Um das Problem der automatischen Identifizierung von Schäden an Gebäuden aus LiDAR-Punktwolken in komplexen Szenarien nach einem Erdbeben zu lösen, um den Anforderungen an Geschwindigkeit und Genauigkeit in Notfallsituationen gerecht zu werden, um sich von der traditionellen manuellen Extraktion von Schadensmerkmalen zu verabschieden und die Informationen über Gebäudeschäden in betroffenen Gebieten voll auszunutzen, und um anschließend die automatische und intelligente Identifizierung von Gebäuden zu realisieren. Dieser Artikel wendet die Methode des tiefen Lernens von 3D-Punktwolken zur Identifizierung von Gebäudeschäden an, hat eine Datenbank von Punktwolken erstellt, die Schadensarten wie Einsturz, teilweiser Einsturz und Nicht-Einsturz enthält. Das Netzwerk PointNet++ untersucht den Einfluss des Volumens und des Gleichgewichts der Stichproben auf die Identifikationsgenauigkeit und schlägt eine Methode zur Verbesserung von Proben von beschädigten Gebäuden vor, um die Punktformen in Proben verschiedener Klassen zu bereichern. Basierend auf LiDAR-Daten nach dem Erdbeben mit einer Stärke von 7,0 in Haiti im Jahr 2010 wurde die Klassifizierungsgenauigkeit vor und nach der Verbesserung der Proben im Netzwerk PointNet++ verglichen, die Ergebnisse zeigten eine Verbesserung der Klassifizierungsgenauigkeit von Einstürzen und teilweisen Einstürzen um 27% bzw. 17% nach der Verbesserung der Proben, und eine Steigerung der durchschnittlichen Klassifizierungsgenauigkeit und des Kappa-Koeffizienten um 15%. Die Ergebnisse der Experimente zeigen, dass das dreidimensionale Modell des tiefen Lernens von Gebäudeschäden eine gute Verbesserung bei der Klassifizierung aufweist, wenn das Volumen und das Gleichgewicht der Proben für alle Klassen ausreichend sind.

remote sensing;classification and recognition;PointNet++;sample enhancement;LiDAR point cloud;seismic damage buildings