Schadensbewertung mit Deep Learning in ArcGIS

VinayViswambharan1

<\/HEAD>

Nach einer Naturkatastrophe können Reaktions- und Wiederherstellungsmaßnahmen durch manuelle Datenerfassung erheblich verzögert werden. Traditionell müssen Versicherungsprüfer und Regierungsbeamte sich auf die menschliche Interpretation von Bildern und Ortsbesuche verlassen, um Schäden und Verluste zu bewerten. Je nach Ausmaß einer Katastrophe kann dieser notwendige Prozess jedoch die Hilfe für die Opfer verzögern.<\/SPAN><\/P>Artikelübersicht:<\/STRONG> Auf der diesjährigen Esri User Conference Plenarsitzung demonstrierte die United Services Automobile Association (USAA) den Einsatz von Deep Learning<\/A> Funktionen in ArcGIS zur automatisierten Schadensbewertung von Häusern nach dem verheerenden Woolsey-Feuer<\/A>. Diese Arbeit war ein gemeinsamer Prototyp zwischen Esri und USAA, um die Möglichkeiten bei der Durchführung dieser Art von Schadensbewertung mit der ArcGIS-Plattform aufzuzeigen.<\/SPAN><\/P><\/DIV>

Das Woolsey-Feuer brannte 15 Tage lang, zerstörte fast 97.000 Acres Land und beschädigte oder zerstörte Tausende von Gebäuden. Deep Learning innerhalb von ArcGIS wurde verwendet, um schnell beschädigte Gebäude innerhalb des Brandperimeters zu identifizieren, wodurch die Zeit für betroffene Bewohner und Unternehmen verkürzt wurde, damit ihr Sachverständiger die Versicherungsansprüche bearbeiten konnte.<\/SPAN><\/P>Der Prozess umfasste das Erfassen von Trainingsbeispielen, das Trainieren des Deep Learning-Modells, das Ausführen von Inferenzwerkzeugen und das Erkennen beschädigter Häuser – alles innerhalb der ArcGIS-Plattform. In diesem Blog führen wir Sie durch jeden Schritt des Prozesses.<\/SPAN><\/P><\/DIV>

Schritt 1: Verwaltung der Bilddaten<\/STRONG><\/SPAN><\/H1>Bevor die Brände gelöscht wurden, flog DataWing Drohnen im Brandperimeter und erfasste hochauflösende Bilder der betroffenen Gebiete. Die Bilddaten hatten eine Größe von insgesamt 40 GB und wurden mit einem Mosaik-Datensatz verwaltet. Der Mosaik-Datensatz ist das primäre Bildverwaltungsmodell für ArcGIS zur Verwaltung großer Bildmengen.<\/SPAN><\/P>Schritt 2. Beschriftung und Vorbereitung der Trainingsbeispiele<\/STRONG><\/SPAN><\/H1>Vor dem Training eines Deep Learning-Modells müssen Trainingsbeispiele erstellt werden, die Interessensgebiete repräsentieren – in diesem Fall interessierte sich USAA für beschädigte und unbeschädigte Gebäude. Die Gebäudegrundrissdaten<\/A> , bereitgestellt vom LA County, wurden über die hochauflösenden Drohnenbilder in ArcGIS Pro gelegt, und mehrere hundert Häuser wurden manuell als Beschädigt oder Unbeschädigt gekennzeichnet (ein neues Feld namens „ClassValue“ in der Gebäudegrundriss-Feature-Class wurde mit diesen Informationen attribuiert). Diese Trainingsfeatures wurden verwendet, um Trainingsbeispiele <\/EM>mit dem Werkzeug Export Training Data for Deep Learning<\/A> in ArcGIS Pro zu exportieren, wobei das Metadaten-Ausgabeformat auf ‚Labeled Tiles‘ eingestellt war.<\/SPAN><\/P>

                             <\/DIV>               Resultierende Bildausschnitte (Labeled Tiles verwendet zum Training des Damage Classification Modells)<\/STRONG><\/SPAN>

Schritt 3: Training des Deep Learning-Modells<\/STRONG><\/SPAN><\/H1>ArcGIS Notebooks<\/A> wurden für Trainingszwecke verwendet. ArcGIS Notebooks ist vorkonfiguriert mit den notwendigen Deep Learning-Bibliotheken, sodass keine zusätzliche Einrichtung erforderlich war. Mit wenigen Codezeilen wurden die aus ArcGIS Pro exportierten Trainingsbeispiele erweitert. Mithilfe des arcgis.learn-Moduls in der ArcGIS Python API wurden optimale Trainingsparameter für das Schadensbewertungsmodell festgelegt, und das Deep Learning-Modell wurde mit einer ResNet34-Architektur trainiert, um alle Gebäude in den Bildern entweder als beschädigt oder unbeschädigt zu klassifizieren.<\/SPAN><\/P>

               <\/DIV>                                     &nbpsp;Das Modell konvergierte bei etwa 99 % Genauigkeit<\strong>                   <\span>
Sobald abgeschlossen, wurden die Ground Truth Labels mit den Modellklassifikationsergebnissen verglichen, um eine schnelle qualitative Einschätzung der Modellleistung zu erhalten.<\span>

0000000000000000000000000000000000000000000000000000000 Model Predictions

Für vollständige Details zum Trainingsprozess siehe 

unseren Beitrag&#160auf Medium
Abschließend kann mit der Funktion model.save() das Modell gespeichert und für Inferenzzwecke verwendet werden.

