非常小， d类的概率为1.0，即100%.

3.3　不同模型对比结果

四种分类模型对测试集的预测结果如图10混淆矩阵所示.图中左轴是代表预测标签，下轴表示真实标签，对角线格子中的数字表示预测标签和真实标签相同的数量.4种分类模型的预测结果，ResNet训练获得分类模型预测准确率最高，从4类模型的分类结果可知，a级、c级和d级危险等级房屋判别准确率较高，而b 级房屋危险等级判别准确率低于其他3类.造成b级房屋预测效果相对较差的原因主要有2种情况：一是a级房屋误判为b级；二是c级房屋误判为b级.

（1） a级部分房屋图像中有时也会出现细微的裂缝等破损，而机器学习分类模型则认为这些细微的裂缝和破损为b级的特征，因此将原始为a级的房屋图像误判为b级.

（2） c级部分房屋图像中的破损或者裂缝并没有很严重，这些c级的特征与b级的特征较为接近，从而使机器学习分类模型将这些c级的特征判为b级的特征，因此将原始为c级的房屋图像误判为b级.

混淆矩阵和评价指标均显示了灾后受损房屋危险等级分类的优异性能.Resnet训练的分类模型准确率最高，表1列出了ResNet网络模型测试集的准确率、精确率和召回率，除了b级房屋精确率为88%相对较低，Resnet分类模型对a、b、c和d四个等级的其他指标均在90%以上，3个指标结果表明该预测分类模型分类能力强，准确率非常高.

灾后房屋破损等级分类相对主观，且具有多而复杂的特点，因此分析了不同CNN模型的效果对比，例如AlexNet、GoogLeNet、VGGNet-16、ResNet-50和ResNet-101.首先基于2.2节描述的数据增强后的灾后房屋破损图像数据集和3.3节描述的模型训练流程进行训练，然后再比较上述模型在同样的超参数设置下的结果.本文的测试时长为测试集中一张灾后房屋破损图像识别和分类所需的推理时间，最终结果如表2所示.

分析AlexNet、GoogLeNet、VGGNet-16、ResNet-50、ResNet-101模型试验结果，采用迁移学习方法的CNN模型与未采用迁移学习的模型相比，训练集、验证集和测试集均有较高的提升，验证了迁移学习在本文中应用的有效性.同时，ResNet-50引入了残差网络跳过连接的方法，加深网络深度的同时避免梯度消失和爆炸的问题.随着网络深度一定程度的增加，网络的特征提取能力逐渐变强，但将过于深的网络结构应用于小规模数据集中，并不能提高模型的准确率，不能达到最好的学习能力.优化后的ResNet-50网络，加深网络的同时减少了全连接层过多的参数，加快了网络的推理速度.因此，基于上述试验结果，ResNet-50模型在各个数据集中均达到了最好的效果，且并未出现过拟合和欠拟合现象.

3.4　可视化分析

为了研究卷积神经网络ResNet-50对灾后受损房屋特征的学习能力，本文挑选8张不同等级、不同区域和不同破坏形式的灾后受损房屋图像，利用Grad-CAM方法实现特征可视化热力图（李振波等，2021）.如图11所示，图中高亮区域颜色越亮说明该部分对灾后受损房屋危险等级分类任务的贡献度越高.对于a类房屋图像而言，没有特别明显的破坏特征，图像的高亮区域定位在整个墙面.b类和c类房屋图像的高亮区域集中定位在房屋的裂缝上，b类和c类房屋的区别主要在于裂缝的长度、宽度和数量.d类房屋图像的高亮区域集中在破损和倒塌严重的地方.同时比较了有无迁移学习前后的特征可视化热力图，如图12所示，图中无迁移学习时高亮区域只有特征的小部分，大部分特征都没有被识别，而在卷积神经网络模型加入迁移学习后，图像中的特征能够全部识别.可视化结果表明，卷积神经网络模型可以准确预测灾后受损房屋危险等级并给出学习到的特征.

4 结论

本文依托河南郑州“7.20”特大暴雨引发的洪涝灾害房屋受损图片数据，基于改进ResNet-50网络训练得到房屋危险等级分类模型，并采用优化超参数提高模型的准确率.得到如下结论：

（1）利用迁移学习方法对本文小规模数据集进行灾后受损房屋危险等级分类，同时对网络结构中的超参数进行优化，并与未采用迁移学习的模型进行比较，训练集、验证集和测试集均有超10个百分点的提升，验证了迁移学习在本文数据集中的有效性.

（2）对ResNet-50网络全连接层数量及结构进行优化，解决了ResNet-50网络全连接层参数过多造成计算成本过高的问题，测试时长相对于其他网络均有减少，有效缓解了过拟合现象并提升网络模型的识别准确率及速度.

