Науковий вісник НГУ

Автоматизоване виявлення руйнувань будівель на цифрових зображеннях за допомогою машинного навчання

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №6 2023

Останнє оновлення: 02 січня 2024

Опубліковано: 30 листопада -0001

Перегляди: 901

Authors:

В.Ю.Каштан, orcid.org/0000-0002-0395-5895, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В.В.Гнатушенко*, orcid.org/0000-0003-3140-3788, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2023, (6): 134 - 140

https://doi.org/10.33271/nvngu/2023-6/134

Abstract:

Мета. Розробка автоматизованого методу на основі машинного навчання для точного виявлення ознак руйнувань будівель на цифрових знімках.

Методика. Представлено підхід, що використовує комбінацію методів неконтрольованого машинного навчання, зокрема, аналіз головних компонент (PCA), кластеризацію за методом K-середніх і DBSCAN метод, для виявлення руйнувань будівель, спричинених військовими конфліктами. Метод PCA використовується для визначення головних векторів, що представляють напрямки максимальної дисперсії в даних. Потім, застосовується метод K-середніх для кластеризації простору векторів ознак із заздалегідь визначеною кількістю кластерів, що відображає кількість головних векторів. Кожен кластер представляє групу схожих блоків відмінностей зображення, що допомагає ідентифікувати значущі ознаки, пов’язані із руйнуваннями. Наостанок, використовується метод DBSCAN для виявлення областей, де розташовані точки зі схожими характеристиками. Після цього генерується бінарна маска, де пікселі, що перевищують поріг, ідентифікуються як руйнування.

Результати. Запропонований метод досягає точності 98,13 %, перевершуючи показники окремого застосування традиційних методів, таких як DBSCAN, PCA та K-середніх. Крім того, метод демонструє повноту 82,38 %, що свідчить про його здатність ефективно виявляти значну частку позитивних прикладів. Точність 58,54 % підкреслює здатність методу мінімізувати помилкові спрацьовування. Розрахований показник F1, що становить 70,90 %, демонструє добре збалансоване співвідношення між точністю й повнотою.

Наукова новизна. Методи DBSCAN, PCA та K-середніх отримали подальший розвиток у контексті автоматизованого виявлення на аерокосмічних зображеннях руйнувань будівель. Це дозволяє значно підвищити точність і оперативність моніторингу територій, зокрема постраждалих від наслідків військової агресії.

Практична значимість. Отримані результати можуть бути використані для удосконалення систем автоматизованого моніторингу об’єктів забудови, а також послужити основою для розробки ефективних стратегій відновлення й реконструкції пошкодженої інфраструктури.

Ключові слова: неконтрольоване машинне навчання, цифрове зображення, розпізнавання, руйнування будівель, військові конфлікти

References.

1. Kashtan, V., & Hnatushenko, V. (2023). Deep Learning Technology for Automatic Burned Area Extraction Using Satellite High Spatial Resolution Images. Lecture Notes on Data Engineering and Communications Technologies, 149, 664-685. Springer, Cham. https://doi.org/10.1007/978-3-031-16203-9_37.

2. de Alencar Rodrigues, J. A. R., Lima, N. N. R., Neto, M. L. R., & Uchida, R.R. (2022). Ukraine: War, bullets, and bombs – millions of children and adolescents are in danger, Child Abuse & Neglect, 128. https://doi.org/10.1016/j.chiabu.2022.105622.

3. Kulikov, P., Aziukovskyi, O., Vahonova, O., Bondar, O., Akimova, L., & Akimov, O. (2022). Post-war Economy of Ukraine: Innovation and Investment Development Project. Economic Affairs (New Delhi), 67(5), 943-959. https://doi.org/10.46852/04242513.5.2022.30.

4. Kolesnik, V. Ye., Borysovs’ka, O. O., Pavlychenko, А. V., & Shirin, A. L. (2017). Determination of trends and regularities of occurrence of emergency situations of technogenic and natural character in Ukraine. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (6), 124-131.

5. Tasci, B., Madhav, R., Baygin, M., Dogan, S., Tuncer, T., & Belhaouari, S. (2023). InCR: Inception and concatenation residual block-based deep learning network for damaged building detection using remote sensing images. International Journal of Applied Earth Observation and Geoinformation, 123. https://doi.org/10.1016/j.jag.2023.103483.

6. Hordiiuk, D. M., & Hnatushenko, V. V. (2017). Neural network and local laplace filter methods applied to very high resolution remote sensing imagery in urban damage detection. 2017 IEEE International Young Scientists Forum on Applied Physics and Engineering (YSF). https://doi.org/10.1109/ysf.2017.8126648.

