Information fusion to automatically classify post-event building damage state
Information fusion to automatically classify post-event building damage state
复制标题
信息融合自动分类事后建筑物损坏状态
DOI：
10.1016/j.engstruct.2021.113765
复制
发表时间：
2022
影响因子：
5.5
通讯作者：
Zhang, Xin
中科院分区：
文献类型：
--
作者：
Liu, Xiaoyu;Iturburu, Lissette;Dyke, Shirley J.;Lenjani, Ali;Ramirez, Julio;Zhang, Xin
在每次重大自然灾害事件发生后，都进行事后侦察任务，以收集宝贵和易损坏的数据。部署了工程师和科学家小组收集数据，特别是视觉数据（图像），以支持特定的调查路线，或确定新的调查路线，这可能导致对民用基础设施设计最佳做法的新知识。视觉数据与计算机视觉方法相结合，可以成为加速和自动化这些过程的宝贵工具。它们一起提供了更容易使用数据的方法，并组织数据集，以便在搜索中发现和重用它们。本文的重点是开发一种自动化技术，根据从现场单个建筑物收集的一组典型的侦察图像对建筑物的整体损坏状态进行分类。激励任务是收集数据并将损害分类为大类，例如计算哈桑指数所需的类别（Pujol等人，2020年）。该方法采用朴素贝叶斯融合算法（Altınçay，2005）对数据进行联合收割机融合，并采用集成采样技术在不影响结果质量的前提下减少计算时间。验证是使用29,543过去的侦察图像从720个建筑物在世界不同地区收集，部分，用于确定的哈桑指数。
Post-event reconnaissance missions are conducted after each major natural hazard event to collect valuable and perishable data. Teams of engineers and scientists are deployed to collect data, and in particular visual data (images), to support particular lines of inquiry, or to identify new lines of inquiry, that may lead to new knowledge about the best practices for the design of civil infrastructure. Visual data, combined with computer vision methods, can be a valuable tool for accelerating and automating these processes. Together they provide the means to more easily use the data, and organize the data sets so that they can be discovered in a search and reused. The focus of this paper is the development of an automated technique to classify the overall damage state of a building based on a typical set of reconnaissance images collected from a single building in the field. The motivating task is the collection of data and classification of damage into broad categories, such as those needed for computing the Hassan index (Pujol et al., 2020). The method adopts a naïve Bayes fusion algorithm (Altınçay, 2005) to combine the data, and an integrated sampling technique to reduce the computational time without compromising the quality of the results. Validation is performed using 29,543 past reconnaissance images from 720 buildings in different parts of the world that was collected, in part, for determination of the Hassan index.
登录
查看更多内容
通过 DesignSafe 网络基础设施加强自然灾害工程研究
影响因子：
3
作者：
E. Rathje;Clint N. Dawson;J. Padgett;J. Pinelli;D. Stanzione;P. Arduino;S. Brandenberg;T. Cockerill;M. Esteva;F. Haan;A. Kareem;L. Lowes;G. Mosqueda
通讯作者：
G. Mosqueda
包括 2016 年 2 月 6 日台湾地震数据在内的低层钢筋混凝土建筑地震脆弱性指数评估
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
S. Pujol;L. Laughery;A. Puranam;P. Hesam;Lihua Cheng;A. Lund;A. Irfanoglu
通讯作者：
A. Irfanoglu
少震地区低层建筑地震易损性评价
DOI：
--
发表时间：
1997
期刊：
影响因子：
--
作者：
A. F. Hassan;M. Sozen
通讯作者：
M. Sozen
依赖分类器的朴素贝叶斯融合
影响因子：
5.1
作者：
H. Altınçay
通讯作者：
H. Altınçay
该研究所的损害调查小组
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
L. Laughery;A. Puranam;C. Segura;A. Behrouzi
通讯作者：
A. Behrouzi