Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data

要約

UAV から派生した 3D 点群に基づく自動被害評価は、地震後の被害状況に関する迅速な情報を提供できます。
ただし、複数の損傷等級の評価は、損傷パターンが多様であり、既存の方法を他の地理的地域またはデータ ソースに適用できる可能性が限られているため、困難です。
仮想レーザー スキャン (VLS) データでトレーニングされた機械学習モデルを使用して、現実世界の複数時間の点群からマルチクラスの建物の損傷を自動的に評価する新しいアプローチを紹介します。
(1) オブジェクト固有の変更機能を識別し、(2) 変更された建物部分と変更されていない建物部分を分離し、(3) オブジェクト固有の変更機能に基づいて VLS データを使用してランダム フォレスト機械学習モデルをトレーニングし、(4) 分類子を使用して
写真測量ベースの高密度画像マッチング (DIM) から、実世界の点群で建物の損傷を評価します。
実際の地震イベントのイベント前およびイベント後の DIM 点群で 3 つの損傷グレード (重い、極端な、破壊) を分類する能力に関して、さまざまな入力データでトレーニングされた分類子を評価します。
私たちのアプローチは、モデルのトレーニング (VLS) とアプリケーション (DIM) に使用されるマルチソース入力点群に関して転用可能です。
さらに、地理的変化のシミュレートされたデータでモデルをトレーニングすることにより、モデルの地理的移転可能性を達成します。これは、さまざまな地理的領域にわたる関連する損傷の等級を特徴付けます。
このモデルは、高いマルチターゲット分類精度をもたらします (全体的な精度: 92.0% – 95.1%)。
実際の地域固有のトレーニング データを使用した場合 (全体の精度が 3% 未満高い) と、実際の地域固有のトレーニング データを使用した場合 (全体の精度が 2% 未満高い) のパフォーマンスはわずかに向上します。
私たちのアプローチは、損害状況に関するタイムリーな情報が必要であり、十分な実世界のトレーニング データが利用できないアプリケーションに適していると考えています。

要約(オリジナル)

Automatic damage assessment based on UAV-derived 3D point clouds can provide fast information on the damage situation after an earthquake. However, the assessment of multiple damage grades is challenging due to the variety in damage patterns and limited transferability of existing methods to other geographic regions or data sources. We present a novel approach to automatically assess multi-class building damage from real-world multi-temporal point clouds using a machine learning model trained on virtual laser scanning (VLS) data. We (1) identify object-specific change features, (2) separate changed and unchanged building parts, (3) train a random forest machine learning model with VLS data based on object-specific change features, and (4) use the classifier to assess building damage in real-world point clouds from photogrammetry-based dense image matching (DIM). We evaluate classifiers trained on different input data with respect to their capacity to classify three damage grades (heavy, extreme, destruction) in pre- and post-event DIM point clouds of a real earthquake event. Our approach is transferable with respect to multi-source input point clouds used for training (VLS) and application (DIM) of the model. We further achieve geographic transferability of the model by training it on simulated data of geometric change which characterises relevant damage grades across different geographic regions. The model yields high multi-target classification accuracies (overall accuracy: 92.0% – 95.1%). Its performance improves only slightly when using real-world region-specific training data (< 3% higher overall accuracies) and when using real-world region-specific training data (< 2% higher overall accuracies). We consider our approach relevant for applications where timely information on the damage situation is required and sufficient real-world training data is not available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google