Clasificación de Aprendizaje Profundo de Imágenes Ortomosaico 2D y Nubes de Puntos 3D para la Evaluación de Daños Estructurales Post-Evento
Autores: Liao, Yijun; Mohammadi, Mohammad Ebrahim; Wood, Richard L.
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Clasificación de Aprendizaje Profundo de Imágenes Ortomosaico 2D y Nubes de Puntos 3D para la Evaluación de Daños Estructurales Post-Evento
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Técnicas de recolección de datos eficientes
Imágenes aéreas
Modelos de aprendizaje profundo
Redes neuronales convolucionales
Clasificación post-evento
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Las técnicas de recolección de datos eficientes y rápidas son necesarias para obtener información transitoria tras desastres naturales, que no solo es útil para la gestión y planificación post-evento, sino también para la evaluación de daños estructurales después del evento. La imagen aérea de sistemas aéreos no tripulados (neutro en cuanto al género, pero también conocidos como drones) permite una caracterización del sitio altamente detallada, en particular después de eventos extremos con un soporte terrestre mínimo, para documentar las condiciones actuales de la región de interés. Sin embargo, la imagen aérea resulta en una gran cantidad de datos en forma de imágenes ortomosaico bidimensionales (2D) y nubes de puntos tridimensionales (3D). Ambos tipos de conjuntos de datos requieren flujos de trabajo de procesamiento de datos efectivos y eficientes para identificar varios estados de daño de las estructuras. Este manuscrito tiene como objetivo introducir dos modelos de aprendizaje profundo basados en redes neuronales convolucionales tanto 2D como 3D para procesar las imágenes ortomosaico y las nubes de puntos, para la clasificación post-tormenta de viento. En detalle, se desarrollan redes neuronales convolucionales 2D (2D CNN) basadas en el aprendizaje por transferencia de dos redes bien conocidas, AlexNet y VGGNet. En contraste, se desarrolló y entrenó una red completamente convolucional 3D (3DFCN) con conexiones de salto basada en los datos de nubes de puntos disponibles. Dentro de este estudio, los conjuntos de datos se crearon a partir de datos de las secuelas de los huracanes Harvey (Texas) y María (Puerto Rico). Los modelos 2DCNN y 3DFCN desarrollados se compararon cuantitativamente en función de las medidas de rendimiento, y se observó que el 3DFCN era más robusto en la detección de las diversas clases. Esto demuestra el valor y la importancia de los conjuntos de datos 3D, particularmente la información de profundidad, para distinguir entre instancias que representan diferentes estados de daño en las estructuras.
Descripción
Las técnicas de recolección de datos eficientes y rápidas son necesarias para obtener información transitoria tras desastres naturales, que no solo es útil para la gestión y planificación post-evento, sino también para la evaluación de daños estructurales después del evento. La imagen aérea de sistemas aéreos no tripulados (neutro en cuanto al género, pero también conocidos como drones) permite una caracterización del sitio altamente detallada, en particular después de eventos extremos con un soporte terrestre mínimo, para documentar las condiciones actuales de la región de interés. Sin embargo, la imagen aérea resulta en una gran cantidad de datos en forma de imágenes ortomosaico bidimensionales (2D) y nubes de puntos tridimensionales (3D). Ambos tipos de conjuntos de datos requieren flujos de trabajo de procesamiento de datos efectivos y eficientes para identificar varios estados de daño de las estructuras. Este manuscrito tiene como objetivo introducir dos modelos de aprendizaje profundo basados en redes neuronales convolucionales tanto 2D como 3D para procesar las imágenes ortomosaico y las nubes de puntos, para la clasificación post-tormenta de viento. En detalle, se desarrollan redes neuronales convolucionales 2D (2D CNN) basadas en el aprendizaje por transferencia de dos redes bien conocidas, AlexNet y VGGNet. En contraste, se desarrolló y entrenó una red completamente convolucional 3D (3DFCN) con conexiones de salto basada en los datos de nubes de puntos disponibles. Dentro de este estudio, los conjuntos de datos se crearon a partir de datos de las secuelas de los huracanes Harvey (Texas) y María (Puerto Rico). Los modelos 2DCNN y 3DFCN desarrollados se compararon cuantitativamente en función de las medidas de rendimiento, y se observó que el 3DFCN era más robusto en la detección de las diversas clases. Esto demuestra el valor y la importancia de los conjuntos de datos 3D, particularmente la información de profundidad, para distinguir entre instancias que representan diferentes estados de daño en las estructuras.