Использование алгоритмов машинного обучения для оценки степени повреждений объектов жилой инфраструктуры
DOI:
https://doi.org/10.52575/2687-0932-2025-52-1-156-167Ключевые слова:
машинное обучение, оценка повреждений инфраструктурных объектов, свёрточные нейронные сети (CNN), YOLOv5, ResNetАннотация
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
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
Как цитировать
Выпуск
Раздел
Copyright (c) 2025 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
