1.一种基于深度学习的灾后房屋危险等级评价方法,其特征在于,包括:获取房屋图像,生成图像数据集;
对所述图像数据集进行预处理,并将预处理后的数据划分为训练集数据和测试集数据;
构建MyNet网络训练模型;
获取基于所述训练集数据对所述MyNet网络训练模型进行训练,得到训练后的MyNet网络训练模型,得到最优权重参数;
将所述测试集数据输入到训练后的MyNet网络训练模型中,输出危险等级概率,以所述危险等级概率最高的等级作为房屋危险等级。
2.根据权利要求1所述的方法,其特征在于,所述MyNet网络训练模型包括训练网络模型、迁移学习模型和检测分类模型;以图像特征提取模型作为所述训练网络模型,包括特征提取模块浅层和特征提取模块深层;
输入数据依次经过特征提取模块浅层、特征提取模块深层、迁移学习模型、检测分类模型后输出图像所属类别的概率值。
3.根据权利要求2所述的方法,其特征在于,所述特征提取模块浅层依次由第一卷积层、第一最大池化层、第二卷积层、第二最大池化层和两个Fused‑MBConv模块构成;所述Fused‑MBConv模块包括第三卷积层和Dropout层。
4.根据权利要求2所述的方法,其特征在于,所述特征提取模块深层由三个MBConv模块组成;输入数据依次经过所述三个MBConv模块后输出特征信息;所述MBConv模块依次由第四卷积层、SE模块、第五卷积层和Dropout层组成。
5.根据权利要求4所述的方法,其特征在于,所述SE模块依次由全局平均池化层、第一全连接层和第二全连接层组成;输入数据依次经过平均池化层、第一全连接层和第二全连接层后输出。
6.根据权利要求2所述的方法,其特征在于,所述迁移学习模型依次由第六卷积层、平均池化层和三个全连接层组成,输入数据依次经过第六卷积层、平均池化层和三个全连接层后输出。
7.根据权利要求2所述的方法,其特征在于,所述检测分类模型包括Softmax层,由所述迁移学习模型输出的数据输入到Softmax层后输出图像所属类别的概率值。
8.一种基于深度学习的灾后房屋危险等级评价装置,其特征在于,包括:获取模块,用于获取房屋图像,生成图像数据集;
预处理模块,用于对所述图像数据集进行预处理,并将预处理后的数据划分为训练集数据和测试集数据;
模型构建模块,用于构建MyNet网络训练模型;
训练模块,用于获取基于所述训练集数据对所述MyNet网络训练模型进行训练,得到训练后的MyNet网络训练模型,得到最优权重参数;
评价模块,用于将所述测试集数据输入到训练后的MyNet网络训练模型中,输出危险等级概率,以所述危险等级概率最高的等级作为房屋危险等级。
9.一种电子设备,包括至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其特征在于,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1‑7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1‑7中任一项所述的方法。