震损快速识别算法在湖北应城M 4.9级地震中的应用研究.pdf

第43卷第3期2023年6 月文章编号：10 0 0-130 1(2 0 2 3)0 3-0 2 2 9-10地震工程与工程振动EARTHQUAKE ENGINEERING AND ENGINEERING DYNAMICSVol.43 No.3Jun.2023D0I:10.13197/j.eeed.2023.0323震损快速识别算法在湖北应城M4.9级地震中的应用研究陈乙轩1,2,姜涛”,吴文彬 1-2,江健1.2.3,4（1.中国地震局地震研究所地震预警湖北省重点实验室，湖北武汉430 0 7 1；2.湖北省地震局，湖北武汉430 0 7 1；3.中国地震局工程力学研究所地震工程与工程振动重点实验室，黑龙江哈尔滨150 0 8 0；4.武汉地震工程研究院有限公司，湖北武汉430 0 7 1)摘要：针对基于人工检测方法存在效率低、实时性差等问题，提出了一种空间通道注意力机制改进的FasterRCNN的砌体结构震损图片快速识别算法。基于湖北省应城M4.9级地震现场调查获取的砌体结构震害图片，制作砌体结构门窗洞口和震损类型的数据集；通过Mosaic方法对数据集进行数据增强后，构建空间通道注意力机制改进的FasterRCNN模型提取震害图片高级语义特征；使用湖北应城M4.9级地震砌体结构震害调查数据集对模型进行训练及验证并确定最终的模型超参；最后基于改进的FasterRCNN对砌体结构门窗洞口和震损类型进行快速检测。实验结果表明，该改进的算法可以有效的识别出门、窗、剥落、裂缝，其检测精确分别为：93.1%、97.6%、7 4.8%、6 2.3%。此外，单张震害照片检测时间为6 0 ms，为砌体结构震害快速检测提供了新的思路。关键词：砌体结构；震害类型；快速检测；改进的FasterRCNN；注意力机制中图分类号：P315.9文献标识码：AApplication of seismic damage rapid identification algorithmin Yingcheng M4.9 earthquake in Hubei ProvinceCHEN Yixuan-2,JIANG Tao,WU Wenbin*-2,JIANG Jian-2.34(1.Institute of Seismology,Hubei Key Laboratory of Earthquake Early Warning,CEA,Wuhan 430071,China;2.Hubei EarthquakeAdministration,Wuhan 430071,China;3.Key Laboratory of Earthquake Engineering and Engineering Vibration,Institute of Engineering Mechanics,China Earthquake Administration,Harbin 150080,China;4.Wuhan Institute of Earthquake Engineering Co.,Ltd.,Wuhan 430071,China)Abstract:Aiming at the problems of low efficiency and poor real-time performance based on manual detectionmethod,a rapid detection method for masonry structure seismic damage using the improved faster region-basedconvolutional neural network(Faster RCNN)model modified by the spatial channel attention mechanism wasproposed in this paper.Based on the seismic damage pictures of masonry structures obtained from the M4.9earthquake in Yingcheng,Hubei Province,a data set of basic components and common seismic damage types ofmasonry structures was established.After the data set was enhanced by the Mosaic data augmentation,the improvedFaster RCNN model was constructed to extract the high-level semantic features of earthquake damage images.Thefinal model hyperparameters was determined after training