一种通过多车辆协调与机构间合作快速估算地震损失的实际框架：遗传算法与RGB图像分析的整合

《Nefrología (English Edition)》：A Practical Framework for Rapid Earthquake Damage Estimation through Multi-Vehicle Coordination and Inter-Agency Collaboration: Integration of Genetic Algorithms and RGB Image Analysis

地震灾害中，利用多机构地面车辆搭载的实时影像分析技术（gNCDI）结合遗传算法优化路线规划，实现灾损快速评估与资源高效分配。gNCDI通过12维颜色特征提取与遗传算法协同优化，检测倒塌建筑的F1分数达0.84，误报率23%。多车协同算法将总任务完成时间缩短25%，并显著平衡各车辆负载。系统采用标准化JSON数据格式实现跨机构实时共享，验证了灾害响应中自动化与协作技术的可行性。

　　在地震发生后，快速而准确地评估建筑物的损坏情况对于有效的应急响应至关重要。这项研究提出了一种实用的框架，该框架整合了由多个机构部署的配备摄像头的地面车辆与中央指挥系统，以实时绘制灾害现场的损坏状况。该系统结合了一种通用的归一化色差指数（gNCDI）——一种基于RGB的损坏检测技术，它扩展了原本用于植被分析的红度指数（RI）的简便性，以增强颜色指数的通用性——与遗传算法（GA），该算法用于优化多辆车辆的巡逻路线。基于颜色的推理能够通过检测暴露木材和碎片的光谱特性，迅速识别倒塌的建筑。与此同时，GA能够高效地为每辆车分配路线，最大化覆盖范围并最小化响应时间。云架构使地理标记的损坏报告以JSON格式标准化，以便在多个应急响应机构之间实时共享。本文介绍了该系统的设计、实现细节和评估协议，基于针对日本能登半岛地区的灾难情景模拟。通过交叉验证获得的准确度达到了F1分数0.84，能够检测出93%的倒塌建筑，同时将误报率控制在约23%左右。此外，合作车辆路线规划策略显著提高了调查效率，将总任务完成时间比贪心算法基线减少了约25%。同时，作者还讨论了实际挑战，例如与传统卫星和空中评估相比的速度和分辨率优势、数据隐私考虑、误检问题以及对结果进行人工验证的必要性。总体而言，这项研究展示了一种可行的多车辆、多机构方法，用于快速估计地震损坏，旨在加速拯救生命的操作并优化资源分配。

### 1. 引言

#### 1.1 自动化损坏评估：利用行驶拍摄和基于颜色的图像分析

在强震之后，应急响应人员必须迅速准确地评估建筑物的损坏情况。了解倒塌结构的位置和严重程度对于搜救行动和高效资源分配至关重要。传统上，利用卫星图像和航空照片进行遥感方法被用于灾害评估，然而这些方法存在时间延迟和实际限制。例如，卫星具有有限的成像机会，并且容易被云层遮挡。虽然直升机和无人机可以捕捉高分辨率数据，但它们通常无法迅速覆盖大面积，缺乏即时性。近年来，先进的图像分析技术（如详细的三维地图重建和复杂的异常检测算法）逐渐成为主流，但这些技术往往需要大量训练数据和计算资源，并且模型被视为“黑箱”，其决策逻辑不透明。在灾难发生后，即使是一个快速、可解释且易于现场调整的简单方法也具有其价值。本文聚焦于红度指数（RI），它是一种基于红色和绿色颜色强度的归一化差值，用于建筑物损坏分类。RI最初被提出作为干旱地区植被测量的校正指数，其对表现出强红色反射和弱绿色反射的材料特别敏感。假设这种光谱特征可以作为严重结构损坏的指标：当建筑物倒塌时，结构木材暴露，屋顶瓦片和土墙的灰尘会增加相对红色反射。RI非常适用于现场实时处理，因为它只需要少量训练数据，且可以作为简单的像素级计算实现，包括阈值处理。Shiraishi和Usuda（2025）提出了使用RI进行建筑物损坏提取的概念，并展示了它在能登半岛地震数据中能够检测完全倒塌的建筑物（欧洲宏观地震烈度尺度上的D5级）。

初步验证表明，14/15个D5级完全倒塌的建筑被RI阈值正确检测，而16个未倒塌的建筑被正确识别为未损坏（大部分误报是红色屋顶或墙壁的未损坏建筑）。然而，显而易见，这种简单的颜色指数在高可重复性和准确性方面存在局限。例如，出现了人工红色涂漆的杆子或红色车辆被误认为损坏的情况，以及无法自动设置阈值的问题。因此，本研究尝试通过开发新的公式，对RI进行扩展，以应用于每个像素，捕捉细微的颜色差异、颜色和色调。

