[论文解读] Post-Earthquake Assessment of Buildings Using Deep Learning

Dhananjay Nahata, Harish Kumar Mulchandani+2 more|arXiv (Cornell University)|Jul 18, 2019

Infrastructure Maintenance and Monitoring参考文献 17被引用 4

一句话总结

本文提出了一种基于CNN的深度学习模型，用于利用航拍或地面视角图像实现地震后建筑损伤的自动化评估。该模型在1,200张图像上进行训练，图像被划分为四种损伤等级——无损伤、轻微、严重和倒塌。采用VGG16迁移学习模型，在学习率为1e-5时，实现了97.85%的训练准确率和89.38%的验证准确率，展现出在灾难响应中强大的实时应用潜力。

ABSTRACT

Classification of the extent of damage suffered by a building in a seismic event is crucial from the safety perspective and repairing work. In this study, authors have proposed a CNN based autonomous damage detection model. Over 1200 images of different types of buildings-1000 for training and 200 for testing classified into 4 categories according to the extent of damage suffered. Categories are namely, no damage, minor damage, major damage, and collapse. Trained network tested by the application of various algorithms with different learning rates. The most optimum results were obtained on the application of VGG16 transfer learning model with a learning rate of 1e-5 as it gave a training accuracy of 97.85% and validation accuracy of up to 89.38%. The model developed has real-time application in the event of an earthquake.

研究动机与目标

• 开发一种自动化、基于深度学习的系统，用于地震后建筑损伤分类，以提升安全性和修复效率。
• 解决人工损伤评估在灾后场景中耗时且资源密集的局限性。
• 评估迁移学习模型（特别是VGG16）在包含不同损伤等级的多样化建筑图像数据集上的性能。
• 识别最优超参数（如学习率），以在实际部署中最大化分类准确率。
• 通过深度学习实现实时、可扩展的损伤评估，用于应急响应和城市韧性规划。

提出的方法

• 收集并整理了1,200张建筑图像的数据集——1,000张用于训练，200张用于测试，划分为四种类别：无损伤、轻微、严重和倒塌。
• 采用预训练的VGG16架构进行迁移学习，利用ImageNet中学习到的特征，以提升在损伤分类任务上的泛化能力。
• 通过不同学习率（如1e-5）微调VGG16模型，以优化在自定义数据集上的性能。
• 应用数据增强和归一化技术，以提高模型在各种图像条件下的鲁棒性和泛化能力。
• 使用随机梯度下降和交叉熵损失函数训练模型，以最小化分类误差。
• 采用标准指标评估模型性能：训练和验证准确率，结果按所有四种类别报告。

实验结果

研究问题

• RQ1 深度学习模型能否有效利用地震后图像将建筑损伤划分为四个明确类别？
• RQ2 与从零开始训练相比，使用VGG16进行迁移学习在有限损伤数据集上的准确率和收敛速度如何？
• RQ3 何种学习率能最优地提升微调后的VGG16模型在建筑损伤分类中的性能？
• RQ4 该模型在图像质量与光照条件多变的真实灾后场景中，其泛化能力如何？
• RQ5 该模型能否在保持计算高效的同时实现高验证准确率，从而实现实时应急响应中的部署？

主要发现

• 当使用学习率为1e-5进行微调时，VGG16迁移学习模型实现了97.85%的训练准确率和89.38%的验证准确率。
• 该模型在未见过的测试图像上表现出强大的泛化能力，表明其对建筑类型和图像条件变化具有鲁棒性。
• 在测试的学习率中，1e-5取得了最高的验证准确率，表明该学习率在本数据集和网络架构下实现了最优收敛。
• 该模型成功区分了所有四种类别损伤，包括严重损伤与倒塌之间的关键区分。
• 与从零开始训练相比，迁移学习显著提升了性能，表现为在较少训练轮次内达到高准确率。
• 结果证实了在地震后场景中部署深度学习模型实现实时、自动化建筑损伤评估的可行性。