Навчання моделі штучного інтелекту для визначення пошкоджених будівель за даними ДЗЗ

Abstract

У цій роботі представлено розробку методики автоматизованого виявлення пошкоджених будівель внаслідок бойових дій на основі даних дистанційного зондування Землі (ДЗЗ) та алгоритмів глибокого навчання. Дослідження спрямоване на вирішення проблеми оперативної оцінки масштабів руйнувань цивільної інфраструктури, що є критично важливим для гуманітарного реагування та планування процесів відновлення постраждалих регіонів [1, 2]. Використання супутникових знімків високої розрізненості у поєднанні з нейронними мережами дозволило автоматизувати процес детекції, зменшити вплив людського фактору та забезпечити об'єктивність даних для формування доказової бази збитків. Актуальність роботи зумовлена необхідністю швидкого аналізу величезних масивів геопросторових даних в умовах повномасштабного вторгнення, де традиційні методи польових обстежень є небезпечними або неможливими. Штучний інтелект дозволяє обробляти знімки значно швидше за ручне дешифрування, а застосування архітектури U-Net забезпечує високу точність локалізації меж зруйнованих об'єктів навіть у щільній міській забудові [3, 4]. Дослідження базується на реальних даних моніторингу міста Маріуполь та демонструє практичну ефективність запропонованого підходу для документування воєнних злочинів та оцінки матеріальних втрат [5]. Об’єктом досліджень є руйнації будівель, що визначені за супутниковими знімками високої просторової розрізненості. Предметом досліджень є методика автоматичного визначення пошкоджених будівель на супутникових знімках високої просторової розрізненості за допомогою нейромережі та подальшого опрацювання результатів. Метою дослідження є розробка методики автоматичного визначення пошкоджених будівель на супутникових знімках за допомогою нейромережі U-Net, поділу зображення на частини та додаткового опрацювання результатів. Запропоновано технологічну схему дослідження, що включає етапи збору даних, анотування, аугментації навчальної вибірки, навчання моделі та розробки алгоритмів для опрацювання великих зображень методом тайлінгу. Розроблено програмне забезпечення мовою Python з використанням бібліотек PyTorch та OpenCV, яке виконує семантичну сегментацію руйнувань. В ході реалізації методики створено алгоритм фільтрації шумів та автоматичного визначення центрів пошкоджених споруд. Результатом роботи є навчена модель штучного інтелекту та набір скриптів, що генерують карти пошкоджень з нанесеними контурами зруйнованих будівель та маркерами їх розташування.This thesis presents the development of a methodology for the automated detection of buildings damaged by military operations based on Remote Sensing (RS) data and deep learning algorithms. The research aims to address the issue of rapid assessment of the scale of civil infrastructure destruction, which is critical for humanitarian response and reconstruction planning in affected regions [1, 2]. The use of high-resolution satellite imagery combined with neural networks allows for automating the detection process, reducing the influence of the human factor, and ensuring data objectivity for forming an evidential basis of damage. The relevance of the study is driven by the need for rapid analysis of vast geospatial datasets amid the full-scale invasion, where traditional field survey methods are dangerous or impossible. Artificial intelligence enables image processing significantly faster than manual interpretation, while the application of the U-Net architecture ensures high accuracy in localizing the boundaries of destroyed objects, even in dense urban settings [3, 4]. The research is based on real monitoring data from Mariupol and demonstrates the practical effectiveness of the proposed approach for documenting war crimes and assessing material losses [5]. The object of the research is building destructions identified using high-spatial-resolution satellite imagery. The subject of the research is the methodology for automated detection of damaged buildings on high-resolution satellite images using a neural network and subsequent result processing. The goal of the research is to develop a methodology for the automated detection of damaged buildings on satellite images using the U-Net neural network, image tiling, and additional result processing. A technological scheme for the research is proposed, including the stages of data collection, annotation, training set augmentation, model training, and the development of algorithms for processing large images using the tiling method. Software has been developed in Python using the PyTorch and OpenCV libraries to perform the semantic segmentation of destruction. During the implementation of the methodology, an algorithm for noise filtering and automatic determination of damaged structure centers was created. The result of the work is a trained artificial intelligence model and a set of scripts that generate damage maps with outlined contours of destroyed buildings and location markers.