#### 1.2 多车辆协同路线规划

第二个挑战是多车辆的协同路线规划。在大规模灾害中，各种组织（地方政府、消防部门、警察、自卫队等）会巡逻各自负责的区域以评估损坏情况。然而，如果没有足够的协调，调查活动可能会重叠或某些区域可能被忽略。为了实现高效的协调，作者将这个问题建模为一个带有时间约束的多代理路径优化问题，并采用遗传算法（GA）进行多车辆路径优化。车辆路径问题（VRP）及其变种在物流领域广泛研究，并被应用于灾难响应场景。例如，Kefi和Ghedira（2004）提出了一个用于时间约束VRP的协同多代理解决方案。Zidi等人（2013）将遗传算法应用于灾难救援车辆路径规划，动态整合新请求（如救援请求）和中断事件（如道路关闭），以实现最大化的可达受害者数量和最小化的总行驶成本。

这种方法遵循相似的原则，进行多目标优化，以最大化调查覆盖范围（检测到的损坏建筑数量）同时最小化所有车辆的总行驶时间。关于多个机构之间的信息共享，统一指挥系统如“事件指挥系统”（ICS）已被国际采用。提出的集中协调服务器从所有车辆中聚合和分析数据，无论其所属组织，然后向每辆车发出实时任务分配和路线变更。这种集中控制使得所有机构能够使用一个共同的、最新的损坏地图和进度状态，同时保持现场机动性。

### 2. 方法

本节描述了所提出框架的核心技术。首先，详细介绍了基于gNCDI的图像损坏检测方法。其次，解释了用于路径规划的路网数据和处理危险区域的方法。最后，描述了协作遗传算法（GA）的设计，包括染色体表示、进化操作符和路径优化目标函数。

#### 2.1 基于gNCDI的损坏检测

本研究优化了gNCDI系数，并通过一个阈值τ来判断每个像素是否存在损坏。接下来，基于每帧中损坏区域的比例，估计每帧的二分类（损坏存在/不存在）。通过这两个步骤，判断是否存在损坏。

为了从高分辨率的地面视频中自动检测建筑损坏，本研究定义了一个扩展的归一化色差指数（gNCDI），并采用遗传算法（GA）优化其线性模型的系数。gNCDI被定义为从每个像素提取的12维特征向量x，通过学习获得的权重向量和一个偏差的线性组合。特征向量x基于以下分类构建：1-3项表示颜色比较，4-6项表示绝对颜色成分，7-9项表示颜色比，10-12项表示HSV成分。通过这些分类，作者设计了一个能够平衡光照变化鲁棒性与捕捉多种损坏颜色线索能力的特征向量。如图2所示，本研究从每个像素中提取了这个12维特征向量，总共提取了5865个点，并将其构建为训练数据集。

本研究采用GA进行gNCDI系数的选择。这是因为评估指标F1分数被认为是一个不可微分的目标函数，不适合传统的基于梯度的优化方法（如逻辑回归、深度学习）。gNCDI评估涉及两个非连续步骤——gNCDI分数计算和使用阈值τ的二值化——在F1分数计算前，使梯度无法定义。作为一种探索方法，GA可以直接使用这个不可微分的目标函数作为适应度。

此外，除了权重和偏差，还可以同时优化最终的阈值τ，用于提取损坏像素。这使得能够自动发现最适合数据集特性的分类边界。逻辑回归、多元回归分析和深度学习将在考虑部分讨论。

GA操作包括个体（解决方案）由14个浮点参数组成：12维权重、偏差和阈值τ。初始化过程是在[-1,1]范围内随机初始化种群。选择过程基于高适应度个体，将它们传递给下一代。交叉操作基于从池中选择的个体（基于精英策略）。交叉和变异操作中，交叉随机继承来自父个体的参数，变异则根据正态分布施加一个小的噪声，以探索全局最优解。

#### 2.2 利用遗传算法的协作车辆路径问题

高效的多车辆路径规划依赖于使用道路基础设施数据。在本研究中，目标区域的道路网络以GeoJSON格式提供，并转换为图数据结构用于路径规划。具体来说，每个道路段（GeoJSON LineString）被解析为节点和边：交叉口和端点成为节点，连接的道路段表示为边。每条边的长度通过Haversine距离（基于纬度和经度的大地圆距离）计算，并被视为行驶距离的近似值。节点坐标通过将纬度和经度四舍五入到一致的精度进行标准化。在预处理阶段，合并重复节点以确保一个干净且连通的图。