Schritt 4 – Ausführen der Inferenzwerkzeuge
Die Inferenz wurde mit der ArcGIS API for Python durchgeführt. Durch Ausführen der Inferenz innerhalb von ArcGIS Enterprise unter Verwendung der Funktion model.classify_features in Notebooks können wir die Inferenz skalieren.
Das Ergebnis ist ein Feature-Service, der in ArcGIS Pro angezeigt werden kann. (Hier ist ein Link zur Webkarte).
Über neuntausend Gebäude wurden automatisch mit Deep Learning-Funktionen innerhalb von ArcGIS klassifiziert!
Die untenstehende Karte zeigt die beschädigten Gebäude rot markiert und die unbeschädigten grün. Mit einer Genauigkeit von 99 % nähert sich das Modell der Leistung eines geschulten Sachverständigen an – was früher Tage oder Wochen dauerte, können wir jetzt in wenigen Stunden erledigen.

alt="Inference-Ergebnisse" class="" src="https://www.esri.com/arcgis-blog/wp-content/uploads/2019/08/showingaccuracyinpro.gif" title="Inference-Ergebnisse" /><\/DIV>                                               Inference-ErgebnisseSchritt 5: Wertvolle Erkenntnisse gewinnen<\/STRONG><\/SPAN><\/H1>Business Analyst:<\/STRONG><\/SPAN> Nachdem wir ein besseres Verständnis des betroffenen Gebiets hatten, wollten wir verstehen, welche Mitglieder von den Bränden betroffen waren. Beim Einsatz mobiler Einsatzkräfte in Katastrophengebieten ist es wichtig zu wissen, wo sich die am stärksten gefährdeten Bevölkerungsgruppen befinden, zum Beispiel ältere Menschen oder Kinder. Mithilfe von Infografiken aus ArcGIS Business Analyst extrahierten wir wertvolle Merkmale und Informationen über die betroffene Gemeinschaft und erstellten einen Bericht, der mobilen Einheiten hilft, schneller Entscheidungen zu treffen.<\/SPAN><\/P><\/DIV>                                Standortinformationen mit ArcGIS Business Analyst erhalten<\/STRONG><\/SPAN>Operations Dashboard: <\/STRONG><\/SPAN>Mit dem Operations Dashboard, das angereicherte Feature-Layer enthält, haben wir einen einfachen dynamischen Zugriff auf den Status jeder Struktur, den Wert der beschädigten Strukturen, die betroffene Bevölkerung und vieles mehr erstellt.<\/SPAN><\/P>       <\/DIV>Zusammenfassung:<\/STRONG><\/SPAN><\/H1>Durch den Einsatz von Deep Learning, Bildmaterial und Datenanreicherungsfunktionen auf der ArcGIS-Plattform können wir schnell beschädigte von unbeschädigten Gebäuden unterscheiden, die am stärksten gefährdeten Bevölkerungsgruppen identifizieren, und Organisationen können diese Informationen für schnelle Reaktions- und Wiederherstellungsmaßnahmen nutzen.<\/SPAN><\/P> <\/SPAN>Weitere Ressourcen:<\/STRONG><\/SPAN><\/P>Deep Learning in ArcGIS Pro<\/A><\/SPAN><\/P>

Verteilte Verarbeitung mit Raster Analytics<\/A><\/SPAN><\/P>

Image Analysis Workflows<\/A><\/SPAN><\/P>

Details zum Modelltraining der Schadensbewertung <\/A><\/P>

ArcGIS Notebooks<\/A><\/SPAN><\/P>

ÜBER DIE AUTOREN<\/SPAN><\/H2>Vinay Viswambharan<\/A><\/H3>

Produktmanager im Imagery-Team bei Esri mit Begeisterung für Fernerkundung und alles rund um Bildmaterial.<\/P><\/DIV>

Rohit Singh< /A >< /H3 >< P class=„“style=„font-size:“14“ px;margin-bottom:“8“ px >Entwicklungsleiter - ArcGIS API for Python. Anwendung von Deep Learning in der Science of Where @Esri. https://twitter.com/geonumist< /P >< DIV class=„“ >< /DIV >< /DIV >< /DIV >< /DIV >< /DIV >< /BODY >< /HTML >