توسعه مدل ارزیابی هوشمند آسیب ساختمان ها با استفاده از یادگیری عمیق و مکانیزم توجه

زمینه و هدف: بلایای طبیعی و حملات نظامی می توانند باعث تخریب گسترده ساختمان ها شوند. ارزیابی سریع و دقیق آسیب ساختمان ها برای کاهش تلفات و تسریع عملیات امداد و نجات حیاتی است. این پژوهش باهدف ارائه یک روش نوین برای ارزیابی آسیب ساختمان ها با استفاده از تکنیک های یادگیری عمیق و پردازش تصویر انجام شده است. روش شناسی: در این تحقیق، روشی نوین مبتنی بر معماری رمزگذار–رمزگشا ارائه شده که مدل DeepLabV۳+ را با مکانیزم خود توجهی ترکیب می کند. برای آموزش و ارزیابی این مدل، از مجموعه داده xBD که شامل تصاویر قبل و بعد از حوادث طبیعی مختلف است، استفاده شده است. یافته ها: مدل پیشنهادی توانست ساختمان ها را در چهار سطح «سالم»، «آسیب کم»، «آسیب زیاد» و «تخریب شده» طبقه بندی کند. نتایج نشان داد که این مدل با کسب معیار F۱ کلی معادل ۰.۹۴، عملکردی برتر نسبت به روش های پیشین دارد. نتیجه گیری و نوآوری: نوآوری اصلی این پژوهش در استفاده هم زمان از قابلیت های DeepLabV۳+، مکانیزم توجه و تکنیک های افزایش داده برای ارتقای چشمگیر دقت تشخیص است. این روش علاوه بر مدیریت بحران های طبیعی، می تواند در حوزه پدافند غیرعامل و سناریوهای نظامی - دفاعی نیز برای ارزیابی سریع خسارات ناشی از حملات مورد استفاده قرار گیرد.

کلیدواژه ها:

Building Damage ، DeepLabV۳+ Network ، Multiclass Segmentation ، UNet Network ، Remote Sensing ، Self-Attention Mechanism ، آسیب ساختمان ، شبکه DeepLabV۳+ ، بخش بندی چند کلاسی ، شبکه UNet ، سنجش ازدور ، مکانیزم خود توجهی