and verifying.Finally,the common components and seismicdamage types of the masonry structures could be rapidly detected by the improved Faster RCNN model.Theexperimental results show that the improved Faster RCNN model can effectively detect doors,windows and walls收稿日期：2 0 2 2-0 3-0 7；修回日期：2 0 2 2-0 5-10基金项目：中国地震局地震应急青年重点任务资助项目（CEAEDEM202112）Supported by:China Earthquake Administrations Earthquake Emergency Youth Key Task Funding Project(CEAEDEM202112)作者简介：陈乙轩（1995），男，硕士研究生，主要从事结构健康监测研究。E-mail：c h e n y i x u a n 19 ma i l s.u c a s.a c.c n通讯作者：江健（198 8 一），男，工程师，博士研究生，主要从事结构健康监测、工程结构加固与减隔震的研究。E-mail:230peeling and cracks.Moreover,the detection accuracy of doors,windows and walls peeling and cracks was 93.1%,97.6%,74.8%and 62.3%,respectively.In addition,the detection time of a single earthquake damage photo is60 ms,which provides a new perspective for rapid detection of seismic damage in masonry structures.Key words:masonry structure;earthquake damage types;rapid detection;improved Faster RCNN;attentionmechanism地震工程与工程振动第43卷0引言湖北省应城M4.9地震发生于2 0 19年12 月，震源深度10 km，地震烈度主要为VI级，震中烈度为VI级，对应城部分乡镇房屋造成一定的破坏。根据震害调查结果显示，该地震震损区域主要在应城村镇区域，震区结构体系主要包括：砌体结构、木结构、钢筋混凝土结构。其中，砌体结构的震损类型主要是：洞口间X型交叉裂缝、斜裂缝，伴随着墙体剥落、倾斜等。木结构的震损类型主要呈现为：泥浆抹面层剥落、局部塌、砌体墙破坏等。而钢筋混凝土结构的震损类型主要呈现为非结构构件的损坏，比如女儿墙倒塌、瓷砖掉落等。震区建筑物主要以砌体结构为主，木结构和钢筋混凝土结构相对较少。震区砌体结构主要包括空斗墙砌体结构和实心墙砌体结构。然而由于结构布置不合理,施工材料质量不佳，砌筑工艺不规范等问题，砌体结构总体抗震能力较弱。在地震荷载作用下，砌体结构由于抗震设防能力不足而更加容易遭受破坏。根据湖北省地震局组织的地震应急调查结果显示，应城M4.9级地震中，空斗墙砌体结构常见的震损为下细上宽的竖向裂缝，常伴随着墙体倾斜及剥落等现象。而实心墙砌体结构的抗震能力较好，但由于门、窗洞较多且不规则,容易在门窗洞口间形成X型交叉裂缝及斜裂缝2。震后的房屋受损情况调查及检测对烈度评定及经济损失评估具有重要的意义。目前，常见的地震房屋震损检测主要是依赖人工检测3-5的方式进行,评估效果在很大程度上取决于检查人员的专业水平以及工作经验，检查的主观性强、周期长、实时性差。张令心等6 总结归纳了国内外建筑物震损等级划分标准并在此基础上提出新的划分规范。孙柏涛等7 对美国、日本和中国等国家的地震现场建筑安全鉴定标准、地震现场工作及量化研究进行了对比分析，但总体上仍然以宏观描述为主。传统的房屋震损检测工作强度大、经验性和主观性强，且获得海量的震损数据挖掘不充分。随着深度学习技术的快速发展，上述传统的房屋震害评估技术存在的问题基本可以得到解决。霍林生等8-10 基于图像识别的方法实现震损结构残余变形的快速检测及震损结构实体三维模型快速重建。李启明等11基于支持向量机提出钢筋混凝土柱典型的地震破坏模式智能化判定方法。赵飞等12 基于遮掩区域卷积神经网络和受灾前后卫星图像初步判定房屋的震损等级，识别准确率约8 0%。MA等13提出一个轻量化的（you only look once V3，YOLOv3网络快速定位震后遥感影像中的倒塌建筑物，检测速度达到2 9.2 3f/s。ZO U 等14将深度可分卷积引入YOLOv4网络并通过可视化用户界面初步判断结构震损程度和失效模式。