Disaster Prevention and Management Knowledge

fa توسعه مدل ارزیابی هوشمند آسیب ساختمان ها با استفاده از یادگیری عمیق و مکانیزم توجه Development of an Intelligent Building Damage Assessment Model Using Deep Learning and Attention Mechanism تخصصي Special پژوهشي Research زمینه و هدف: بلایای طبیعی و حملات نظامی می‌توانند باعث تخریب گسترده ساختمان‌ها شوند. ارزیابی سریع و دقیق آسیب ساختمان‌ها برای کاهش تلفات و تسریع عملیات امداد و نجات حیاتی است. این پژوهش با هدف ارائه یک روش نوین برای ارزیابی آسیب ساختمان‌ها با استفاده از تکنیک‌های یادگیری عمیق و پردازش تصویر انجام شده است. روش‌شناسی: در این تحقیق، روشی نوین مبتنی بر معماری رمزگذار–رمزگشا ارائه شده که مدل DeepLabV3+ را با مکانیزم خودتوجهی ترکیب می‌کند. برای آموزش و ارزیابی این مدل، از مجموعه داده xBD که شامل تصاویر قبل و بعد از حوادث طبیعی مختلف است، استفاده شده است. یافته‌ها: مدل پیشنهادی توانست ساختمان‌ها را در چهار سطح «سالم»، «آسیب‌کم»، «آسیب‌زیاد» و «تخریب‌شده» طبقه‌بندی کند. نتایج نشان داد که این مدل با کسب معیار F1 کلی معادل 0.94، عملکردی برتر نسبت به روش‌های پیشین دارد. نتیجه‌گیری و نوآوری: نوآوری اصلی این پژوهش در استفاده همزمان از قابلیت‌های DeepLabV3+، مکانیزم توجه و تکنیک‌های افزایش داده برای ارتقاء چشمگیر دقت تشخیص است. این روش علاوه بر مدیریت بحران‌های طبیعی، می‌تواند در حوزه پدافند غیرعامل و سناریوهای نظامی-دفاعی نیز برای ارزیابی سریع خسارات ناشی از حملات مورد استفاده قرار گیرد.   Background and Aims: Natural disasters and military attacks can cause widespread destruction to buildings, making rapid and accurate damage assessment crucial for reducing casualties and speeding up rescue operations0. This study aims to present a novel method for assessing building damage using deep learning and image processing techniques. Methodology: This research introduces a new method based on an encoder-decoder architecture that combines the DeepLabV3+ model with a self-attention mechanism. The xBD dataset, which contains pre- and post-disaster images from various incidents, was used to train and evaluate the model. Findings: The proposed model successfully classified buildings into four damage levels: "no damage," "minor damage," "major damage," and "destroyed". It achieved superior results compared to previous methods with an overall F1-Score of 0.94. Conclusion and Innovation: The primary innovation of this research lies in the simultaneous use of DeepLabV3+ capabilities, the attention mechanism, and data augmentation techniques, which significantly improved detection accuracy. The method can be applied in natural disaster management as well as in passive defense and military scenarios to quickly assess damage from attacks.   آسیب ساختمان, شبکه DeepLabV3+, بخش‌بندی چندکلاسی, شبکه UNet, سنجش از دور, مکانیزم خودتوجهی Building Damage, DeepLabV3+ Network, Multiclass Segmentation, UNet Network, Remote Sensing, Self-Attention Mechanism 0 0 http://dpmk.ir/browse.php?a_code=A-10-989-1&slc_lang=fa&sid=1 Seyed Enayatallah Alavi سید عنایت اله علوی Se.Alavi@scu.ac.ir 10031947532846008447 10031947532846008447 Yes Shahid Chamran University of Ahvaz دانشگاه شهید چمران اهواز Nasrin Alvani نسرین علوانی nasrin.ah13@gmail.com 10031947532846008448 10031947532846008448 No Shahid Chamran University of Ahvaz دانشگاه شهید چمران اهواز