Schadebeoordeling met behulp van deep learning in ArcGIS

VinayViswambharan1

<\/HEAD>

Na een natuurramp kunnen respons- en herstelinspanningen drastisch worden vertraagd door handmatige gegevensverzameling. Traditioneel moeten verzekeringsbeoordelaars en overheidsfunctionarissen vertrouwen op menselijke interpretatie van beelden en locatiebezoeken om schade en verlies te beoordelen. Maar afhankelijk van de omvang van een ramp kan dit noodzakelijke proces de hulp aan slachtoffers vertragen.<\/SPAN><\/P>Artikeloverzicht:<\/STRONG> Tijdens de plenaire sessie van de Esri User Conference van dit jaar demonstreerde de United Services Automobile Association (USAA) het gebruik van deep learning<\/A> mogelijkheden in ArcGIS om geautomatiseerde schadebeoordeling van woningen uit te voeren na de verwoestende Woolsey-brand<\/A>. Dit werk was een gezamenlijk prototype tussen Esri en USAA om te laten zien wat mogelijk is bij dit type schadebeoordeling met het ArcGIS-platform.<\/SPAN><\/P><\/DIV>

De Woolsey-brand woedde 15 dagen, verbrandde bijna 97.000 acres en beschadigde of vernietigde duizenden gebouwen. Deep learning binnen ArcGIS werd gebruikt om snel beschadigde gebouwen binnen het brandgebied te identificeren, waardoor de tijd voor getroffen bewoners en bedrijven om hun schadeclaims te laten verwerken door hun expert werd versneld.<\/SPAN><\/P>Het proces omvatte het vastleggen van trainingsvoorbeelden, het trainen van het deep learning-model, het uitvoeren van inferentietools en het detecteren van beschadigde woningen – allemaal binnen het ArcGIS-platform. In deze blog lopen we stap voor stap door het proces.<\/SPAN><\/P><\/DIV>

Stap 1: Beheren van de beelden<\/STRONG><\/SPAN><\/H1>Voordat de branden waren geblust, vloog DataWing met drones binnen het brandgebied en maakte hoge resolutie beelden van de getroffen gebieden. De beelden waren in totaal 40 GB groot en werden beheerd met behulp van een mozaïekdataset. De mozaïekdataset is het primaire beeldbeheer model voor ArcGIS om grote hoeveelheden beelden te beheren.<\/SPAN><\/P>Stap 2. Labelen en voorbereiden van trainingsvoorbeelden<\/STRONG><\/SPAN><\/H1>Voorafgaand aan het trainen van een deep learning-model moeten trainingsvoorbeelden worden gemaakt die interessegebieden vertegenwoordigen – in dit geval was USAA geïnteresseerd in beschadigde en onbeschadigde gebouwen. De gebouwcontourgegevens<\/A> geleverd door LA County, werden over de hoge resolutie dronebeelden in ArcGIS Pro gelegd, en enkele honderden woningen werden handmatig gelabeld als Beschadigd of Onbeschadigd  (een nieuw veld genaamd 1ClassValue7 in de gebouwcontour feature class kreeg deze informatie). Deze trainingsfeatures werden gebruikt om trainingsvoorbeelden <\/EM>te exporteren met behulp van de Export Training Data for Deep Learning<\/A> -tool in ArcGIS Pro, waarbij het metadata-uitvoerformaat was ingesteld op Labeled Tiles.<\/SPAN><\/P>

                             <\/DIV>               Resultante beeldchips (Labeled Tiles gebruikt voor training van het Damage Classification model)<\/STRONG><\/SPAN>

Stap 3: Trainen van het deep learning-model<\/STRONG><\/SPAN><\/H1>ArcGIS Notebooks<\/A> werd gebruikt voor trainingsdoeleinden. ArcGIS Notebooks is vooraf geconfigureerd met de benodigde deep learning-bibliotheken, dus er was geen extra setup nodig. Met een paar regels code werden de trainingsvoorbeelden geëxporteerd vanuit ArcGIS Pro uitgebreid. Met behulp van de arcgis.learn-module in de ArcGIS Python API werden optimale trainingsparameters voor het schadebeoordelingsmodel ingesteld, en werd het deep learning-model getraind met een ResNet34-architectuur om alle gebouwen in de beelden te classificeren als beschadigd of onbeschadigd.<\/SPAN><\/P>

               <\/DIV>                                     &nbpsp;Het model convergeerde rond een nauwkeurigheid van ongeveer 99%<\strong>             <\span>
Zodra voltooid, werden de grondwaarheidslabels vergeleken met de modelclassificatieresultaten om snel een kwalitatief idee te krijgen hoe goed het model presteerde.<\span>
& nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; < /div>
& nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; Modelvoorspellingen < /strong>
Voor volledige details over het trainingsproces zie 

onze post< /a>& nb sp op Medium
Ten slotte kan met de functie model.save() het model worden opgeslagen en gebruikt voor inferentiedoeleinden.< /span>
Stap 4 – Uitvoeren van inferentietools< /strong>
Inferentie werd uitgevoerd met behulp van de ArcGIS API voor Python. Door inferentie uit te voeren binnen ArcGIS Enterprise met behulp van de functie model.classify_features in Notebooks, kunnen we inferentie opschalen.< /span>
Het resultaat is een feature service die kan worden bekeken in ArcGIS Pro. (Hier is een link naar de webmap< /a>).< /span>

Meer dan negenduizend gebouwen werden automatisch geclassificeerd met behulp van deep learning-mogelijkheden binnen ArcGIS!< /span>

De onderstaande kaart toont de beschadigde gebouwen gemarkeerd in rood, en de onbeschadigde gebouwen in groen. Met een nauwkeurigheid van 99% nadert het model de prestaties van een getrainde expert – wat ons vroeger dagen of weken kostte, kunnen we nu binnen enkele uren doen.< /span>

& nb sp & nb sp & nb sp alt="Inference resultaten" class="" src="https://www.esri.com/arcgis-blog/wp-content/uploads/2019/08/showingaccuracyinpro.gif" title="Inference resultaten" /><\/DIV>                                               Inference resultaten

Stap 5: Waardevolle inzichten afleiden<\/STRONG><\/SPAN><\/H1>Business Analyst:<\/STRONG><\/SPAN> Nu we een beter begrip hadden van het getroffen gebied, wilden we begrijpen wie de leden waren die door de branden werden getroffen. Bij het inzetten van mobiele respons eenheden naar rampgebieden is het belangrijk te weten waar de meest kwetsbare bevolkingsgroepen zich bevinden, bijvoorbeeld ouderen of kinderen. Met behulp van Infographics van ArcGIS Business Analyst hebben we waardevolle kenmerken en informatie over de getroffen gemeenschap geëxtraheerd en een rapport gegenereerd om mobiele eenheden te helpen sneller beslissingen te nemen.<\/SPAN><\/P><\/DIV>                                   Verkrijg locatie-intelligentie met ArcGIS Business Analyst<\/STRONG><\/SPAN>Operations Dashboard: <\/STRONG><\/SPAN>Met behulp van het operations dashboard met verrijkte feature layers hebben we eenvoudige dynamische toegang gecreëerd tot de status van elke structuur, de waarde van de beschadigde structuren, de getroffen bevolking en nog veel meer.<\/SPAN><\/P>           <\/DIV>Samenvatting:<\/STRONG><\/SPAN><\/H1>Met behulp van deep learning, beeldmateriaal en data verrijkingsmogelijkheden in het ArcGIS platform kunnen we snel beschadigde gebouwen onderscheiden van onbeschadigde, de meest kwetsbare bevolkingsgroepen identificeren, en organisaties kunnen deze informatie gebruiken voor snelle respons- en herstelactiviteiten.<\/SPAN><\/P>& nbsp;<\/SPAN>Meer bronnen:<\/STRONG><\/SPAN><\/P>Deep Learning in ArcGIS Pro<\/A><\/SPAN><\/P>

Distributed Processing using Raster Analytics<\/A><\/SPAN><\/P>

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

Details over het modeltraining van de schadebeoordeling <\/A><\/P>

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

OVER DE AUTEURS<\/SPAN><\/H2>Vinay Viswambharan<\/A><\/H3>

Productmanager bij het Imagery team bij Esri, met een passie voor remote sensing en alles wat met beeldmateriaal te maken heeft.<\/P><\/DIV>

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

Development Lead - ArcGIS API for Python. Toepassing van deep learning op de Science of Where @Esri. https://twitter.com/geonumist<\/P >

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