Использование алгоритмов машинного обучения для оценки степени повреждений объектов жилой инфраструктуры

Авторы

  • Ярослав Юрьевич Головко Белгородский государственный национальный исследовательский университет
  • Елена Владимировна Ильинская Белгородский государственный национальный исследовательский университет

DOI:

https://doi.org/10.52575/2687-0932-2025-52-1-156-167

Ключевые слова:

машинное обучение, оценка повреждений инфраструктурных объектов, свёрточные нейронные сети (CNN), YOLOv5, ResNet

Аннотация

В современном мире применение алгоритмов машинного обучения приобретает ключевое значение для оценки повреждений объектов жилой инфраструктуры после чрезвычайных ситуаций, включая природные катастрофы, военные конфликты и техногенные аварии. В исследовании рассматривается использование свёрточных нейронных сетей (CNN), рекуррентных нейронных сетей (RNN) и гибридных архитектур (CNN-RNN) для автоматизации анализа степени разрушений. На примере аэрофотоснимков, спутниковых данных и изображений из социальных сетей продемонстрирована эффективность моделей ResNet50, ResNet101, YOLOv5 и VGG19 в обнаружении структурных дефектов, классификации тяжести повреждений и оптимизации восстановительных работ. Эксперименты на наборах данных (после взрыва в Бейруте, землетрясения в Вэньчуане) показали, что модифицированная архитектура YOLOv5 с механизмами внимания (Ghost bottleneck, CBAM) достигает средней точности (mAP) 93,43 % в режиме реального времени, а ResNet50 демонстрирует точность 95,92 % при многоклассовой классификации ущерба. Однако сохраняются проблемы с распознаванием мелких дефектов (трещины, сколы) из-за ограничений разрешения и помех (деревья, строительные леса). Для повышения устойчивости моделей применены методы аугментации данных (повороты, цветокоррекция) и расширены обучающие выборки (до 8192 изображений). Сравнение с традиционными методами (визуальный осмотр, картографирование) подтвердило преимущества машинного обучения: скорость обработки, минимизация человеческого фактора и точное распределение ресурсов.

Скачивания

Данные скачивания пока недоступны.

Биографии авторов

Ярослав Юрьевич Головко, Белгородский государственный национальный исследовательский университет

Аспирант, Белгородский государственный национальный исследовательский университет, г. Белгород, Россия

E-mail: mariopwnz1337@gmail.com

Елена Владимировна Ильинская, Белгородский государственный национальный исследовательский университет

Кандидат экономических наук, доцент кафедры прикладной информатики и информационных технологий, Белгородский государственный национальный исследовательский университет, г. Белгород, Россия

 

Библиографические ссылки

Chachra G., Kong Q., Huang J., Korlakunta S., Grannen J., Robson A., Allen R.M. 2022. Detecting damaged buildings using real-time crowdsourced images and transfer learning. Scientific reports, 12(1), 8968. DOI: 10.1038/s41598-022-12965-0.

Chicco D., Jurman G. 2020. The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC genomics, 21, 1–13. DOI: 10.1186/s12864-019-6413-7.

Creswell A., White T., Dumoulin V., Arulkumaran K., Sengupta B., Bharath A.A. 2018. Generative adversarial networks: An overview. IEEE signal processing magazine, 35(1), 53–65. DOI: 10.1109/MSP.2017.2765202.

Han K., Wang Y., Tian Q., Guo J., Xu C. 2020. Ghostnet: More features from cheap operations. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 1580–1589). DOI: 10.48550/arXiv.1911.11907.

Hansen J.G., de Figueiredo R.P. 2024. Active Object Detection and Tracking Using Gimbal Mechanisms for Autonomous Drone Applications. Drones, 8(2), 55. DOI: 10.3390/drones8020055.

Haryono A., Jati G., Jatmiko W. 2024. Oriented object detection in satellite images using convolutional neural network based on ResNeXt. ETRI Journal, 46(2), 307–322. DOI: 10.4218/etrij.2022-0446.

Henderson P., Ferrari V. 2017. End-to-end training of object class detectors for mean average precision. In Computer Vision–ACCV 2016: 13th Asian Conference on Computer Vision, Taipei, Taiwan, November 20-24, 2016, Revised Selected Papers, Part V 13 (pp. 198–213). Springer International Publishing. DOI: 10.1007/978-3-319-54193-8_13.

Hu S., Wang P., Hoare C., O’Donnell J. 2022. Building occupancy detection and localization using CCTV camera and deep learning. IEEE Internet of Things Journal, 10(1), 597–608. DOI: 10.1109/JIOT.2022.3201877.