（3）采用Grad-CAM方法实现特征可视化热力图，结果表明，基于迁移学习的ResNet-50网络能够学习到各个受损房屋危险等级的特征.

本文提出的洪涝灾害后农村房屋危险等级智能分类模型虽然在开封市尉氏县农村房屋鉴定中较传统方法更优，但各地房屋建筑结构多样化，各种结构的破坏形式也不相同，因此，未来研究有必要进行房屋各个组成部分逐步评定，增加不同地区的建筑结构类型，提高灾后房屋危险等级分类的准确性，这也将是下一步研究工作的重点.

参考文献

[1] Ayenu-Prah, A., Attoh-Okine, N., 2008. Evaluating Pavement Cracks with Bidimensional Empirical Mode Decomposition. Eurasip Journal on Advances in Signal Processing, 2008:1-7. https://doi.org/10.1155/2008/861701

[2] Cha, Y. J., Choi, W., Buyukozturk, O., 2017. Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks. Computer-Aided Civil and Infrastructure Engineering, 32: 361-378. https://doi.org/10.1111/mice.12263

[3] Chen, J.Y., Zhou, M.L., Zhang, D.M., et al., 2021. Quantification of Water Inflow in Rock Tunnel Faces via Convolutional Neural Network Approach. Automation in Construction, 123: 103526. https://doi.org/10.1016/j.autcon.2020.103526

[4] Chen, Z. Y., Kong, F., 2022. Study on Fragmentation of Emergency Management during“7·20”Extreme Rainstorm Flood Disaster in Zhengzhou of Henan Province and Relevant Comprehensive Treatment. Water Resources and Hydropower Engineering, 53(8): 1-14 (in Chinese with English abstract).

[5] Cheng, H.D., Shi, X.J., Glazier, C., 2003. Real-Time Image Thresholding Based on Sample Space Reduction and Interpolation Approach. Journal of Computing in Civil Engineering, 17(4): 264-272. https://doi.org/10.1061/(ASCE)0887-3801(2003)17:4(264)

[6] Feng, C., Pan, J.G., Li, C., et al., 2022. Fault High-Resolution Recognition Method Based on Deep Neural Network. Earth Science, 1-15 (in Chinese with English abstract).

[7] Gao, Y., Mosalam, K.M., 2018. Deep Transfer Learning for Image-Based Structural Damage Recognition. Computer-Aided Civil and Infrastructure Engineering, 33(9):748-768. https://doi.org/10.1111/mice.12363

[8] He, K., Zhang, X., Ren, S., et al., 2016. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016: 770-778. https://doi.org/10.1109/CVPR.2016.90

[9] Huang, F. M., Hu, S. Y., Yan, X. Y., et al., 2022a. Landslide Susceptibility Prediction and Identification of Its Main Environmental Factors Based on Machine Learning Models. Bulletin of Geological Science and Technology, 41(2): 79-90 (in Chinese with English abstract).

[10] Huang, F. M., Li, J. F., Wang, J. Y., et al., 2022b. Modelling Rules of Landslide Susceptibility Prediction Considering the Suitability of Linear Environmental Factors and Different Machine Learning Models. Bulletin of Geological Science and Technology, 41(2): 44-59 (in Chinese with English abstract).

[11] Huang, Y.X., Xu, B.G., 2006. Automatic Inspection of Pavement Cracking Distress. Journal of Electronic Imaging, 15(1):1-6. https://doi.org/10.1117/1.2177650

[12] Jahanshahi, M. R., Jazizadeh, F., Masri, S. F., et al., 2013. Unsupervised Approach for Autonomous Pavement-Defect Detection and Quantification Using an Inexpensive Depth Sensor. Journal of Computing in Civil Engineering, 27(6):743-754. https://doi.org/10.1061/(ASCE)CP.1943-5487.0000245

[13] Kirschke, K. R., Velinsky, S. A., 1992. Histogram-Based Approach for Automated Pavement-Crack Sensing. Journal of Transportation Engineering, 118(5): 700-710. https://doi.org/10.1061/(ASCE)0733-947X(1992)118:5(700)

[14] Kohavi, R.,Provost, F., 1998. Confusion Matrix. Machine Learning, 30(2-3): 271-274.

[15] Kong, F., 2020. System and Capacity Building of Disaster Prevention, Mitigation and Relief in Rural China: Significance, Current Situation, Challenges and Countermeasures. Disaster Reduction in China, 21:10-13 (in Chinese).

