1. 研究背景

近年来，国内地震、台风和洪水等自然灾害频发，这些大规模自然灾害所带来的最直接效应就是大量的房屋倒塌损毁，如何对这些受损的房屋进行快速的损毁评估成为一个有重大需求的课题。

一方面，从政府和救援部门的角度来考虑，房屋的快速损毁评估有助于为紧急救援及提供救援资金提供决策依据；另一方面，从保险公司角度来考虑，房屋的快速损毁评估有助于为投保人房屋进行灾后理赔提供依据，近年来随着中国城乡居民住宅地震、台风和洪水巨灾保险制度的实施和产品落地，中国未来在巨灾房屋损毁保险理赔领域将有了较大的需求；

传统的损毁评估方法主要依靠人工现场勘察定损，该方法效率低下，再加上灾害现场环境恶劣，存在较大危险性，此外人工调查存在主观性较大等问题。

本研究研发的基于计算机视觉的自然灾害房屋自动定损技术由于依赖深度学习模型，与传统的人工查勘定损方法相比，具有更高的客观性。随着目前云计算和AI算法及高分辨率卫星观测技术的日益成熟和完善，该方法极大的提升大规模自然灾害的定损效率和精度。此外，当下人工查勘定损具有较高的人工成本，该方法的使用极大降低查勘定损的成本。

2. 研究目标

本课题致力于研发一种智能、高效、鲁棒性强的房屋损毁评估方法，智能性体现在该方法不依赖于人工调查，通过机器等智能手段来取代人工，从而规避风险和成本，高效性体现在该方法提供的定损精准度较常规方法更高，鲁棒性体现在该方法定损结果更客观准确，不会像人工定损那样会由于勘察定损的人的业务能力差异而带来偏差。

3. 研究思路

本项目致力于利用前沿的计算机视觉和深度学习算法应用于卫星遥感影像数据从而实现对受损房屋的快速高精度定损。该研究使用来自世界范围的85万个受灾房屋相关的卫星遥感影像xBD数据集，构建基于深度卷积神经网络算法的房屋损毁分类模型，该模型可以实现基于卫星遥感影像数据实现对影像中的房屋的损毁等级进行快速高效损毁评估。

图1 模型方法技术路线图

4.研究内容与结论

（1）研发了基于深度学习语义分割算法的建筑物损毁评估模型，我们提出的方法在未损坏、轻微损坏、严重损坏和摧毁四个房屋尺度损毁等级中分别获得了 0.90、0.41、0.65 和 0.70 的 F1 分数。

（2）本研究使用Microsoft Azure云计算平台把训练的深度学习模型封装成应用程序编程接口从而提供交互式灾害损毁等级量化分析云平台，真正实现了从模型到应用的端对端示范，从而可以实现全自动定损。

（3）该研究对于国家政府部门灾害紧急救援、灾后资金分配以及帮助财产保险公司革新未来中国巨灾保险理赔模式具有重要价值。

图2 基于卫星遥感影像和AI算法的的房屋自动损毁评估云系统，该系统可以实现读取受灾区域的卫星遥感影像，通过云计算平台调用研发的基于AI算法房屋定损模型进而对房屋损毁等级进行实时预测，右侧显示的是房屋损毁等级的预测标签。

5.基金来源，美国微软公司AI For Earth 基金