Automated Building Damage Detection on Digital Imagery Using Machine Learning
| dc.contributor.author | Kashtan, Vita Yu. | en |
| dc.contributor.author | Hnatushenko, Volodymyr V. | en |
| dc.date.accessioned | 2024-01-07T22:47:06Z | |
| dc.date.available | 2024-01-07T22:47:06Z | |
| dc.date.issued | 2023 | |
| dc.description | V. Kashtan: ORCID 0000-0002-0395-5895; Vol. Hnatushenko: ORCID 0000-0003-3140-3788 | en |
| dc.description.abstract | ENG: Purpose. To develop an automated method based on machine learning for accurate detection of features of a damaged building on digital imagery. Methodology. This article presents an approach that employs a combination of unsupervised machine learning techniques, specifically Principal Component Analysis (PCA), K-means clustering, and Density-Based Spatial Clustering of Applications with Noise (DBSCAN), to identify building damage resulting from military conflicts. The PCA method is utilized to identify principal vectors representing the directions of maximum variance in the data. Subsequently, the K-means method is applied to cluster the feature vector space, with the predefined number of clusters reflecting the number of principal vectors. Each cluster represents a group of similar blocks of image differences, which helps to identify significant features associated with fractures. Finally, the DBSCAN method is employed to identify areas where points with similar characteristics are located. Subsequently, a binary fracture mask is generated, with pixels exceeding the threshold being identified as fractures. Findings. The introduced methodology attains an accuracy rate of 98.13 %, surpassing the performance of conventional methods such as DBSCAN, PCA, and K-means. Furthermore, the method exhibits a recall of 82.38 %, signifying its ability to effectively detect a substantial proportion of positive examples. Precision of 58.54 % underscores the methodology’s capability to minimize false positives. The F1 Score of 70.90 % demonstrates a well-balanced performance between precision and recall. Originality. DBSCAN, PCA and K-means methods have been further developed in the context of automated detection of building destruction in aerospace images. This allows us to significantly increase the accuracy and efficiency of monitoring territories, including those affected by the consequences of military aggression. Practical value. The results obtained can be used to improve automated monitoring systems for urban development and can also serve as the basis for the development of effective strategies for the restoration and reconstruction of damaged infrastructure. | en |
| dc.description.abstract | UKR: Мета. Розробка автоматизованого методу на основі машинного навчання для точного виявлення ознак руйнувань будівель на цифрових знімках. Методика. Представлено підхід, що використовує комбінацію методів неконтрольованого машинного навчання, зокрема, аналіз головних компонент (PCA), кластеризацію за методом K-середніх і DBSCAN метод, для виявлення руйнувань будівель, спричинених військовими конфліктами. Метод PCA використовується для визначення головних векторів, що представляють напрямки максимальної дисперсії в даних. Потім, застосовується метод K-середніх для кластеризації простору векторів ознак із заздалегідь визначеною кількістю кластерів, що відображає кількість головних векторів. Кожен кластер представляє групу схожих блоків відмінностей зображення, що допомагає ідентифікувати значущі ознаки, пов’язані із руйнуваннями. Наостанок, використовується метод DBSCAN для виявлення областей, де розташовані точки зі схожими характеристиками. Після цього генерується бінарна маска, де пікселі, що перевищують поріг, ідентифікуються як руйнування. Результати. Запропонований метод досягає точності 98,13 %, перевершуючи показники окремого застосування традиційних методів, таких як DBSCAN, PCA та K-середніх. Крім того, метод демонструє повноту 82,38 %, що свідчить про його здатність ефективно виявляти значну частку позитивних прикладів. Точність 58,54 % підкреслює здатність методу мінімізувати помилкові спрацьовування. Розрахований показник F1, що становить 70,90 %, демонструє добре збалансоване співвідношення між точністю й повнотою. Наукова новизна. Методи DBSCAN, PCA та K-середніх отримали подальший розвиток у контексті автоматизованого виявлення на аерокосмічних зображеннях руйнувань будівель. Це дозволяє значно підвищити точність і оперативність моніторингу територій, зокрема постраждалих від наслідків військової агресії. Практична значимість. Отримані результати можуть бути використані для удосконалення систем автоматизованого моніторингу об’єктів забудови, а також послужити основою для розробки ефективних стратегій відновлення й реконструкції пошкодженої інфраструктури. | uk_UA |
| dc.description.sponsorship | Dnipro University of Technology, Ukraine | en |
| dc.identifier.citation | Kashtan V. Yu., Hnatushenko V. V. Automated Building Damage Detection on Digital Imagery Using Machine Learning. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2023. № 6. P. 134–140. DOI: https://doi.org/10.33271/nvngu/2023-6/134. | en |
| dc.identifier.doi | https://doi.org/10.33271/nvngu/2023-6/134 | en |
| dc.identifier.issn | 2071-2227 (Print) | |
| dc.identifier.issn | 2223-2362 (Online) | |
| dc.identifier.uri | http://nvngu.in.ua/index.php/en/archive/on-the-issues/1901-2023/content-6-2023/6762-134 | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/17989 | en |
| dc.language.iso | en | |
| dc.publisher | Dnipro University of Technology, Ukraine | en |
| dc.subject | unsupervised machine learning | en |
| dc.subject | digital image | en |
| dc.subject | recognition | en |
| dc.subject | building damage | en |
| dc.subject | military conflicts | en |
| dc.subject | неконтрольоване машинне навчання | uk_UA |
| dc.subject | цифрове зображення | uk_UA |
| dc.subject | розпізнавання | uk_UA |
| dc.subject | руйнування будівель | uk_UA |
| dc.subject | військові конфлікти | uk_UA |
| dc.subject | КІТС | uk_UA |
| dc.subject.classification | TECHNOLOGY::Information technology::Image analysis | en |
| dc.title | Automated Building Damage Detection on Digital Imagery Using Machine Learning | en |
| dc.title.alternative | Автоматизоване виявлення руйнувань будівель на цифрових зображеннях за допомогою машинного навчання | uk_UA |
| dc.type | Article | en |