面向灾害响应的 sUAS 图像快速损害评估部署

本文首次提出一种用于自动化处理无人制导航空系统（sUAS）图像建筑损害评估的人工智能/机器学习系统，以在联邦指定灾害（如德比号和海琳号飓风）期间进行实际部署。近期灾害发生后，sUAS 团队被派遣收集受影响地区的图像进行损害评估；然而，近期灾害的图像收集量达每日 47GB 至 369GB，不可被灾害现场的专家在可Reasonably的时间内传输或解读，从而延误了响应 efforts。为缓解实际操作中遇到的数据洪流，亟需采用计算机视觉和机器学习技术。虽然已有工作用于卫星图像的自动损害评估，但目前尚无针对 sUAS 损害评估系统的成熟方案，因其所有已知工作仅限于学术环境。本工作通过开发和部署用于建筑损害评估的模型，建立了 sUAS 损害评估的实践标准。模型开发包括在最大规模的灾后 sUAS 航空图像数据集上进行训练，该数据集包含 21,716 幅建筑损害标签，以及 91 名灾害实践者的实际训练。最佳模型在德比号和海琳号飓风响应期间被部署，约 18 分钟内对 415 幅建筑进行了评估。本工作记录了AI/ML 在灾害期间进行损害评估的实际应用情况，并为AI/ML研究和用户社区提供了经验教训。