Enfoque escalable para crear una base de datos de imágenes de desastres anotadas que soporte la evaluación de daños impulsada por IA

Resumen A medida que las poblaciones costeras aumentan, la devastación causada por los huracanes se vuelve más catastrófica. Comprender la magnitud del daño es esencial, ya que este conocimiento ayuda a dar forma a nuestros planes y decisiones para reducir los efectos de los huracanes. Mientras que las evaluaciones de daños a nivel comunitario y de propiedad son comunes después de los huracanes, las evaluaciones a nivel de componentes del edificio, como techos, ventanas y paredes, rara vez se llevan a cabo. Esta escasez se atribuye a los desafíos inherentes en la automatización de detecciones precisas de objetos. Además, existe una desconexión significativa entre las evaluaciones de daños manuales, que generalmente se registran en hojas de cálculo, y las imágenes de los edificios dañados. Extraer conocimientos históricos sobre daños de estos conjuntos de datos se vuelve arduo sin un enlace digital. Este estudio presenta un flujo de trabajo innovador anclado en modelos de aprendizaje profundo de última generación para abordar estas brechas. La metodología ofrece capacidades mejoradas de anotación de imágenes aprovechando modelos de segmentación de instancias preentrenados a gran escala y una segmentación precisa de los componentes dañados del edificio a partir de modelos de detección ajustados finamente basados en transformadores. Junto con una estructura novedosa de repositorio de datos, este estudio fusiona la máscara de segmentación de los componentes afectados por huracanes con los datos de evaluación de daños manuales, heraldando un enfoque transformador para las evaluaciones de daños en edificios inducidos por huracanes y su visualización.