权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Building damage detection method using a deep-learning based on the 3 dimensional modeling of oblique aerial photographs

基于倾斜航拍三维建模的深度学习建筑损伤检测方法

基本信息

批准号：
20K15010
负责人：
内藤昌平
金额：
$ 2.66万
依托单位：
National Research Institute for Earth Science and Disaster Prevention
依托单位国家：
日本
项目类别：
Grant-in-Aid for Early-Career Scientists
财政年份：
2020
资助国家：
日本
起止时间：
2020-04-01 至 2024-03-31
项目状态：
已结题

项目摘要

令和4年度においては、斜め航空写真を用いて建物の被災程度を深層学習により自動判別するプログラムの機能追加を二点実施した。一つは、無被害、損傷、倒壊の各判別結果を入力画像全体において再集計した上で、画像内に被害判別結果を重ね書きした画像を作成後、画像を射影変換により垂直画像に変換し、GISソフトで読み込み可能な形式で保存する機能を追加した。もう一つは、斜め航空写真を用いた深層学習により被害を自動判別した結果に加えて、地震前後の高さ差分等、建物被害に関連する複数の指標を組み合わせ、ランダムフォレストに基づき被害推定を行う機能を追加した。これらのプログラムを活用し、令和３年度までに作成した熊本地震における斜め航空写真に基づく建物被害教師データを用いた自動被害判別を行った。具体的には深層学習（YOLOv3）による自動被害判別結果に加え、地震前後の高さ変化、推定計測震度、地表地震断層からの距離、地盤増幅率、建物構造・年代の推定値、ブルーシート被覆率、テクスチャ解析の各データを説明変数として追加し、データの８割を学習用データ、２割をテスト用データとしてランダムフォレストによる判別を行った。結果、深層学習による判別結果のみを説明変数とした場合には正答率は約71%、F値は無被害約82%、損傷約40%、倒壊約51%であったのに対し、多数の説明変数を用いた場合には正答率は約81%、F値は無被害約88%、損傷約61%、倒壊約75%であった。このことから深層学習とランダムフォレストを組み合わせることにより、従来以上の精度で建物被害判別を実現可能であることが示された。

In 2004, two additional functions were added to the system, namely, deep learning of the degree of disaster of buildings, automatic discrimination, and aerial photography. The function of "no harm, no damage, no fall" judgment result is added to the whole picture, and the judgment result of "no harm","no damage","fall", and the judgment result of "no harm","fall", and the judgment result of "fall" is added to the whole picture, and the judgment result of "fall" is added to the whole picture, and the judgment result of "fall" is added to the whole picture, and the judgment result of "fall" is added to the whole picture. The function of automatic victim identification, result addition, height difference before and after earthquake, multiple indicators related to building victim identification, combination, classification and victim estimation was added. This is the first time in three years that we have made an attempt to identify the victims of Kumamoto earthquake. For details, YOLOv3 provides automatic victim identification results, height variation before and after earthquakes, estimated seismicity, distance from surface seismic faults, site amplitude increase rate, estimated value of building structure and age, coverage rate of ground faults, and identification of ground faults. The results show that the correct response rate is about 71%, the F value is about 82%, the damage is about 51%, the correct response rate is about 81%, the F value is about 88%, the damage is about 61%, and the damage is about 75%. This is a deep learning process that can be used to identify building damage with greater accuracy.