野火疏散者和救災小組很快就能使用最新開發(fā)的人工智能工具DamageMap，在幾分鐘內遠程掃描一個城鎮(zhèn)的結構損壞情況。

斯坦福大學（ Stanford University ）和加州理工州立大學（ California Polytechnic State University ）圣路易斯奧比斯波分校（ San Luis Obispo ）的研究人員合作，該項目使用航空圖像和深度學習算法，精確定位野火事件后的建筑物損壞。這項研究可以引導救災人員前往最需要的地區(qū)，同時讓關心的房主了解情況。

加州保利大學助理教授、 DamageMap 的共同開發(fā)者 G 。 Andrew Fricker 說：“火災或災難發(fā)生后，很多人需要或想要知道損失的程度和嚴重程度。我們開始幫助縮短響應時間，以獲取對火災受害者、應急和恢復人員有價值的可操作信息?！薄?/p>

隨著氣候變化的影響導致氣候變暖和干旱，野火災害正在更頻繁、更嚴重地襲擊社區(qū)。2020年，美國西部的野火摧毀了13000多棟建筑，損失近200億美元。在這個季節(jié)還有幾個月的時間里，加利福尼亞州已經發(fā)生了7000多起火災，約3000座建筑物受損。

當火勢平息時，損失評估小組進行檢查并評估燒傷區(qū)域的安全性。應急行動中心使用這些報告為居民組織救災和恢復資源。了解一個地區(qū)的位置和破壞程度有助于應急小組分配資源，特別是在同時應對多起火災時。

雖然檢查是重新定居的必要步驟，但也是耗時和資源密集型的。

最近的機器學習模型試圖利用衛(wèi)星圖像減輕這一負擔。但是，大多數方法都需要類似成分（如照明和角度）的高質量野火前后圖像來檢測變化并精確定位受損區(qū)域。它們還需要最新的圖像以確保準確性，這可能需要昂貴的維護成本，并且難以縮放。

利用 DamageMap ，研究人員訓練了一種新的深度學習算法，該算法能夠通過使用兩個模型來檢測損壞，這兩個模型一起工作，并對建筑物的狀況進行探測。第一種模式依靠某一地區(qū)的任何戰(zhàn)前無人駕駛飛機或衛(wèi)星圖像來探測建筑物并繪制足跡。第二個模型使用火災后的航空圖像來確定結構損壞，例如燒焦的屋頂或被摧毀的建筑物。

研究人員使用了一個包含 47543 張來自全球五場不同野火的結構圖像的數據庫來訓練神經網絡。手動將這些圖像的子集標記為已損壞和未損壞，該算法學會識別和分類結構。

他們使用來自加利福尼亞州最近兩次野火的圖像對模型進行了測試，這兩次野火分別是巴特縣野火，沙斯塔縣野火和三一縣卡爾野火。將模型預測與記錄受損建筑物位置的地面勘測員數據進行比較 DamageMap 大約 96% 的時間準確檢測到受損結構。

這項技術不僅精確，而且速度快。使用 NVIDIA GPU 和cuDNN – 加速 PyTorch 深度學習框架， DamageMap 以每幅圖像約 60 毫秒的速度處理圖像。

由 Damageap 團隊提供

對天堂鎮(zhèn)（ town of Paradise ）的 15931 棟建筑進行分類需要 16 分鐘。天堂鎮(zhèn)在 2018 年的營火中幾乎被完全摧毀。

這項工作是可獲得的用于測試和探索，代碼和支持分析在github上進行。研究人員鼓勵其他人進一步使用、開發(fā)和改進該模型。

根據弗里克的說法，該工具可以接受培訓，將目光投向受損的建筑物之外，包括燒毀的汽車或倒塌的電線等元素，以進一步通知響應和恢復工作。

關于作者

Michelle Horton 是 NVIDIA 的高級開發(fā)人員通信經理，擁有通信經理和科學作家的背景。她在 NVIDIA 為開發(fā)者博客撰文，重點介紹了開發(fā)者使用 NVIDIA 技術的多種方式。

審核編輯：郭婷