7. Lubin, A., & Saleem, A. (2019). Remote sensing-based mapping of the destruction to Aleppo during the Syrian Civil War between 2011 and 2017. Applied Geography, 108, 30-38. https://doi.org/10.1016/j.apgeog.2019.05.004.

8. Mozgovoy, D., Hnatushenko, V., & Vasyliev, V. (2018). Accuracy evaluation of automated object recognition using multispectral aerial images and neural network. Proc. SPIE 10806, Tenth International Conference on Digital Image Processing (ICDIP 2018). https://doi.org/10.1117/12.2502905.

9. Zhang, X., Cui, J., Wang, W., & Lin, C. (2017). A Study for Texture Feature Extraction of High-Resolution Satellite Images Based on a Direction Measure and Gray Level Co-Occurrence Matrix Fusion Algorithm. Sensors, 17, 1474. https://doi.org/10.3390/s17071474.

10. Knoth, C., Slimani, S., Appel, M., & Pebesma, E. (2018). Combining automatic and manual image analysis in a web-mapping application for collaborative conflict damage assessment. Applied Geography, 97, 25-34. https://doi.org/10.1016/j.apgeog.2018.05.016.

11. Quinn, J. A., Nyhan, M. M., Navarro, C., Coluccia, D., Bromley, L., & Luengo-Oroz, M. (2018). Humanitarian applications of machine learning with remote-sensing data: Review and case study in refugee settlement mapping. Philosophical Transactions of the Royal Society of London. https://doi.org/10.1098/rsta.2017.0363.

12. Nex, F., Duarte, D., Tonolo, F., & Kerle, N. (2019). Building damage detection with deep learning: Assessment of a state-of-the-art CNN in operational conditions. Remote Sensing, 11, 2765. https://doi.org/10.3390/rs11232765.

13.  D’Apice, C., Kogut, P. I., Kupenko, O., & Manzo, R. (2023). On Variational Problem with Nonstandard Growth Functional and Its Applications to Image Processing. Journal of Mathematical Imaging and Vision, 65(3), 472-491. https://doi.org/10.1007/s10851-022-01131-w.

14. Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. In Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (pp. 3431-3440). Boston, MA, USA. https://doi.org/10.1109/CVPR.2015.7298965.

15. Liu, L., Ouyang, W., Wang, X., Fieguth, W. P., Chen, J., Liu, X., & Pietikinen, M. (2020). Deep learning for generic object detection. A survey. International Journal of Computer Vision, 128, 261-318. https://doi.org/10.48550/arXiv.1809.02165.

16. Huang, J., Zhang, X., Xin, Q., Sun, Y., & Zhang, P. (2019). Automatic building extraction from high-resolution aerial images and LiDAR data using gated residual refinement network. ISPRS Journal of Photogrammetry and Remote Sensing, 151, 91-105. https://doi.org/10.1016/j.isprsjprs.2019.02.019.

17. Mueller, H., Groeger, A., Hersh, J., Matranga, A., & Serrat, J. (2021). Monitoring war destruction from space using machine learning. Proceedings of the National Academy of Sciences, 118(23). https://doi.org/10.1073/pnas.2025400118.

18. Hnatushenko, V., Hnatushenko, Vik. V., Kavats, A. A., & Shev­chenko, V. Ju. (2015). Pansharpening technology of high resolution multispectral and panchromatic satellite images. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (4), 91-98.

19. Garcia-Alvarez, D., Bregon, A., Pulido, B., & Alonso-Gonzalez, C. J. (2023). Integrating PCA and structural model decomposition to improve fault monitoring and diagnosis with varying operation points. Engineering Applications of Artificial Intelligence, 122. https://doi.org/10.1016/j.engappai.2023.106145.

20. Pranata, K. S., Gunawan, A. A. S., & Gaol, F. L. (2023). Deve­lopment clustering system IDX company with k-means algorithm and DBSCAN based on fundamental indicator and ESG. Procedia Computer Science, 216, 319-327. https://doi.org/10.1016/j.procs.2022.12.142.

21. Perafan-Lopez, J. C., & Sierra-Pérez, J. (2021). An unsupervised pattern recognition methodology based on factor analysis and a genetic-DBSCAN algorithm to infer operational conditions from strain measurements in structural applications. Chinese Journal of Aeronautics, 34, 165-181. https://doi.org/10.1016/j.cja.2020.09.035.

22.  Xu, J., Zhang, Yu., & Miao, D. (2020). Three-way confusion matrix for classification: A measure driven view. Information Sciences, 507, 772-794. https://doi.org/10.1016/j.ins.2019.06.064.

• < Попередня
• Наступна >