佛羅里達大學(xué)研究人員使用 AI 和街景圖像實現(xiàn)自動化建筑安全分析。

在佛羅里達大學(xué)人工智能助理教授 Chaofeng Wang 的努力下，圖像將發(fā)揮新的用途，例如谷歌街景中的圖像。

Wang 的項目致力于研究如何將街景圖像與深度學(xué)習(xí)相結(jié)合，以實現(xiàn)城市建筑評估的自動化。該項目旨在通過提供加固建筑結(jié)構(gòu)或進行災(zāi)后恢復(fù)所需的信息，幫助政府減少因自然災(zāi)害造成的損失。

在地震等自然災(zāi)害發(fā)生后，地方政府通常會派出工作小組對建筑物狀況進行檢查和評估。如果完全依靠人力，檢查完一個城市的全部建筑可能需要長達數(shù)月的時間。

Wang 的項目使用 AI 對這一評估流程進行加速，將所需時間縮短到幾小時。該 AI 模型使用谷歌街景和當(dāng)?shù)卣峁┑膱D片進行訓(xùn)練，并依據(jù)聯(lián)邦緊急事務(wù)管理局（FEMA）P-154 標(biāo)準(zhǔn)為建筑物打分。這套打分標(biāo)準(zhǔn)提供了基于墻體材料、結(jié)構(gòu)類型、建筑年代等因素的評估指南。Wang 還與世界銀行全球彈性住房項目（World Bank Global Program for Resilient Housing）合作收集圖像并添加注釋，以便于優(yōu)化該模型。

收集到的圖像被存放在數(shù)據(jù)存儲庫中。該 AI 模型通過讀取存儲庫中的數(shù)據(jù)，進而對圖像進行推理，并由 NVIDIA 系統(tǒng)對這一過程進行加速。

Wang 表示：“如果沒有 NVIDIA GPU，我們就無法完成這一任務(wù)。NVIDIA GPU 大大加快了這個流程，使我們及時獲得了結(jié)果。”

Wang 在佛羅里達大學(xué)的超級計算機 HiPerGator 中使用了 NVIDIA 系統(tǒng)的節(jié)點。HiPerGator 是全球?qū)W術(shù)界運行速度最快的 AI 超級計算機之一，具有 700 PB 的 AI 性能。該計算機是在 NVIDIA 聯(lián)合創(chuàng)始人之一、佛羅里達大學(xué)校友 Chris Malachowsky 的支持下，基于 NVIDIA 提供的硬件、軟件、培訓(xùn)和服務(wù)建成的。

該 AI 模型的輸出結(jié)果被編譯成一個數(shù)據(jù)庫，并錄入到一個門戶網(wǎng)站中，該門戶網(wǎng)站采用地圖形式，呈現(xiàn)了包括安全評估分數(shù)、建筑類型甚至屋頂或墻體材料等信息。

Wang 的研究獲得了 NVIDIA 應(yīng)用研究加速器計劃（NVIDIA Applied Research Accelerator Program）的贊助。該計劃致力于支持這些通過對商業(yè)和政府組織采用的 NVIDIA 加速應(yīng)用進行部署，從而有潛力影響現(xiàn)實世界發(fā)展的科研項目。

政府的好幫手

Wang 表示，該門戶網(wǎng)站可以滿足不同的應(yīng)用需求。政府可以僅憑街景圖像作出預(yù)測，做好應(yīng)對自然災(zāi)害的準(zhǔn)備。

他表示：“雖然這些街景都是靜態(tài)圖像，比如谷歌街景圖像，它每隔幾年才進行一次更新。但這對于收集信息和宏觀了解統(tǒng)計數(shù)據(jù)來講已經(jīng)足夠了。”

但在農(nóng)村地區(qū)或發(fā)展中地區(qū)，由于沒有這類街景圖像或者圖像更新頻率較低，政府需要自行收集圖像。而借助 NVIDIA GPU，就能實現(xiàn)及時得建筑評估，進而有助于加快圖像處理的分析速度。

Wang 還表示，在經(jīng)過充分的完善后，他的研究成果還能為城市規(guī)劃和保險行業(yè)帶來改變。

目前，墨西哥的一些地方政府正在對該項目進行測試。還有一些非洲、亞洲和南美洲的國家也對該項目產(chǎn)生了濃厚的興趣。根據(jù) FEMA P-154 標(biāo)準(zhǔn)，目前該項目的評估分數(shù)準(zhǔn)確率已經(jīng)達到 85% 以上。

土地勘測

Wang 提到，該項目面臨的一個挑戰(zhàn)是不同國家的城市景觀差異。各地區(qū)有自己特色的文化和建筑風(fēng)格。由于 AI 模型沒有在足夠大或足夠多樣化的圖像庫上進行訓(xùn)練，因此在進行墻體材料分析時，可能會受到油漆顏色等因素的影響。城市密度的差異也是該項目面臨的另一個挑戰(zhàn)。

Wang 表示：“這是當(dāng)前 AI 技術(shù)普遍面臨的局限性。為了能夠發(fā)揮應(yīng)用價值，我們需要有足夠多的訓(xùn)練數(shù)據(jù)來代表真實世界的街景分布。所以我們正在通過努力收集數(shù)據(jù)來解決泛化問題。”

為了克服這一挑戰(zhàn)，Wang 希望能在更多的城市訓(xùn)練和測試該模型。到目前為止，他已經(jīng)測試了不同國家的八座城市。

他表示：“我們需要生成更加詳細、高質(zhì)量的注釋來訓(xùn)練該模型。這樣我們才能不斷改進，使其在未來得到更廣泛的應(yīng)用。”

Wang 的目標(biāo)是讓這個項目能夠達到作為服務(wù)進行部署的程度，支持更多行業(yè)的應(yīng)用。

“我們正在創(chuàng)建能夠估算和分析建筑與住戶的應(yīng)用編程接口，以實現(xiàn)與其他產(chǎn)品的無縫集成。我們還在構(gòu)建一個可供所有政府機構(gòu)和組織使用的用戶友好型應(yīng)用。”

GTC 2024 將于 2024 年 3 月 18 至 21 日在美國加州圣何塞會議中心舉行，線上大會也將同期開放。點擊“閱讀原文”或掃描下方海報二維碼，立即注冊 GTC 大會。