由于地震后道路关闭的可能性很高，已知的危险区域被纳入路径规划，并排除相应的部分。这个框架允许输入危险多边形（如潜在的沉降区域、结构倒塌或严重洪水区域）。对于每个提供的危险多边形，系统确定道路图中的每条边是否几何上与多边形相交或完全包含在其中。受影响的边被标记为不可通行并从图中移除。这确保了路径查找算法自动避开危险区域。边移除后，孤立节点（不再与其他节点连通的节点）从目标节点集中移除，以保持图的总体连通性。

模拟中将车辆速度固定为约40公里/小时（典型的城市驾驶速度），并以该速度将图距离转换为行驶时间。该行驶时间被用作主要路径成本计算的权重。尽管实际操作应考虑交通障碍和拥堵，但模拟简化了这些因素，假设恒定速度（如果需要，可以预分配基于预期驾驶难度的道路特定惩罚）。每个机构被分配一个基地位置。也就是说，每辆9辆车使用指定的基地作为出发和返回点。基地坐标可以作为一组GeoJSON点提供。如果没有指定基地，模拟会随机在区域边界附近放置9个基地。

兴趣点（POI）代表需要检查的建筑或区域位置。在本研究中，大约70个目标点被设定，均匀采样自道路网络节点，代表区域内需要调查的建筑。此外，约20个位置被标记为“损坏标记目标”。在本研究中，损坏标记目标是随机选择的（在整个区域内均匀分布），但在实际操作中，gNCDI分析模块会动态确定这些目标。具体来说，gNCDI处理模块会将显示“可能”值的位置标记为“损坏标记目标”并将其信息与路径规划模块共享。虽然本模拟在开始时固定了20个位置为损坏标记目标，但该框架假设“损坏标记目标”在任务过程中动态更新。一旦道路图和基地/目标位置准备就绪，路径规划使用的距离表就被预先计算。使用Dijkstra算法，计算所有兴趣点（约70个目标位置+9个基地，总计约79个位置）之间的最短路径距离。这些距离被转换为行驶时间以形成时间成本矩阵。无法到达的配对（如位于不同岛屿上且没有道路连接的两个位置）被分配无限距离。这种预处理提高了成本评估和接下来优化过程的速度。

#### 2.3 协作GA：染色体设计和目标函数

为了路径优化，采用了一种协作遗传算法（Cooperative GA，简称Coop-GA）。

除了遗传算法（GA），蚁群优化（ACO）和粒子群优化（PSO）等元启发式方法也被广泛应用于车辆路径问题（VRP）的解决方案。ACO通过信息素的间接信息交换来构建路径，通常在旅行商问题（TSP）和基本VRP中表现出色。然而，虽然ACO擅长“最短路径”搜索，但直接应用于复杂多目标函数J（结合多个异构元素，如尽早到达损坏标记目标和平衡车辆负载）则会增加信息素定义和更新规则的复杂性，使调整变得困难。

PSO则适合连续优化问题，其中粒子（解决方案）在搜索空间中移动，同时更新其速度和位置。然而，在本研究中，PSO主要用于搜索连续值空间。将其应用于离散组合优化问题（如VRP）需要复杂的离散化方法（编码/解码）。

GA的优势在于它可以通过染色体表示直接编码离散VRP解决方案（每辆车的访问目标序列），从而在离散搜索空间中自然地定义交叉（继承路径段）和变异（任务交换或重新分配）等操作。关键的是，它可以直接使用不可微分的复合目标函数J作为适应度，表现出比ACO或PSO更大的灵活性，在同时改善三个目标（倒塌优先级、总时间、工作负载）方面更加有效。因此，GA被选为本研究中最合适的路径优化方法，因为它适合复杂的多目标函数和离散解决方案空间。

在本方法中，一个个体（解决方案）代表所有车辆的路径分配，通过进化计算搜索改进的解决方案。接下来将描述本研究中使用的GA方法设计。

染色体表示：每个个体编码所有车辆的路径集合。具体来说，它表示为一个由9辆车辆的有序目标列表组成的元组。个体被编码为元组，其中每个组件列表对应一辆车的目标访问顺序。每条路径是步骤序列：从车辆的基地出发，按顺序访问分配的目标，最后返回基地。然而，染色体中不明确包含基地。在评估过程中，每辆车的基地会自动添加在目标列表的前后，形成一个完整的循环路径。

