使用航空图像和深度学习算法识别被野火破坏的结构

　　野火疏散者和救灾小组很快就能使用最新开发的人工智能工具DamageMap，在几分钟内远程扫描一个城镇的结构损坏情况。

　　斯坦福大学（ Stanford University ）和加州理工州立大学（ California Polytechnic State University ）圣路易斯奥比斯波分校（ San Luis Obispo ）的研究人员合作，该项目使用航空图像和深度学习算法，精确定位野火事件后的建筑物损坏。这项研究可以引导救灾人员前往最需要的地区，同时让关心的房主了解情况。

　　加州保利大学助理教授、 DamageMap 的共同开发者 G 。 Andrew Fricker 说：“火灾或灾难发生后，很多人需要或想要知道损失的程度和严重程度。我们开始帮助缩短响应时间，以获取对火灾受害者、应急和恢复人员有价值的可操作信息。”。

　　随着气候变化的影响导致气候变暖和干旱，野火灾害正在更频繁、更严重地袭击社区。2020年，美国西部的野火摧毁了13000多栋建筑，损失近200亿美元。在这个季节还有几个月的时间里，加利福尼亚州已经发生了7000多起火灾，约3000座建筑物受损。

　　当火势平息时，损失评估小组进行检查并评估烧伤区域的安全性。应急行动中心使用这些报告为居民组织救灾和恢复资源。了解一个地区的位置和破坏程度有助于应急小组分配资源，特别是在同时应对多起火灾时。

　　虽然检查是重新定居的必要步骤，但也是耗时和资源密集型的。

　　最近的机器学习模型试图利用卫星图像减轻这一负担。但是，大多数方法都需要类似成分（如照明和角度）的高质量野火前后图像来检测变化并精确定位受损区域。它们还需要最新的图像以确保准确性，这可能需要昂贵的维护成本，并且难以缩放。

　　利用 DamageMap ，研究人员训练了一种新的深度学习算法，该算法能够通过使用两个模型来检测损坏，这两个模型一起工作，并对建筑物的状况进行探测。第一种模式依靠某一地区的任何战前无人驾驶飞机或卫星图像来探测建筑物并绘制足迹。第二个模型使用火灾后的航空图像来确定结构损坏，例如烧焦的屋顶或被摧毁的建筑物。

　　研究人员使用了一个包含 47543 张来自全球五场不同野火的结构图像的数据库来训练神经网络。手动将这些图像的子集标记为已损坏和未损坏，该算法学会识别和分类结构。

　　他们使用来自加利福尼亚州最近两次野火的图像对模型进行了测试，这两次野火分别是巴特县野火，沙斯塔县野火和三一县卡尔野火。将模型预测与记录受损建筑物位置的地面勘测员数据进行比较 DamageMap 大约 96% 的时间准确检测到受损结构。

　　这项技术不仅精确，而且速度快。使用 NVIDIA GPU 和cuDNN – 加速 PyTorch 深度学习框架， DamageMap 以每幅图像约 60 毫秒的速度处理图像。

　　由 Damageap 团队提供

　　对天堂镇（ town of Paradise ）的 15931 栋建筑进行分类需要 16 分钟。天堂镇在 2018 年的营火中几乎被完全摧毁。

　　这项工作是可获得的用于测试和探索，代码和支持分析在github上进行。研究人员鼓励其他人进一步使用、开发和改进该模型。

　　根据弗里克的说法，该工具可以接受培训，将目光投向受损的建筑物之外，包括烧毁的汽车或倒塌的电线等元素，以进一步通知响应和恢复工作。

　　关于作者

　　Michelle Horton 是 NVIDIA 的高级开发人员通信经理，拥有通信经理和科学作家的背景。她在 NVIDIA 为开发者博客撰文，重点介绍了开发者使用 NVIDIA 技术的多种方式。

　　审核编辑：郭婷