Avaliação de danos usando deep learning no ArcGIS

VinayViswambharan1

<\/HEAD>

Após um desastre natural, os esforços de resposta e recuperação podem ser drasticamente retardados pela coleta manual de dados. Tradicionalmente, avaliadores de seguros e funcionários do governo precisam confiar na interpretação humana de imagens e visitas ao local para avaliar danos e perdas. Mas dependendo da extensão do desastre, esse processo necessário pode atrasar o socorro às vítimas.<\/SPAN><\/P>Resumo do Artigo:<\/STRONG> Na sessão plenária da Esri User Conference deste ano, a United Services Automobile Association (USAA) demonstrou o uso de deep learning<\/A> no ArcGIS para realizar avaliação automatizada de danos em residências após o devastador incêndio Woolsey<\/A>. Este trabalho foi um protótipo colaborativo entre Esri e USAA para mostrar o que é possível fazer nesse tipo de avaliação de danos usando a plataforma ArcGIS.<\/SPAN><\/P><\/DIV>

O incêndio Woolsey durou 15 dias, queimando quase 97.000 acres e danificando ou destruindo milhares de estruturas. O deep learning dentro do ArcGIS foi usado para identificar rapidamente estruturas danificadas dentro do perímetro do incêndio, acelerando o tempo para que residentes e empresas afetadas tivessem seus ajustadores processando as reivindicações de seguro.<\/SPAN><\/P>O processo incluiu capturar amostras de treinamento, treinar o modelo de deep learning, executar ferramentas de inferência e detectar casas danificadas – tudo feito dentro da plataforma ArcGIS. Neste blog, vamos passar por cada etapa do processo.<\/SPAN><\/P><\/DIV>

Passo 1: Gerenciando as imagens<\/STRONG><\/SPAN><\/H1>Antes que os incêndios fossem apagados, a DataWing pilotou drones no perímetro do incêndio e capturou imagens em alta resolução das áreas impactadas. As imagens totalizaram 40 GB e foram gerenciadas usando um conjunto mosaico. O conjunto mosaico é o principal modelo de gerenciamento de imagens do ArcGIS para gerenciar grandes volumes de imagens.<\/SPAN><\/P>Passo 2. Rotulagem e preparação das amostras de treinamento<\/STRONG><\/SPAN><\/H1>Antes de treinar um modelo de deep learning, amostras de treinamento devem ser criadas para representar áreas de interesse – neste caso, a USAA estava interessada em edifícios danificados e não danificados. Os dados da planta dos edifícios<\/A> fornecidos pelo Condado de LA foram sobrepostos nas imagens em alta resolução dos drones no ArcGIS Pro, e várias centenas de casas foram rotuladas manualmente como Danificadas ou Não Danificadas  (um novo campo chamado ClassValue na classe de feição da planta dos edifícios foi atribuído com essa informação). Essas feições de treinamento foram usadas para exportar amostras de treinamento <\/EM>usando a ferramenta Export Training Data for Deep Learning<\/A> no ArcGIS Pro, com o formato de saída dos metadados definido como Labeled Tiles.<\/SPAN><\/P>

                             <\/DIV>               Chips resultantes da imagem (Labeled Tiles usados para treinar o modelo Damage Classification)<\/STRONG><\/SPAN>

Passo 3: Treinando o modelo deep learning<\/STRONG><\/SPAN><\/H1>ArcGIS Notebooks<\/A> foi usado para fins de treinamento. O ArcGIS Notebooks já vem pré-configurado com as bibliotecas necessárias para deep learning, então nenhuma configuração extra foi necessária. Com algumas linhas de código, as amostras de treinamento exportadas do ArcGIS Pro foram aumentadas. Usando o módulo arcgis.learn na API Python do ArcGIS, os parâmetros ótimos para treinamento do modelo de avaliação de danos foram definidos, e o modelo deep learning foi treinado usando uma arquitetura ResNet34 para classificar todos os edifícios nas imagens como danificados ou não danificados.<\/SPAN><\/P>

               <\/DIV>                             &nbpsp;O modelo convergiu com cerca de 99% de precisão<\strong>             <\span>
Uma vez concluído, os rótulos reais foram comparados aos resultados da classificação do modelo para obter uma ideia qualitativa rápida sobre o desempenho do modelo.<\span>

         <\div>
                               Previsões do Modelo<\span>
Para detalhes completos sobre o processo de treinamento veja 

nosso post<\a>​n Medium
Finalmente, com a função model.save(), o modelo pode ser salvo e usado para fins de inferência.<\span>
Passo
4:
Executando as ferramentas
de inferência<\strong>
A inferência foi realizada usando a API Python do ArcGIS. Executando a inferência dentro do ArcGIS Enterprise usando a função model.classify_features nos Notebooks, podemos escalar a inferência.<\span>
O resultado é um serviço
de feição que pode ser visualizado no ArcGIS Pro. (Aqui está um link para o <\/DIV>                                               Resultados da inferência

Passo 5: Derivando insights valiosos<\/STRONG><\/SPAN><\/H1>Business Analyst:<\/STRONG><\/SPAN> Agora que tivemos uma melhor compreensão da área impactada, queríamos entender quem eram os membros afetados pelos incêndios. Ao implantar unidades móveis de resposta em áreas de desastre, é importante saber onde estão localizadas as populações mais vulneráveis, por exemplo, idosos ou crianças. Usando Infográficos do ArcGIS Business Analyst, extraímos características e informações valiosas sobre a comunidade impactada e geramos um relatório para ajudar as unidades móveis a tomarem decisões mais rápidas.<\/SPAN><\/P><\/DIV>                                Obtenha inteligência de localização com ArcGIS Business Analyst<\/STRONG><\/SPAN>Operations Dashboard: <\/STRONG><\/SPAN>Usando o operations dashboard contendo camadas de feição enriquecidas, criamos acesso dinâmico fácil ao status de qualquer estrutura, o valor das estruturas danificadas, a população afetada e muito mais.<\/SPAN><\/P>       <\/DIV>Resumo:<\/STRONG><\/SPAN><\/H1>Usando deep learning, imagens e capacidades de enriquecimento de dados na plataforma ArcGIS, podemos rapidamente distinguir edifícios danificados dos não danificados, identificar as populações mais vulneráveis, e organizações podem usar essas informações para atividades rápidas de resposta e recuperação.<\/SPAN><\/P> <\/SPAN>Mais Recursos:<\/STRONG><\/SPAN><\/P>Deep Learning no ArcGIS Pro<\/A><\/SPAN><\/P>

Processamento Distribuído usando Raster Analytics<\/A><\/SPAN><\/P>

Fluxos de Trabalho de Análise de Imagem<\/A><\/SPAN><\/P>

Detalhes sobre o treinamento do modelo para avaliação de danos <\/A><\/P>

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

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

Gerente de produto na equipe Imagery da Esri, com paixão por sensoriamento remoto e tudo relacionado a imagens.<\/P><\/DIV>

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

Líder de Desenvolvimento - ArcGIS API for Python. Aplicando deep learning à Ciência do Onde @Esri. https://twitter.com/geonumist<\/P&gt;

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