初始种群：为了确保多样性和质量，而不是纯粹的随机初始化，一个启发式解决方案被注入初始种群。首先，每个目标被分配给距离基地最近的车辆，然后每个车辆的目标大致按距离排序（最小增量距离）以生成一个单个启发式路径计划。这会产生一个合理的初始解决方案（即后来描述的贪心解决方案）。这种启发式解决方案（以及贪心解决方案）被注入初始种群，其余个体则通过随机任务分配和顺序生成。这确保了初始种群包含多个相对良好的解决方案，同时保持广泛的多样性。

适应度评估（目标函数）：GA的适应度评估是所有车辆路径集合的复合成本指数。

定义了一个加权和的目标函数，整合了以下三个目标：

- 最小化所需的总时间，
- 尽早到达损坏标记目标，
- 平衡车辆的工作负载。

在进化过程中，GA会自动根据这些权重计算权衡——例如，“即使意味着轻微绕行，我们是否应该优先访问损坏标记目标？”或者“降低倒塌优先级以平衡车辆负载是否能减少目标函数值J？”——以探索最小化目标函数J的解决方案。

这里，J是所有车辆完整路径计划的目标函数值。Tmax是任意一辆车完成路径所需的最长时间（即最后一辆车完成的时间，也称为makespan）。ti是到达损坏标记目标i的时间（并且这个总和是所有识别出的损坏标记目标的到达时间总和）。σ是每辆个体车的总任务时间的标准差。权重系数w, β, τ根据这些目标的重要性进行设置。在实现中，减少Tmax被优先考虑（即被设置为比其他目标大几个数量级），同时对到达损坏标记目标的延迟和车辆工作负载的显著不平衡施加惩罚。例如，在标准设置中，对车辆工作负载不平衡施加了很大的权重。

配置以惩罚车辆工作负载的不平衡。例如，在标准配置中，施加权重以最小化车队的总完成时间，确保车辆组的总完成时间最小化，同时为倒塌到达项和时间偏差项分配较小但非零的权重。实际上，这单一目标函数代表了对任务时间减少（最小化Tmax）、快速到达损坏标记目标（最小化所有损坏标记目标的到达时间总和）和车辆工作负载的均衡（最小化时间标准差）的多目标优化。因此，GA将高适应度分配给满足以下条件的解决方案：没有极端延迟的任何单辆车（通过Tmax项），损坏标记目标的早期访问（通过第二项），以及所有车辆几乎同时完成（由于σ项）。

选择、交叉、变异：GA的核心操作与在其他组合优化问题中的应用相似。在每一代中，基于目标函数值进行选择（使用轮盘选择或锦标赛选择等方法），增加更好的个体被选择用于繁殖的可能性。交叉操作采用车辆级路径段交叉。具体来说，对于每辆9辆车，从父A和父B中随机提取一部分路径（连续的目标子序列），并结合形成每个车辆在后代中的路径。这同时重构了所有车辆的路径，在单次交叉操作中完成。交叉后，子解决方案可能包含重复访问或未分配的目标。因此，修复操作被应用以消除重复的目标分配和重新插入缺失的目标，确保解决方案的有效和完整。

变异引入了小的随机变化以促进多样性。实施结合了多种变异操作符，包括：

- 车辆重新分配：从最重载的车辆中移除一个任务，并将其插入到最轻载的车辆的路径中。这平衡了车辆之间的任务数量，减轻了极端不平衡（直接减少了目标函数中的标准差项）。
- 车辆交换：随机选择两辆车，并在其路径之间交换一个任务。这探索了将相对绕行的任务转移到另一辆车的潜力，以减少总行驶距离/时间。
- 基于路径的2-opt洗牌：在每辆车的路径中，交换两个非常接近的访问顺序，或反转一个随机选择的段。这类似于旅行商问题中的经典2-opt技术，作为缩短个体车辆路径的局部优化。

在每次变异后，都会重新执行修复步骤以纠正重复或缺失的任务。通过结合和应用这些操作符（可能在每一代中多次应用），算法在广阔的搜索空间中探索，同时引导种群向收敛方向发展。通过局部搜索强化：在GA解决方案收敛到足够好的区域后，进一步应用局部搜索以微调和改进解决方案。具体来说，依次执行以下步骤：(i) 对每辆车的路径应用2-opt优化以消除不必要的绕行，(ii) 将最慢车辆的任务重新分配给最快车辆以直接减少Tmax，(iii) 在多辆车辆之间交换任务以验证目标函数的潜在改进。将这些步骤整合到进化过程中（一种结合GA和局部搜索的混合方法），相较于单独使用GA，能够实现更快的收敛和更高质量的解决方案。

