Evaluación de daños utilizando deep learning en ArcGIS

VinayViswambharan1

<\/HEAD>

Después de un desastre natural, los esfuerzos de respuesta y recuperación pueden ralentizarse drásticamente debido a la recopilación manual de datos. Tradicionalmente, los evaluadores de seguros y funcionarios gubernamentales deben confiar en la interpretación humana de imágenes y visitas al sitio para evaluar daños y pérdidas. Pero dependiendo del alcance de un desastre, este proceso necesario podría retrasar la ayuda a las víctimas del desastre.<\/SPAN><\/P>Resumen del artículo:<\/STRONG> En la sesión plenaria de la Conferencia de Usuarios Esri de este año, United Services Automobile Association (USAA) demostró el uso de deep learning<\/A> en ArcGIS para realizar una evaluación automatizada de daños en viviendas después del devastador incendio Woolsey<\/A>. Este trabajo fue un prototipo colaborativo entre Esri y USAA para mostrar el arte de lo posible al hacer este tipo de evaluación de daños utilizando la plataforma ArcGIS.<\/SPAN><\/P><\/DIV>

El incendio Woolsey duró 15 días, quemando casi 97,000 acres y dañando o destruyendo miles de estructuras. Se utilizó deep learning dentro de ArcGIS para identificar rápidamente las estructuras dañadas dentro del perímetro del incendio, acelerando el tiempo para que los residentes y negocios afectados pudieran procesar sus reclamaciones con su ajustador.<\/SPAN><\/P>El proceso incluyó capturar muestras de entrenamiento, entrenar el modelo de deep learning, ejecutar herramientas de inferencia y detectar viviendas dañadas – todo realizado dentro de la plataforma ArcGIS. En este blog, recorreremos cada paso del proceso.<\/SPAN><\/P><\/DIV>

Paso 1: Gestión de las imágenes<\/STRONG><\/SPAN><\/H1>Antes de que se extinguieran los incendios, DataWing voló drones dentro del perímetro del incendio y capturó imágenes de alta resolución de las áreas afectadas. Las imágenes totalizaron un tamaño de 40 GB y se gestionaron usando un conjunto mosaico. El conjunto mosaico es el modelo principal para gestionar grandes volúmenes de imágenes en ArcGIS.<\/SPAN><\/P>Paso 2. Etiquetado y preparación de muestras de entrenamiento<\/STRONG><\/SPAN><\/H1>Antes de entrenar un modelo de deep learning, se deben crear muestras de entrenamiento que representen áreas de interés – en este caso, USAA estaba interesado en edificios dañados y no dañados. Los datos del contorno del edificio<\/A> suministrados por el Condado de LA, se superpusieron sobre las imágenes aéreas tomadas por drones en alta resolución en ArcGIS Pro, y varias cientos de casas fueron etiquetadas manualmente como Dañadas o No Dañadas  (un nuevo campo llamado "ClassValue" en la clase de entidad del contorno del edificio fue atribuido con esta información). Estas características de entrenamiento se usaron para exportar muestras de entrenamiento <\/EM>usando la herramienta Export Training Data for Deep Learning<\/A> en ArcGIS Pro, con el formato de salida metadata configurado como 'Labeled Tiles'.<\/SPAN><\/P>

                             <\/DIV>               Chips resultantes (Labeled Tiles usados para entrenar el modelo Damage Classification)<\/STRONG><\/SPAN>

Paso 3: Entrenamiento del modelo deep learning<\/STRONG><\/SPAN><\/H1>ArcGIS Notebooks<\/A> se usó para fines de entrenamiento. ArcGIS Notebooks viene preconfigurado con las bibliotecas necesarias para deep learning, por lo que no se requirió configuración adicional. Con unas pocas líneas de código, las muestras exportadas desde ArcGIS Pro fueron aumentadas. Usando el módulo arcgis.learn en la API Python de ArcGIS, se establecieron parámetros óptimos para entrenar el modelo de evaluación de daños, y el modelo deep learning fue entrenado usando una arquitectura ResNet34 para clasificar todos los edificios en las imágenes como dañados o no dañados.<\/SPAN><\/P>

               <\/DIV>                             &nbpsp;El modelo convergió alrededor del 99% de precisión<\strong>             <\span> Una vez completado , las etiquetas reales se compararon con los resultados clasificados por el modelo para obtener una idea cualitativa rápida sobre qué tan bien funcionó el modelo .          

                                         'Predicciones del Modelo'

Para detalles completos sobre el proceso de entrenamiento vea 

nuestro post 'en Medium' Finalmente , con la función model.save() , el modelo puede guardarse y usarse para propósitos inferenciales . Paso 4 :Ejecución de las herramientas de inferencias La inferencia se realizó usando la API ArcGIS para Python . Al ejecutar inferencias dentro de ArcGIS Enterprise usando la función model.classify_features en Notebooks , podemos escalar la inferencia . El resultado es un servicio feature que puede verse en ArcGIS Pro . (Aquí hay un enlace al mapa web). ¡Más de nueve mil edificios fueron clasificados automáticamente usando capacidades deep learning dentro de ArcGIS! El mapa a continuación muestra los edificios dañados marcados en rojo y los edificios no dañados en verde. Con un 99% de precisión , el modelo se acerca al rendimiento de un ajustador capacitado – lo que antes nos tomaba días o semanas , ahora podemos hacerlo en cuestión de horas. &#32&#32&#32&#32&#32&#32&#32&#32&#32&#32&#32&#32&#32&#32&#32<\/DIV>                                               Resultados de inferenciaPaso 5: Derivando insights valiosos<\/STRONG><\/SPAN><\/H1>Business Analyst:<\/STRONG><\/SPAN> Ahora que teníamos una mejor comprensión del área impactada, queríamos entender quiénes eran los miembros afectados por los incendios. Al desplegar unidades móviles de respuesta a áreas de desastre, es importante saber dónde se encuentran las poblaciones más en riesgo, por ejemplo, ancianos o niños. Usando Infographics de ArcGIS Business Analyst, extrajimos características e información valiosa sobre la comunidad afectada y generamos un informe para ayudar a las unidades móviles a tomar decisiones más rápido.<\/SPAN><\/P><\/DIV>                                   Obtener inteligencia de ubicación con ArcGIS Business Analyst<\/STRONG><\/SPAN>Operations Dashboard: <\/STRONG><\/SPAN>Usando el operations dashboard que contiene capas enriquecidas de entidades, creamos un acceso dinámico y sencillo al estado de cualquier estructura, el valor de las estructuras dañadas, la población afectada y mucho más.<\/SPAN><\/P>           <\/DIV>Resumen:<\/STRONG><\/SPAN><\/H1>Usando deep learning, imágenes y capacidades de enriquecimiento de datos en la plataforma ArcGIS, podemos distinguir rápidamente edificios dañados de los no dañados, identificar las poblaciones más en riesgo, y las organizaciones pueden usar esta información para actividades rápidas de respuesta y recuperación.<\/SPAN><\/P> <\/SPAN>Más recursos:<\/STRONG><\/SPAN><\/P>Deep Learning en ArcGIS Pro<\/A><\/SPAN><\/P>

Procesamiento distribuido usando Raster Analytics<\/A><\/SPAN><\/P>

Flujos de trabajo de análisis de imágenes<\/A><\/SPAN><\/P>

Detalles sobre el entrenamiento del modelo para la evaluación de daños <\/A><\/P>

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

SOBRE LOS AUTORES<\/SPAN><\/H2>Vinay Viswambharan<\/A><\/H3>

Gerente de producto en el equipo de Imagery en Esri, con pasión por la teledetección y todo lo relacionado con imágenes.<\/P><\/DIV>

Rohit Singh<\/A ><\/H3 >

Líder de desarrollo - ArcGIS API for Python. Aplicando deep learning a la Ciencia del Dónde @Esri. https://twitter.com/geonumist<\/P >

<\/DIV ><\/DIV ><\/DIV ><\/DIV ><\/DIV ><\/BODY ><\/HTML >