基于深度学习条件感知模型的自动化震后巡检研究
计算机视觉与模式识别
2018-09-26 v1
摘要
地震发生后，需要进行快速的结构巡检，以使市民安全及时地返回住房和办公室。这些巡检通常由市政当局通过结构工程师志愿者进行。由于人工巡检耗时、费力且危险，相关研究一直在开展，以开发方法帮助加速并提升整个流程的自动化程度。研究者通常设想利用无人机（UAV）进行数据采集，并利用计算机视觉进行数据处理以提取可操作信息。在本工作中，我们提出一个新框架来生成基于视觉的条件感知模型，可作为加速或自动化高层巡检决策的基础。条件感知模型通过将训练好的深度学习模型在一组结构图像上的推断结果，投影到由同一图像集通过多视图立体视觉生成的 3D 网格模型上而生成。采用深度全卷积残差网络对建筑图像进行语义分割，以提供（i）损伤信息（如裂缝和剥落）；（ii）上下文信息（如建筑的存在以及窗户和门等视觉可辨识构件）。所提方法在作者于 2017 年 9 月墨西哥中部地震后勘察的一栋受损建筑上实施并作了定性评估。结果表明了该方法在快速、自动化震后巡检这一最终目标上的前景。
引用
@article{arxiv.1809.09195,
title = {Towards Automated Post-Earthquake Inspections with Deep Learning-based Condition-Aware Models},
author = {Vedhus Hoskere and Yasutaka Narazaki and Tu A. Hoang and Billie F. Spencer},
journal= {arXiv preprint arXiv:1809.09195},
year = {2018}
}