[論文レビュー] Slash or burn: Power line and vegetation classification for wildfire prevention

Austin Park, Farzaneh Rajabi+1 more|arXiv (Cornell University)|May 9, 2021

Remote Sensing and LiDAR Applications参考文献 14被引用数 6

ひとこと要約

本論文では、Googleストリートビュー画像、HOGおよびHough特徴強化、およびCNN（例：VGG11およびResNet18）を用いた転移学習を組み合わせたコンピュータビジョンフレームワークを提案し、野火リスク低減のための送電線および植生の分類を実現している。アンサンブル手法を用いることで、危険な植生の過剰成長を88.88％の正確度で検出しており、優先順位付けされた植生管理とジオタグ付きのインfraストラクチャ資産マップ作成を可能にしている。

ABSTRACT

Electric utilities are struggling to manage increasing wildfire risk in a hotter and drier climate. Utility transmission and distribution lines regularly ignite destructive fires when they make contact with surrounding vegetation. Trimming vegetation to maintain the separation from utility assets is as critical to safety as it is difficult. Each utility has tens of thousands of linear miles to manage, poor knowledge of where those assets are located, and no way to prioritize trimming. Feature-enhanced convolutional neural networks (CNNs) have proven effective in this problem space. Histograms of oriented gradients (HOG) and Hough transforms are used to increase the salience of the linear structures like power lines and poles. Data is frequently taken from drone or satellite footage, but Google Street View offers an even more scalable and lower cost solution. This paper uses $1,320$ images scraped from Street View, transfer learning on popular CNNs, and feature engineering to place images in one of three classes: (1) no utility systems, (2) utility systems with no overgrown vegetation, or (3) utility systems with overgrown vegetation. The CNN output thus yields a prioritized vegetation management system and creates a geotagged map of utility assets as a byproduct. Test set accuracy with reached $80.15\%$ using VGG11 with a trained first layer and classifier, and a model ensemble correctly classified $88.88\%$ of images with risky vegetation overgrowth.

研究の動機と目的

• 乾燥地帯に位置するノース・カリフォルニアのような地域における、送電線と植生の接触に起因する増加する野火リスクに対処すること。
• 公に利用可能なストリートビュー画像を活用した、スケーラブルで低コストな高リスクインフラ資産同定ソリューションの開発。
• 画像を3つのカテゴリに分類することで、優先順位付けされた植生管理システムの構築：「インフラなし」「インフラあり・過剰成長なし」「インフラあり・過剰成長あり」。
• 分類プロセスの副産物として、ジオタグ付きのインフラ資産マップの生成。
• AI駆動の自動点検により、安全対策および規制遵守の向上。

提案手法

• 訓練およびテスト用に、PG&Eのサービス地域をカバーする1,320枚のGoogleストリートビュー画像を収集した。
• 送電線や電柱のような線形構造の可視性を向上させるために、方向勾配のヒストグラム（HOG）およびハフ変換を適用した。
• 事前学習済みのVGG11、ResNet18、その他のCNNアーキテクチャを用いた転移学習により、画像を3クラスに分類した。
• 水平反転によるデータ拡張と、10モデルの投票アンサンブルを採用することで、モデルの頑健性を向上させ、過学習を低減した。
• 過剰な植生の検出を逃すリスクが高いため、偽陰性の低減を重視するため、ファーカス損失関数を用いてモデルを訓練した。
• モデルの意思決定を解釈し、送電線や植生の端縁といった関連特徴にネットワークが注目していることを確認するため、局所化マップ（salience maps）を生成した。

実験結果

リサーチクエスチョン

• RQ1 ストリートビュー画像で学習されたディープラーニングモデルは、高リスクな状況下での送電線および植生を正確に検出できるか？
• RQ2 HOGおよびHough特徴工学的手法は、送電線および植生分類におけるCNNの性能向上にどの程度効果的か？
• RQ3 微調整されたCNNのアンサンブルは、インフラ資産周辺の植生過剰成長を高精度で同定できるか？
• RQ4 モデルの予測結果をどの程度活用してジオタグ付きインフラ資産マップを生成し、保守の優先順位を設定できるか？
• RQ5 クラス不均衡と損失関数設計は、安全が重要な野火防止アプリケーションにおけるモデル性能にどのように影響するか？

主な発見

• カスタム最初の層と分類器を用いて微調整したVGG11モデルは、テストセットで最高の正確度80.15％を達成した。
• 10モデルのアンサンブルは、植生過剰成長を含む画像を正しく分類する正確度が88.88％に達し、そのうち18枚中16枚を正しく特定した。
• 誤検出は13件（「インフラなし」とラベルされた18枚中13枚が「植生過剰成長」と誤分類）であったが、これは偽陰性を回避するよう設計されたファーカス損失関数の意図的な結果であった。
• 局所化マップにより、モデルが送電線および植生の端縁を正しく検出していることが確認され、重なった線や木の縁の変化部分に強く活性化していた。
• 誤検出画像の水平反転版は一貫して「植生過剰成長」と誤分類されており、視覚的パターンへの感受性やデータラベル付けの誤りの可能性を示唆している。
• 研究では、人為的ラベルミス（例：送電線のない画像を「インフラなし」と誤ってラベル付け）が発生しており、モデルが正しく分類していたことから、データ品質の向上の必要性が浮き彫りになった。