Pour résoudre le problème de l'identification automatique des types de dommages aux bâtiments à partir des nuages de points LiDAR dans des scénarios complexes après un séisme, pour répondre aux exigences de rapidité et de précision dans les situations d'urgence, pour dire adieu à l'extraction manuelle traditionnelle des caractéristiques de dommages et exploiter pleinement les informations sur les dommages aux bâtiments dans les zones sinistrées, et pour réaliser ensuite l'identification automatique et intelligente des bâtiments. Cet article applique la méthode d'apprentissage profond des nuages de points 3D à l'identification des dommages aux bâtiments, a créé une base de données de nuages de points contenant des types de dommages tels que l'effondrement, l'effondrement partiel et le non-effondrement. Le réseau PointNet++ examine l'impact du volume et de l'équilibre des échantillons sur la précision de l'identification, et propose une méthode d'amélioration des échantillons de bâtiments endommagés, enrichissant les formes de points dans les échantillons de différentes classes. Sur la base des données LiDAR après le séisme de magnitude 7,0 en Haïti en 2010, la précision de la classification avant et après l'amélioration des échantillons dans le réseau PointNet++ a été comparée, les résultats ont montré une amélioration de la précision de la classification des effondrements et des effondrements partiels de 27% et 17% respectivement après l'amélioration des échantillons, et une augmentation de 15% de la précision moyenne de la classification et du coefficient Kappa. Les résultats des expériences montrent que le modèle d'apprentissage profond en trois dimensions des dommages aux bâtiments présente une bonne amélioration de la classification lorsque le volume et l'équilibre des échantillons sont suffisants pour toutes les classes d'échantillons.

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