[16] Krizhevsky, A., Sutskever, I., Hinton, G., 2012. ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM, 60: 84-90. https://doi.org/10.1145/3065386

[17] Le Cun, Y., Jackel, L. D., Boser, B., et al., 1989. Handwritten Digit Recognition: Applications of Neural Network Chips and Automatic Learning. IEEE Communications Magazine, 27(11): 41-46. https://doi.org/10.1109/35.41400

[18] Li, S., Chen, J., Liu, C., et al., 2021. Mineral Prospectivity Prediction via Convolutional Neural Networks Based on Geological Big Data. Journal of Earth Science, 32(2): 327-347. https://doi.org/10.1007/s12583-020-1365-z

[19] Li, Z. B., Li, M., Zhao, Y. Y., et al., 2021. Iced Pomfret Freshness Evaluation Method Based on Improved VGG-19 Convolutional Neural Networks. Transactions of the Chinese Society of Agricultural Engineering, 37(22): 286-294 (in Chinese with English abstract).

[20] Liu, B., Xu, H. W., Li, C. Z., et al., 2022. Apple Leaf Disease Identification Method Based on Snapshot Ensemble CNN. Transactions of the Chinese Society for Agricultural Machinery, 53(6): 286-294 (in Chinese with English abstract).

[21] Liu, H. L., Zhang, R. H., Liu, D. S., et al., 2022. Study on Characteristics of Physical and Mechanical Parameters of Engineering Geology Based on Data Fusion Technique. Journal of Civil and Environmental Engineering, 44(6): 1-11 (in Chinese with English abstract).

[22] Makantasis, K., Protopapadakis, E., Doulamis, A., et al., 2015. Deep Convolutional Neural Networks for Efficient Vision Based Tunnel Inspection. 2015 IEEE International Conference on Intelligent Computer Communication and Processing (ICCP), Cluj-Napoca, 335-342.

[23] Nisanth, A., Mathew, A., 2014. Automated Visual Inspection of Pavement Crack Detection and Characterization. International Journal of Technology and Engineering System, 6(1): 14-20.

[24] Oliveira, H., Correia, P.L., 2009. Automatic Road Crack Segmentation Using Entropy and Image Dynamic Thresholding. 17th European Signal Processing Conference, Glasgow, 622-626.

[25] Our Correspondent, 2022. The "July 20" Rainstorm Disaster in Zhengzhou, Henan Reshaped the Concept of Urban Construction. Chinese Emergency Management, (2) : 6-7 (in Chinese with English abstract).

[26] Ouyang, W., Xu, B., 2013. Pavement Cracking Measurements Using 3D Laser-Scan Images. Measurement Science and Technology, 24(10): 105204. https://doi.org/10.1088/0957-0233/24/10/105204

[27] Santhi, B., Krishnamurthy, G., Siddharth, S., et al., 2012. Automatic Detection of Cracks in Pavements Using Edge Detection Operator. Journal of Theoretical and Applied Information Technology, 36(2): 199-205.

[28] Simonyan, K., Zisserman, A., 2014. Very Deep Convolutional Networks for Large-Scale Image Recognition. Computer Science, 14124313. https://doi.org/10.48550/arXiv.1409.1556

[29] Süzen, A., Alkan Çakiroğlu, M., 2020. Assessment and Application of Deep Learning Algorithms in Civil Engineering. Journal of Science and Engineering, 7(3): 906-922. https://doi.org/10.31202/ECJSE.679113

[30] Szegedy, C., Liu, W., Jia, Y., et al., 2015. Going Deeper with Convolutions. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, 1-9. https://doi.org/10.1109/CVPR.2015.7298594

[31] Thenmozhi, K., Reddy, U. S., 2019. Crop Pest Classification Based on Deep Convolutional Neural Network and Transfer Learning. Computers and Electronics in Agriculture, 164(C): 104906.

[32] Wang, K.C.P., 2011. Elements of Automated Survey of Pavements and a 3D Methodology. Journal of Modern Transportation, 19(1): 51-57. https://doi.org/10.1007/BF03325740

[33] Yao, M., Li, X., Yuan, J.D., et al., 2023. Deep Learning Characterization Method of Rock Mass Conditions based on TBM Rock Breaking Data. Earth Science, 48(5):1908-1922 (in Chinese with English abstract).