Indumathi, C. P., Santhoshsivan, V., Selvakumar, R. (2024). ResNet and ResNeSt-Based Deep-Learning. In Digital Geography: Proceedings of the International Conference on Internet and Modern Society (IMS 2023) (p. 215). Springer Nature. DOI: 10.1007/978-3-031-67762-5_17.

Jiang P., Ergu D., Liu F., Cai Y. Ma B. 2022. A Review of Yolo algorithm developments. Procedia computer science, 199, 1066–1073. DOI: 10.1016/j.procs.2022.01.135.

Kallas J., Napolitano R. 2023. Automated large-scale damage detection on historic buildings in post-disaster areas using image segmentation. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48, 797–804. DOI: 10.5194/isprs-archives-XLVIII-M-2-2023-797-2023.

Karacı A. 2022. VGGCOV19-NET: automatic detection of COVID-19 cases from X-ray images using modified VGG19 CNN architecture and YOLO algorithm. Neural Computing and Applications, 34(10), 8253–8274.

Kaur R., Singh S. 2023. A comprehensive review of object detection with deep learning. Digital Signal Processing, 132, 103812. DOI: 10.1016/j.dsp.2022.103812.

Khan S., Naseer M., Hayat M., Zamir S. W., Khan F. S., Shah, M. 2022. Transformers in vision: A survey. ACM computing surveys (CSUR), 54(10s), 1–41. DOI: 10.1145/3505244.

Krizhevsky A., Sutskever I., Hinton G.E. 2012. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25. DOI: 10.1145/3065386.

Krizhevsky, A., Sutskever, I., Hinton, G.E. 2017. ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84–90. DOI: 10.1145/3065386.

Li X., Caragea D., Zhang H., Imran M. 2018. Localizing and quantifying damage in social media images. In 2018 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (pp. 194–201). IEEE. DOI: 10.1109/ASONAM.2018.8508298.

Lin C.L., Wu K.C. 2023. Development of revised ResNet-50 for diabetic retinopathy detection. BMC bioinformatics, 24(1), 157. DOI: 10.1186/s12859-023-05293-1.

Liu C., Sui H., Wang J., Ni, Z., Ge L. 2022. Real-time ground-level building damage detection based on lightweight and accurate YOLOv5 using terrestrial images. Remote Sensing, 14(12), 2763. DOI: 10.3390/rs14122763.

Mikołajczyk A., Grochowski M. 2018. Data augmentation for improving deep learning in image classification problem. In 2018 international interdisciplinary PhD workshop (IIPhDW) (pp. 117–122). IEEE. DOI: 10.1109/IIPHDW.2018.8388338.

Selvaraju R.R., Cogswell M., Das A., Vedantam, R., Parikh, D., Batra, D. 2017. Grad-cam: Visual explanations from deep networks via gradient-based localization. In Proceedings of the IEEE international conference on computer vision (pp. 618–626). DOI: 10.1007/s00521-022-06918-x.

Van Etten, A. 2018. You only look twice: Rapid multi-scale object detection in satellite imagery. DOI: 10.48550/arXiv.1805.09512.

Woo S., Park J., Lee J.Y., Kweon I.S. 2018. Cbam: Convolutional block attention module. In Proceedings of the European conference on computer vision (ECCV) (pp. 3-19). DOI: 10.48550/arXiv.1807.06521

Zhang Q. 2022. A novel ResNet101 model based on dense dilated convolution for image classification. SN Applied Sciences, 4, 1–13. DOI: 10.1007/s42452-021-04897-7.

Zhao D., Shao F., Liu Q., Yang L., Zhang H., Zhang, Z. 2024. A Small Object Detection Method for Drone-Captured Images Based on Improved YOLOv7. Remote Sensing, 16(6), 1002. DOI: 10.3390/rs16061002.

Zhu T., Chen J., Zhu R., Gupta G. 2023. StyleGAN3: generative networks for improving the equivariance of translation and rotation. arXiv preprint arXiv:2307.03898. DOI: 10.48550/arXiv.2307.03898.


Просмотров аннотации: 11

Поделиться

Опубликован

2025-03-28

Как цитировать

Головко, Я. Ю., & Ильинская, Е. В. (2025). Использование алгоритмов машинного обучения для оценки степени повреждений объектов жилой инфраструктуры. Экономика. Информатика, 52(1), 156-167. https://doi.org/10.52575/2687-0932-2025-52-1-156-167

Выпуск

Раздел

СИСТЕМНЫЙ АНАЛИЗ И УПРАВЛЕНИЕ

Наиболее читаемые статьи этого автора (авторов)