شناسایی ساختمان های آسیب دیده در آتش‌سوزی با هوش مصنوعی
تیم تحریریه- ۲۱ دی ۱۴۰۰
محققان دانشگاه استنفورد از یک رویکرد مبتنی بر یادگیری عمیق در طبقه‌بندی ساختمان های آسیب دیده در آتش استفاده کردند. این رویکرد می‌تواند در هدایت اقدامات بازیابی به تیم امداد و نجات کمک کند و جدیدترین اطلاعات را در اختیار ساکنین آواره این ساختمان‌ها قرار دهد.
مردم باید هفته‌ها یا ماه‌ها منتظر بمانند، تا ببینند خانه‌هایشان طعمه حریق شده است یا خیر. اکنون که دود از بین رفته و عکاسی هوایی امکان‌پذیر شده است، محققان راهی پیدا کرده‌اند تا ساختمان های آسیب دیده را در مدت‌زمان کوتاهی شناسایی کنند.
تیمی از دانشگاه استنفورد و دانشگاه دولتی پلی‌تکنیک کالیفرنیا (Cal Poly) با کمک سیستمی به نام DamageMap رویکردی مبتنی بر هوش مصنوعی برای ارزیابی ساختمان ارائه کرده‌اند. در این رویکرد، به جای مقایسه عکس‌های ساختمان قبل و بعد از آتش‌سوزی، برنامه به‌گونه‌ای آموزش دیده است که تنها به تصاویر بعد از آتش‌سوزی متکی باشد. یافته‌های این پژوهش در مقاله‌ای در مجله International Journal of Disaster Risk Reduction منتشر شده است.
ماریوس گالانیس، نویسنده اصلی مقاله و دانشجوی کارشناسی ارشد مهندسی عمران و محیط زیست از دانشکده مهندسی استنفورد، می‌گوید: «قصد داشتیم برای کمک به تیم امداد و نجات یا حتی شهروندانی که می‌خواهند از میزان خسارت واردآمده به خانه‌هایشان مطلع شوند، فرایند تعیین خسارت را خودکارسازی کنیم و سرعت آن را افزایش دهیم. دقت نتایج این مدل با دقت روش‌های دستی برابری می‌کند.»
در روشِ فعلیِ ارزیابی خسارت، کارشناسان خانهبهخانه برای بررسی هر ساختمان می‌روند. اگرچه قرار نیست سامانه DamageMap جایگزین طبقه‌بندی دستی آسیب‌ها شود، اما می‌تواند با ارائه نتایج فوری و مکان دقیق ساختمان های آسیب دیده شناسایی‌شده، ابزاری تکمیلی و مقیاس‌پذیر باشد. محققان این سامانه را با انواع عکس‌های ماهواره‌ای، هوایی و پهپادها و با حداقل 92 درصد دقت آزمایش کردند.
جی. اندرو فریکر، سرپرست نویسندگان و استادیار دانشگاه Cal Poly، با اشاره به یکی از شهرهای کالیفرنیای شمالی که در آتش‌سوزی 2018 ویران شد، می‌گوید: «با استفاده از این نرم‌افزار، احتمالاً می‌توانید کل شهر پارادایس را ظرف چند ساعت اسکن کنید. امیدوارم این امر بتواند در فرایند تصمیم‌گیری اطلاعات بیشتری را در اختیار آتش‌نشانان و و تیم امداد و نجات قرار دهد و همچنین با به دست آوردن اطلاعات به مصدومان آتش‌سوزی در ارائه دعاوی بیمه و بازگشت به زندگی عادی کمک کند.»
رویکردی متفاوت
اکثر سیستمهای محاسباتی، کارایی لازم در طبقه‌بندی آسیب‌های واردآمده به ساختمان‌ها را ندارند، زیرا هوش مصنوعی عکس‌های پس از فاجعه را با تصاویر قبل از فاجعه مقایسه می‌کند و این تصاویر باید از ماهواره یکسان، زاویه دوربین یکسان و در نور یکسانی گرفته شده باشند؛ تهیه چنین تصاویری، پرهزینه است یا اینکه این عکس‌ها اغلب در دسترس نیستند. به گفته محققان، سخت‌افزارهای فعلی به اندازه کافی پیشرفته نیستند، تا روزانه تصاویری با کیفیت بالا ثبت کنند، بنابراین سیستم‌ها نمی‌توانند به عکس‌های ثابت، متکی باشند.
DamageMap به جای جست‌وجوی تفاوت بین تصاویر قبل و بعد از آتش‌سوزی، از انواع عکس‌های قبل از آتش‌سوزی استفاده می‌کند، تا از منطقه نقشه‌برداری کند و محل ساختمان‌ها را تعیین کند. سپس، این نرم‌افزار تصاویر پس از آتش‌سوزی را تجزیه و تحلیل می‌کند، تا با کمک ویژگی‌هایی مانند سطوح سیاه‌شده، سقف‌های خردشده یا سازه‌های ازبین‌رفته میزان آسیب را شناسایی کند.