[34] Ying, L.,Salari, E., 2010. Beamlet Transform-Based Technique for Pavement Crack Detection and Classification. Computer-Aided Civil and Infrastructure Engineering, 25(8): 572-580. https://doi.org/10.1111/j.1467-8667.2010.00674.x

[35] Zeiler, M. D., Fergus, R., 2014. Visualizing and Understanding Convolutional Networks. In: Proceedings of the European Conference on Computer Vision. Springer, Cham, 818-833. https://doi.org/10.1007/978-3-319-10590-1_53

[36] Zhang, A., Wang, K., Li, B., et al., 2017a. Automated Pixel-Level Pavement Crack Detection on 3D Asphalt Surfaces Using a Deep-Learning Network. Computer-Aided Civil and Infrastructure Engineering, 32(10):805-819. https://doi.org/10.1111/mice.12297

[37] Zhang, A.,Wang, K.C.P., Ai, C.F., 2017b. 3D Shadow Modeling for Detection of Descended Patterns on 3D Pavement Surface. Journal of Computing in Civil Engineering, 31(4):1-13. https://doi.org/10.1061/(ASCE)CP.1943-5487.0000661

[38] Zhang, A.,Wang, K.C.P., 2017. The Fast Prefix Coding Algorithm (FPCA) for 3D Pavement Surface Data Compression. Computer-Aided Civil and Infrastructure Engineering, 32(3):173-190. https://doi.org/10.1111/mice.12243

[39] Zhang, J. Y., Wang, Y. T., He, R. M., et al., 2016. Discussion on the Urban Flood and Waterlogging and Causes Analysis in China. Advances in Water Science, 27(4): 485-491 (in Chinese with English abstract).

[40] Zhang, W.G., He, Y.W., Wang, L.Q., et al., 2023. Machine Learning Solution for Landslide Susceptibility Based on Hydrographic Division: Case Study of Fengjie County in Chongqing. Earth Science, 48(5):2024-2038 (in Chinese with English abstract).

[41] Zhang, W. G., Li, H. R., Wu, C. Z., et al., 2021a. Stability Assessment of Underground Entry-Type Excavations Using Data-Driven RF and KNN Methods. Journal of Hunan University (Natural Sciences), 48(3): 164-172 (in Chinese with English abstract).

[42] Zhang, W. G., Tang, L. B., Chen, F. Y., et al., 2021b. Prediction for TBM Penetration Rate Using Four Hyperparameter Optimization Methods and Random Forest Model. Journal of Basic Science and Engineering, 29(5): 1186-1200 (in Chinese with English abstract).

[43] 本刊记者， 2022. 河南郑州“7·20”特大暴雨灾害重塑城市建设理念 尊重自然 系统谋划 立足当前 着眼长远. 中国应急管理， （2）： 6-7.

[44] 谌舟颖， 孔锋， 2022. 河南郑州“7·20”特大暴雨洪涝灾害应急管理碎片化及综合治理研究. 水利水电技术（中英文）， 53（8）： 1-14.

[45] 丰超， 潘建国， 李闯， 等， 2022. 基于深度神经网络的断层高分辨率识别方法. 地球科学， 1-15.

[46] 黄发明， 胡松雁， 闫学涯， 等， 2022a. 基于机器学习的滑坡易发性预测建模及其主控因子识别. 地质科技通报， 41（2）： 79-90.

[47] 黄发明， 李金凤， 王俊宇， 等， 2022b. 考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律. 地质科技通报， 41（2）： 44-59.

[48] 孔锋， 2020. 我国农村防灾减灾救灾体系和能力建设：意义、现状、挑战和对策. 中国减灾， 21：10-13.

[49] 李振波， 李萌， 赵远洋， 等， 2021. 基于改进VGG-19卷积神经网络的冰鲜鲳鱼新鲜度评估方法. 农业工程学报， 37（22）： 286-294.

[50] 刘斌， 徐皓玮， 李承泽， 等， 2022. 基于快照集成卷积神经网络的苹果叶部病害程度识别. 农业机械学报， 53（6）： 286-294.

[51] 刘汉龙， 章润红， 刘东升， 等， 2022. 基于数据融合的工程地质物理力学参数特征研究. 土木与环境工程学报（中英文）， 44（6）： 1-11.

[52] 姚敏， 李旭， 原继东， 等， 2023. 基于TBM破岩数据的岩体条件深度学习表征方法. 地球科学， 48（5）：1908-1922.

[53] 张建云， 王银堂， 贺瑞敏， 等， 2016. 中国城市洪涝问题及成因分析. 水科学进展， 27（4）： 485-491.

[54] 仉文岗， 何昱苇， 王鲁琦， 等， 2023. 基于水系分区的滑坡易发性机器学习分析方法——以重庆市奉节县为例. 地球科学， 48（5）：2024-2038.

[55] 仉文岗， 李红蕊， 巫崇智， 等， 2021a. 基于RF和KNN的地下采场开挖稳定性评估. 湖南大学学报（自然科学版）， 48（3）： 164-172.

[56] 仉文岗， 唐理斌， 陈福勇， 等， 2021b. 基于4种超参数优化算法及随机森林模型预测TBM掘进速度. 应用基础与工程科学学报， 29（5）： 1186-1200.

基金资助

国家自然科学基金项目(41977238;51978634)

河南省博士后科研项目(202103049)

河南省高等学校重点科研项目(23A440005)