DING等15基于对象交叉比例改进（faster region-based convolutional neural network，Fa s t e r R-CNN）模型的非最大抑制算法，在此基础上，结合无人机图像实现倒塌建筑物快速检测。LEVINE等16 结合无人机图像、建筑信息模型提出震后建筑物评估的数字李生框架,该框架可以有效预测建筑物的震后安全状态。近些年来,不少学者结合深度学习技术开展了结构微观损伤检测，主要聚焦在混凝土裂缝等常见的结构损伤1-2 0。GERMAN等2 1结合全局自适应阈值算法、模板匹配、形态学等提出一种新的钢筋混凝土柱表面剥落区域分割算法，该算法成功检测出海地地震混凝土结构剥落。BAE等2 2 基于超分辨率图像生成技术提出SrcNet网络实现裂缝快速、高效检测，模型检测能力较原始数字图像方法提高2 4%。PAN等2 3提出空间通道层次网络SCHNet实现混凝土像素级别的自动分割,该网络对噪音的鲁棒性较好。XU等2 4采用FasterR-CNN模型实现道路裂缝检测,实验结果表明FasterR-CNN模型检测效率高于Yolo等模型。作为一种高效的检测网络,Faster R-CNN模型被逐渐运用于地下管道缺陷检测2 5-2 6、古建筑缺陷检测2 7-2 9、钢结构缺陷30-31、混凝土结构缺陷检测3-3,对砌体结构震害快速检测的研究相对较少。因此,文中拟提出一种基于计算机视觉的砌体结构震损快速评估方法，该方法基于融合空间通道注意力机制改进的FasterRCNN模型快速识别砌体结构门、窗、剥落、裂缝等震损。与人工检测的方法相比,基于深度学习的检测方法可以有效挖掘数据共性特征，从而实现震损类型快速判别，检测效率高。第3期陈乙轩，等：震损快速识别算法在湖北应城M4.9级地震中的应用研究2311石砌体结构震害损伤快速检测方法本文提出的砌体结构震害损伤快速检测方法的基本流程如下：基于湖北应城M4.9地震现场实际采集的震后结构影像数据进行Mosaic数据增强和相应样本数据集的制备；使用FasterRCNN模型对上述的训练数据集开展模型训练,在此基础上，引人本文提出的空间通道注意力机制模型改善模型的识别效果；将测试集的砌体结构震害图片输入本文所改进的FasterRCNN模型，实现砌体结构震害类型的快速检测。砌体结构震害损伤检测方法流程如图1所示。1.1Mosaic数据增强由于本文的数据主要来自湖北应城4.9级地震建筑物震害调查，数据量较少。为了防止FasterRCNN模型在训练过拟合，并尽可能使得数据集多样化，采用图像增强的方式对实地采集的小样本数据集扩充。图像增广是指通过对训练集的图片开展一系列的随机改变产生相似但不相同的训练样本，通过扩大训练集的规模从而提高模型的泛化性能。因此,本文通过使用Mosaic数据增强的方式在一定程度上提高数据的复杂度。如图2 所示，Mosaic数据增强的过程如下：通过随机缩放、裁剪、排布的方式把4张图片拼接成一张的图片，然后将新的数据输入到所构建的FasterRCNN模型进行特征提取及学习。这将极大的提高小目标的检测从而提高模型的检测效果。因为一般在数据集中的小目标一般分布不均匀,导致常规的小目标的学习不充分。获取砌体结构震损数据Mosaic增强数据集制备构建FasterRCNN模型改进的模型训练、优化待检测的砌改进的Faster体结构图片RCNN模型砌体结构震损快速检测结果图1震损快速检测流程图Fig.1Flow chart of rapid seismic damage detection数据集制备引人空间通道注意力机制模型构建、训练快速检测图2 Mosaic数据增强流程图Fig.2Flow chart of Mosaic data enhancement1.2改进的Faster RCNN模型与Fast RCNN相对,FasterRCNN使用区域推荐网络（region proposal network，RPN）代替选择性搜索算法，通过区域推荐机制实现网络自动生成推荐区域，提高了模型检测的效率，从而实现真正意义上的实时目标检测。基于上述优点，本文在基础网络Faster RCNN模型的基础上在其关键的特征提取模块中加入注意力机制，提出了一个改进的Faster RCNN模型实现砌体结构震损快速检测。如图3所示，改进的FasterRCNN网络主要包括4个模块，分别是特征提取模块、特征金字塔（feature pyramid networks，FPN）、区域推荐网络（region proposal network，RPN）、感兴趣区域池化模块（region of interest pooling，Ro l p o o l i n g）及分类回归模块,以此完成特征提取、预测框生成及目标检测任务，从而实现图片细节特征提取和目标检测。与常规的FasterRCNN模型不同的是,改进的FasterRCNN模型的特征提取网络在残差网络ResNet50基础上在其关键层加人空间通道注意力机制（spatial squeeze and efficient channel attention,SSECA）。如图4所示，将所提出232的SSECA模块放在ResNet50中的关键层layerl，l a y e r 2 及layer3中，改进后的ResNet50能够融合通道注意力信息和空间注意力信息以提取到更有效的特征信息，从而提升模型的检测效果。改进的Faster RCNN模型检测的流程如下：首先基于加人空间通道注意力机制的ResNet50实现砌体结构震损图片特征提取，然后基于特征金字塔网络将提取的多尺度特征进行特征融合，然后用区域建议网络生成相对较为精确的建议框,将建议框映射到多尺度的特征图中,基于感兴趣池化模块将每个建议框相对应的特征图统一尺寸,最后基于分类回归模块获取实时检测框的精准位置信息和相应的类别。多尺度力机制的FPNResNet50ROIPooling图3FasterRCNN模型示意图Fig.3 Diagram of Faster RCNN modelLAYEROLAYER2(3,600,600)BTNK1:256,150,128,2CONV:77,64,/2(512,75,75)BN,RELUBTNK2:512,75(512,75,75)MAXPOOL:33,/2BTNK2:512,75(64,150,150)(512,75,75)BTNK2:512,75LAYER1(512,75,75)BTNKI:64,150,64,1SSECA(512)(256,150,150)Averagepool1BTNK2:256,150(256,150,150)BTNK2:256,150(256,150,150)1SSECA(256)地震工程与工程振动加人注意特征RPN全连接回归LAYER3BTNK1:512,75,256,2(1 024,38,38)BTNK2:1024,38(1 024,38,38)BTNK2:1024,38(1024,38,38)BTNK2:1024,38(1 024,38,38)LAYER4BTNK2:1024,38BTNKI:1024,38512,2FC(2 048,39,39)BTNK2:2048,19OUTPUT(2 048,19,19)BTNK2:2048,19(2 048,19,19)第43卷建议框分类BTNKI:C,W,C1,S(c,W,W)CONV:1x1,C1,/SCONV:11,CI*4,/SBN,RELUBNCONV:3x3,CI,/1BN,RELU+,RELUCONV:1x1,C1*4,/1BN(C1*4,W/S,W/S)BTNK2:C,W(C,W,W)CONV:11,C/4,/1(1 024,38,38)BN,RELUBTNK2:1024,38CONV:33,C/4,/1BN,RELU(1 024,38,38)1CONV:1x1,C,/11BNSSECA(1024)+(C,W,W)+,RELU图4改进后的ResNet50模块图Fig.4 Schematic diagram of improved ResNet50 model1.3改进的空间通道注意力机制Faster RCNN目标检测的效果在一定程度上与特征提取密切相关,为了进一步提高其特征提取能力,本文提出了一种新的空间通道注意力机制，并将其嵌人在Faster RCNN的特征提取网络中。本文所提出的SCECA模块通道注意力模块和空间注意力模块组成，具体结构如图5所示。1)空间注意力机制如图4所示,对于输人层的某一个特征U=u ,l-，处使用的卷积为11,输出通道数为1,即：Wm=RIx1x1,该步的操作如式(1)所示：q=W,xU上述输出的特征层经过sigmod对其归一化,具体操作如式(2)：u,u,u,通过卷积实现空间挤压操作,此(1)(2)第3期式中：H,W分别为特征图的尺寸；i，j 为特征图的位置，（q i,）为特征图中空间位置为（i，j)的权重。2)通道注意力机制如图5所示，本文所采用的通道注意力机制为ECA注意力模块，ECA注意力机制是一种捕捉局部跨通道信息交互的方法，保证模型的计算性能和模型的复杂度。ECA空间通道注意力机制可以表示式（3）：(3)：L00对于每个权重y:，仅考虑周围个参数之间的信息交互,计算公式表达如式(4)：w=o(Zwui),yle Q)j=1该注意力机制模块通过卷积核大小为k的一维卷积实现通道间的信息交互，如式（5）：w=g(C1 D;(U)一维卷积的内核尺寸与通道维数C存在一定的关系,可以表示为式(6)：1og2(C)bk=(C)=+lodd式中：tlodd为t最邻近的奇数；为一维卷积的内核尺寸与通道维数之间的映射；=2；b=1。将上述的空间注意力及通道注意力模型叠加得到文中提出的空间通道注意力机制,即：陈乙轩，等：震损快速识别算法在湖北应城M4.9级地震中的应用研究,1,1022ECAA=UHWGAP233W,1,h02.4+10USECA=USsa+U ECA1114空间调整UecA通道调整000w.c.c-k+1UssA00：wC.cJSSECA(4)(5)(6)(7)11xC图5SSECA注意力机制原理图Fig.5Schematic diagram of SSECA attention mechanism2实验与分析本文的砌体结构震损图片采用LabelImg软件标注门窗洞口和常见震损类型，震损类型主要为墙体裂缝和剥落。