کریشنا رائو، دانشجوی کارشناسی ارشد علم سیستم زمین از دانشکده زمین، انرژی و علوم زیست محیطی دانشگاه استنفورد، این‌طور توضیح می‌دهد: «انسان می‌تواند تشخیص دهد که آیا ساختمان آسیب دیده است یا خیر و برای این کار نیازی به تصویر قبلی ندارد، این فرضیه را با یادگیری ماشین آزمایش کردیم. این سامانه می‌تواند ابزاری قدرتمند برای ارزیابی سریع خسارت و برنامه‌ریزی برای بازسازی باشد.»
خسارات‌های ساختمانی ناشی از آتش‌سوزی در کالیفرنیا به طور معمول به چهار دسته تقسیم می‌شوند:
الف) تقریباً بدون خسارت
ب) خسارت جزئی
ج) خسارت عمده
د) تخریب‌شده
از آنجا که DamageMap بر اساس تصاویر هوایی طراحی شده است، محققان به سرعت متوجه شدند که سیستم نمی‌تواند این جزئیات دقیق را ارزیابی کند، بنابراین مدل را آموزش دادند، تا به سادگی تشخیص دهد که آیا آسیب ناشی از حریق وجود دارد یا خیر.
فرصت پیشرفت
از آنجا که این تیم پژوهشی از روش یادگیری عمیق موسوم به یادگیری نظارتی استفاده کرده است، مدل آن‌ها می‌تواند با تغذیه داده‌های بیشتر بهبود یابد. محققان این نرم‌افزار را با استفاده از داده‌های ارزیابی خسارت از شهر پارادایسِ کالیفرنیا و پارک ملی ویسکی توان پس از آتش‌سوزی‌های بزرگ کالیفرنیا (Camp Fire) و جنگلی کالیفرنیا (Carr Fire) در سال 2018 آزمایش کردند. محققان معتقدند که می‌توان از این نرم‌افزار متن‌باز در هر منطقه‌ای که مستعد آتش‌سوزی است، استفاده کرد و امیدوار هستند بتوانند مدل را برای طبقه‌بندی خسارات ناشی از سایر بلایای مانند سیل یا طوفان نیز آموزش دهند.
گالانیس می‌گوید: «نتایجی که تاکنون به دست آوردهایم، نشان می‌دهند که می‌توان مدل را تعمیم داد و اگر مردم علاقه‌مند به استفاده از آن در موارد واقعی هستند، می‌توانیم آن را ارتقا دهیم.»
گالانیس و رائو این پژوهش را برای شرکت در رویداد بزرگ هکاتون: چالش آتش‌سوزی (2020) که از طرف دانشگاه استنفورد برگزار می‌شود، اجرا کردند. آن‌ها سپس با همکاری محققان Cal Poly این سامانه را اصلاح کردند.
نویسندگان این مقاله، نتایج مدل خود را با داده‌های مرتبط با خسارت ناشی از آتش‌سوزی که کارکنان سازمان جنگل‌داری و ایمنی در برابر آتش کالیفرنیا (CAL FIRE) به صورت دستی جمع‌آوری کرده بودند، آزمایش کردند؛ در واقع، این اطلاعات انجام این پژوهش را امکان‌پذیر کرد.
رائو معتقد است: «بازرسان خسارت با سرکشی خانهبهخانه مناطق آسیب‌دیده، بررسی خسارت‌ها، برچسب‌گذاری مکان‌ها و نهایتاً قرار دادن این اطلاعات در اختیار عموم، سختی‌های زیادی متحمل شده‌اند. تحقیقات یا فناوری‌های آتی، مستقیماً به دسترسی به چنین داده‌هایی بستگی دارد.»
دیگر نویسندگان این مقاله ژینل یائو و یی لین تسای از دانشکده مهندسی عمران و محیط زیست استنفورد و جاناتان وِنتورا[8] از دانشگاه پلی تکنیک کالیفرنیا هستند.
طرح‌ها و دانشگاه‌های زیر، این تحقیقات را پشتیبانی می‌کنند: دانشگاه ایالتی پلی تکنیک کالیفرنیا؛ طرح کمک‌هزینه تحقیقات، علم و طرح‌های خلاقانه سن لوئیس ابیسپو 2019؛ کمک‌هزینه تحصیلی ناسا در رشته علومِ زمین و فضا و بورسیه تحصیلی دانشگاه استنفورد در رشته علوم داده.
انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید
