Навчання моделі штучного інтелекту для визначення пошкоджених будівель за даними ДЗЗ
Автор: Костюк Дмитро Юрійович
Кваліфікаційний рівень: магістр
Спеціальність: Аерознімання з безпілотних літальних апаратів
Інститут: Інститут геодезії
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: У цій роботі представлено розробку методики автоматизованого виявлення пошкоджених будівель внаслідок бойових дій на основі даних дистанційного зондування Землі (ДЗЗ) та алгоритмів глибокого навчання. Дослідження спрямоване на вирішення проблеми оперативної оцінки масштабів руйнувань цивільної інфраструктури, що є критично важливим для гуманітарного реагування та планування процесів відновлення постраждалих регіонів [1, 2]. Використання супутникових знімків високої розрізненості у поєднанні з нейронними мережами дозволило автоматизувати процес детекції, зменшити вплив людського фактору та забезпечити об’єктивність даних для формування доказової бази збитків. Актуальність роботи зумовлена необхідністю швидкого аналізу величезних масивів геопросторових даних в умовах повномасштабного вторгнення, де традиційні методи польових обстежень є небезпечними або неможливими. Штучний інтелект дозволяє обробляти знімки значно швидше за ручне дешифрування, а застосування архітектури U-Net забезпечує високу точність локалізації меж зруйнованих об’єктів навіть у щільній міській забудові [3, 4]. Дослідження базується на реальних даних моніторингу міста Маріуполь та демонструє практичну ефективність запропонованого підходу для документування воєнних злочинів та оцінки матеріальних втрат [5]. Об’єктом досліджень є руйнації будівель, що визначені за супутниковими знімками високої просторової розрізненості. Предметом досліджень є методика автоматичного визначення пошкоджених будівель на супутникових знімках високої просторової розрізненості за допомогою нейромережі та подальшого опрацювання результатів. Метою дослідження є розробка методики автоматичного визначення пошкоджених будівель на супутникових знімках за допомогою нейромережі U-Net, поділу зображення на частини та додаткового опрацювання результатів. Запропоновано технологічну схему дослідження, що включає етапи збору даних, анотування, аугментації навчальної вибірки, навчання моделі та розробки алгоритмів для опрацювання великих зображень методом тайлінгу. Розроблено програмне забезпечення мовою Python з використанням бібліотек PyTorch та OpenCV, яке виконує семантичну сегментацію руйнувань. В ході реалізації методики створено алгоритм фільтрації шумів та автоматичного визначення центрів пошкоджених споруд. Результатом роботи є навчена модель штучного інтелекту та набір скриптів, що генерують карти пошкоджень з нанесеними контурами зруйнованих будівель та маркерами їх розташування. Ключові слова – U-Net, дистанційне зондування, нейронні мережі, оцінка пошкоджень, семантична сегментація, Маріуполь. Перелік використаних літературних джерел. 1. Rodger M., Guida R., Damage Assessment Mapping in Mariupol, Ukraine with Multi-Temporal Synthetic Aperture Radar. 2023. URL:https://ieeexplore.ieee.org/document/10281740 (дата звернення: 08.11.2025). 2. Peters T, Sainte Fare Garnot V, Sticher V, Ton-That Whelan T, Schindler K. Wegner J. An Open-Source Tool for Mapping War Destruction at Scale in Ukraine using Sentinel-1 Time Series. 2024; URL:https://arxiv.org/html/2406.02506v2 (дата звернення: 15.11.2025). 3. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI). Springer, Cham, 2015. 241 с. 4. Wiguna S, Adriano B, Mas E, Koshimura S. Evaluation of Deep Learning Models for Building Damage Mapping in Emergency Response Settings. 2024; URL:https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=10440409 (дата звернення: 15.11.2025). 5. Оцінка пошкоджень будівель від UADAMAGE : веб-сайт. URL:https://www.uadamage.com/damage-assessments (дата звернення: 24.11.2025).