基于Labellmg标注软件，通过尺寸不同矩形框对门窗洞口及常见震损类型分类标注，制作了VOC2007格式的砌体结构门窗洞口和震损类型数据集。本文的数据来自于湖北省应城M4.9级地震现场某一区域内砌体结构震损调查，震损数据相对较少,本文预先通过Mosaic数据增强的方式对数据进行扩充,扩充后的数据总量为2 0 0 张,按9:1进行划分训练集和测试集。砌体结构震损快速识别算法在Pycharm上基于Pytorch深度学习框架进行编程，实验环境在linux16.04系统上完成，计算机CPU为Intel（R）Xe o n（R）Gold5218,模型训练采用GPU加速计算,所用计算机内存为16 G内存,显存为32 G,显卡为NVIDIATeslaV100。使用FasterRCNN模型及其改进模型识别砌体结构外墙的结果如图6 所示。从图6 可以看出，基于Faster RCNN模型基本可以有效识别出砌体结构的门、窗洞口及裂纹、剥落等砌体结构常见的损伤类型,其中，门、窗洞口的识别精度高达95%以上。使用FasterRCNN模型及其改进模型识别砌体结构内墙震损情况的结果如图7 所示。从图7 中可以看出,基于Faster RCNN模型及其改进模型可以有效识别出水平裂缝、竖向裂缝及斜裂缝。但基础模型Faster RCNN模型存在部分目标漏检的情况，且模型对目标框的回归不够精确。而融合了空间通道注意力机制后的FasterRCNN模型,尽管部分砌体结构震害图片背景较为复杂、明暗1x1xC234程度不同,而基本的震害类型,如裂纹的走向、形态等均不同,改进的Faster RCNN模型依旧可以较为准确的识别出裂纹、剥落等情况,且回归的目标框的准确率相对提高。这是因为,改进的Faster RCNN 模型在其骨干网络ResNet50的基础上，将本文提出的空间通道注意力机制SCECA模块加人到ResNet50的关键层中，通过融合其空间通道注意力特征图表达更为复杂的语义信息，从而提高FasterRCNN模型对门窗洞口和常见震损类型识别的效果，提升了模型的识别精度。地震工程与工程振动第43卷door0.98crack0.54crack0.77crack0.72crack0.67crack0.58crack0.76window0.99window0.99cracko.86door1.00crack0.68crack0.58crack0.80crack0.74crack.0.54cracko.71crack0.64crack.0.60（a）Fa s t e r RCNN检测外墙斜裂缝door_0.95crack0.50crack.0.57crack0.66crack0.55crack0.56crack0.67crack0.72crack0.73crack0.51（b）改进的FasterRCNN检测外墙斜裂缝spalling0.56crack0.74window0.99door.098window1.00crack0.58crack0.60crack0.54crack0.86tcrack0.52crack0.61（c）Fa s t e r RCNN检测外墙X裂缝Fig.6 Seismic damage detection results of external wall of masonry structurecrack0.52crack0.81cracko.67crack0.85crack0.75jcrack0.77（d）改进的FasterRCNN检测外墙X裂缝图6砌体结构外墙震损检测效果crack.0.86crack:0.89cracko.77crack.0.88cracko.960cracko.53crack0.56crack0.61crack0.80cracko.77fack0.67ack0.98crack0.53crack0.54（a）Fa s t e r RCNN检测内墙水平裂缝0.54crack0.53spallling0.76crack0.53spalling0.91spalling0.63spalling0.98（c）Fa s t e r RCNN检测内墙竖直裂缝（b）改进的FasterRCNN检测内墙水平裂缝spallingo.74crak0.60eracl.crak0.72spalling0.53crak0.70spalling0.73crak0.73spalling0.90crak0.54crak0.81crak 0.90（d）改进的FasterRCNN检测内墙竖直裂缝第3期陈乙轩，等：震损快速识别算法在湖北应城M4.9级地震中的应用研究235crak0.52ing.0.72crak0.53nalling0.91spalling0.96crack0.72crak0.57spalling0.86spalling0.63cracko.77rcrak0.51cracko.8spalling0.93o.gallingo0.54racko.75aling0.94crak0.84spalling0.79（e）Fa s t e r RCNN检测内墙斜裂缝Fig.7 Seismic damage detection results of interior wall of masonry structure为了进一步观察空间通道注意力机制在特征提取的效果，本文将加在FasterRCNN特征提取网络3个关键层的注意力权重进行可视化。模型输人的图片为6 0 0 pixels600pixels，图8 分别为砌体结构震害图片经过ResNet50这3个不同尺寸特征图的注意力权重，分别是150 pixels150pixels,75pixels75pixels和38pixelsx38pixels。从图8 可以看出，不同尺寸的注意力机制图基本聚焦在震损部位，有效帮助Faster RCNN模型提取关键特征。当将砌体结构的震害图片输人Faster RCNN后，前面的层提取到的特征较为浅显，人眼难以判别具体震害类型，而随着网络层数的加深，模型逐渐提取到其深层的语义信息，语义信息较为明显，从特征图基本可以清晰的看出震害图片的关键信息。此外，与Faster RCNN模型相比，融合了空间通道注意力机制的Faster RCNN模型提取到相同层的语义信息更为复杂,对裂纹的关注程度更高,语义特征提取鲁棒性更高。这也侧面进一步验证了本文提出的空间通道注意力机制改善模型识别效果的有效性和鲁棒性。（f）改进的FasterRCNN检测内墙斜裂缝图7 砌体结构内墙震损检测效果原始图片第1层权重（a）竖直裂缝特征图第2 层权重第3层权重原始图片为了进一步对比不同的算法对砌体结构震害识别的效果,文中使用了精确率（precision）及每秒传输顿数（frame per seconds，FPS)作为模型的评价指标。P：T,+Fp式中：T，为实际为正而预测为正的像素数目；Fp为实际为负而预测为正的像素数目。本文将使用SSECA空间通道注意力机制改进后的FasterRCNN模型及常规的FasterRCNN模型识别性能进行对比,如表1所示。由表可以看出,直接使用震损图片训练原始的Faster RCNN模型,模型对门、窗洞第1层权重（b）斜裂缝特征图图8 关键层空间通道注意力机制特征图Fig.8 Characteristics of the spatial squeeze and efficient channel attentionTp第2 层权重第3层权重(8)236口、剥落、裂缝的识别精确率分别为：7 9.3%、8 6.5%、6 4.0%、53.6%，而当使用Mosaic数据增强后的震损图片训练原始的FasterRCNN模型，模型的检测效果有所提高，门、窗洞口、剥落、裂缝的识别精确率分别为：88.7%、9 1.4%、6 8.5%、58.5%。由于本文所采集的照片来自于应城区域范围内砌体结构震损调查现场，震区震级较小,房屋受损等级较小,震损图片采集数量有限。作为一种高效的数据增强方式,Mosaic数据增强可以一次性读取4张图片，通过随机缩放、随机裁减、随机排布的方式进行拼接。通过Mosaic数据增强的方式可以较大的丰富砌体结构数据集，通过随机缩放等操作增加了小目标，使得网络结构的鲁棒性更好。此外,由于Mosaic数据增强后的数据均为4张图片合成的数据,模型提取特征时可以一次性读取4张图片的数据,有效降低算力的依赖性。为了进一步提高FasterRCNN的识别效果，本文在关键的特征提取层增加SSECA空间通道注意力机制，提出了一个改进的Faster RCNN模型实现砌体结构震损快速检测。从表1可以看出，直接使用震损图片训练改进后的FasterRCNN模型，改进模型对门、窗洞口、剥落、裂缝的识别精确率分别为：8 9.0%、92.9%、65.4%、56.8%。当使用Mosaic数据增强后的震损图片训练改进后的FasterRCNN模型时，改进模型识别门、窗洞口、剥落、裂缝的识别精确率分别为：93.1%、97.6%、7 4.8%、6 2.3%。当砌体结构震损图片使用mosaic数据增强后，改进的FasterRCNN模型对门、窗洞口、剥落、裂缝的识别精度分别提高了4.4%、6.2%、6.3%及3.8%。这说明,SSECA空间注意力机制可以有效地增强特征图中有意义的特征，而抑制无用的特征,增强骨干网络ResNet5O编码空间信息的能力，提高CNN的图像识别能力。SSECA注意力机制主要包括了2 种类型的注意力机制，一种是空间注意力机制，另一种是通道注意力机制。空间注意力机制主要关注对模型识别效果有帮助的特征位置，而通道注意力机制则主要是关注重要的通道特征，通过本文提出的空间通道注意力机制SSECA模型可以有效融合通道注意力信息和空间注意力信息以提取到更有效的特征信息，从而提升模型的检测效果。值得注意的是,虽然改进后的FasterRCNN检测精度有所提高,但对于剥落及裂缝的识别精度仍不够精确。此外，震损图片通常存在背景复杂、明暗程度差异大,这对于剥落及裂缝等小目标的识别是较为不利的。值得注意的是,剥落通常伴随着裂纹的出现而出现，模型容易发生误检或者漏检的情况。震区砌体结构裂缝大多形态差异性较大，包含水平裂缝、竖直裂缝、斜裂缝等多种形态，裂缝的长短粗细不一进一步加剧了模型识别的难度。方法原始的FasterRCNN改进的FasterRCNN3结论地震工程与工程振动表1不同算法检测性能对比Table 1 Comparison of detection performance for different algorithms数据增强剥落79.386.5Mosaic88.789.0Mosaic93.1第43卷%门窗91.492.997.6裂缝64.053.668.558.565.456.874.862.3本文针对传统的砌体结构震损评估方法存在的识别成本高、主观性强、工作量大、检测效率低等问题,基于深度学习的技术提出一种新的砌体结构震损快速识别方法，基于湖北省应城M4.9级地震房屋震害调查数据进行验证，得出以下结论：1)由于湖北省应城M4.9级地震砌体结构震损影像数据有限，本文引入Mosaic数据增强方法对砌体结构震损影像进行预处理，通过随机缩放、裁剪、排布的方式把4张图片拼接成一张图片，增加数据集多样化和复杂度，有效避免模型过拟合。2)构建空间通道注意力机制模块并将其嵌入FasterRCNN模型，使得改进后的FasterRCNN模型能够融合通道注意力信息和空间注意力信息并提取到更有效的高级语义特征信息，显著提高了砌体结构门窗洞口和震损类型的快速识别能力。3)本文基于注意力机制改进的FasterRCNN方法可以实现砌体结构震损的快速识别，为今后大量砌体结构震损调查图片的快速识别以及震损评估提供了重要的技术手段。第3期参考文献：1湖北省地震局.湖北省孝感市应城市M4.9级地震续报（四)EB/OL.（2 0 19-12-2 9)2 0 2 2-0 3-0 7 h t t p：/w w w.Eq h b.G o v.c n/i n f o 1004/17843.htm.Hubei Earthquake Administration.The fourth report of M4.9 earthquake in Yingcheng,Xiaogan City,Hubei Province EB/OLJ.(2019-12-29)2022-03-07 http:/www.Eqhb.G Chinese)2谭杰，李恒，蔡永建，等湖北应城4.9级地震建筑物震害调查与分析J。地震工程与工程振动，2 0 2 0，40（5）：2 0 6-2 15.TAN Jie,LI Heng,CAI Yongjian,et al.Seismic damage investigation and analysis of buildings during Yingcheng M4.9 earthquake in HubeiJ.Earthquake Engineering and Engineering Dynamics,2020,40(5):206-215.(in Chinese)3郭丽娜，刘金龙，温卫平，等.云南漾濞6.4级地震建筑结构震害特征调查分析J.世界地震工程，2 0 2 1，37（4）：6 4-7 2.GUO Lina,LIU Jinlong,WEN Weiping,et al.Investigation and analysis on seismic damage characteristics of building structures in Yangbi M6.4earthquake in Yunnan ProvinceJ.World Earthquake Engineering,2021,37(4):64-72.(in Chinese)4管仲国，黄勇，张昊宇，等.青海玛多7.4级地震桥梁工程震害特性分析J.世界地震工程，2 0 2 1，37(3）：38-45.GUAN Zhongguo,HUANG Yong,ZHANG Haoyu,et al.Damage characteristics and analysis of bridge engineering in M7.4 Qinghai MaduoearthquakeJ.World Earthquake Engineering,2021,37(3):38-45.(in Chinese)5潘毅，陈建，包韵雷，等.长宁6.0 级地震村镇建筑震害调查与分析J.建筑结构学报，2 0 2 0，41（增刊1）：2 97-30 6.PAN Yi,CHEN Jian,BAO Yunlei,et al.Seismic damage investigation and analysis of rural buildings in Ms6.0 Changning earthquake JJ.Journalof Building Structures,2020,41(S1):297-306.(in Chinese)6张令心，孙柏涛，刘洁平，等.建（构）筑物地震破坏等级划分标准有关问题研究J.地震工程与工程振动，2 0 10，30(2）：39-44.ZHANG Lingxin,SUN Bai