对动态重新规划的适应性：灾难响应需要不断变化的条件，因此需要动态更新路径计划。该系统在新倒塌报告、道路关闭信息或车辆故障（如故障或撤退）等事件发生时进行实时重新规划。具体来说，在获取当前车辆位置和剩余任务后，会迅速重新运行GA以生成优化的路径计划，根据需要重新分配任务。GA适合迭代重新优化，因为它可以利用并行计算，并且其目标函数对小的变化是平滑/连续的。在本方法中，重新规划可以由事件驱动或在固定时间间隔内触发。灵活的任务重新分配使得整个团队能够适应，同时最小化整体任务持续时间。这种对动态变化的响应能力（一种动态VRP）是协作GA方法的核心特征。

### 3. 实现和数据

为了概念验证，所提出的框架在一个模拟环境中实现，模拟了日本能登半岛地区（图3）。道路网络从OpenStreetMap数据中提取，以GeoJSON格式表示，然后按照第2.2节中描述的方法转换为节点-边图。在情景中，九辆地面车辆（地方政府、消防部门、警察和自卫队各三辆）巡逻受灾区域，共同覆盖总共70个检查点。九辆车辆的出发基地（仓库）分布在区域边界附近，初始时车辆分布广泛（在模拟中，仓库坐标是随机的，但也可以预先指定）。在模拟逻辑中，实际确定哪些位置倒塌是由gNCDI分析模块完成的。该系统是用Python实现的，使用了NetworkX等库进行图处理和路径查找。在模拟中，gNCDI计算和倒塌检测是虚拟进行的（实现上，预先选择的20个位置被简单地视为倒塌）。未来计划包括与实时视频流输入的连接。GA路径优化使用了定制的GA引擎。为了确保收敛，调整了种群大小、代数、配对概率和突变率等参数。在当前设置下，收敛在种群大小为30、80代、配对概率为0.8、突变率为0.2的情况下实现。个体评估需要对9辆车辆×70个目标组合进行成本计算。然而，这通过参考预先计算的距离-时间表得到高效处理，使得每一代的评估快速进行。作为基线方法，实施了一个没有协同优化的贪心分配启发式方法。该贪心方法是一种简单策略：在每一步中，对于每辆车辆-目标对，评估如果该目标被分配为下一个任务时目标函数的增加量，并选择导致最小成本增加的车辆-目标对。这种分配重复进行，直到所有目标都被分配。最后，为每辆车添加返回基地的路径以完成整个行程。由于该框架的目标函数包含对损坏标记目标的权重，贪心算法隐式地优先考虑损坏标记目标（即在做出下一个分配选择时不仅考虑距离，还考虑尽早到达损坏标记目标的益处）。贪心算法具有低计算成本，并能快速生成路径。然而，由于其短视和逐步性质，常常导致整体路径效率低下，车辆之间的负载分布不均（例如，一辆车被分配了显著更长的路径）。

对于评估，所提出的方法（Coop-GA）与贪心算法使用关键性能指标进行比较：完成覆盖的总时间、失败检测速度以及车辆之间的负载平衡。Coop-GA还与小规模问题的穷举最优解进行比较，以验证GA解决方案与真实最优解的接近程度。此外，模拟了某些车辆在任务中退出的场景，以观察动态重新规划对路径重新配置的影响。对于可视化，图5提供了所有车辆路径和调查点的图，明确显示了每辆车的分配区域和覆盖范围。使用上述设置，对框架的性能进行了全面评估。

### 4. 结果

#### 4.1 性能比较：贪心方法和协作GA

首先，比较了贪心启发式和协作GA（Coop-GA）方法生成的路径分配结果。对于标准情景（约70个目标位置，包括9辆车辆和20个倒塌区域），表3总结了两种方法获得的性能指标。贪心方法导致最后一辆车的路径极其漫长，使总行驶时间Tmax达到4.38小时。相比之下，Coop-GA通过遗传优化和路径缩短，将Tmax减少到3.25小时，减少了1.13小时（25%）。所有收集点的总到达时间也有所改善。虽然贪心方法需要约18.99辆小时（每个收集点到达时间的总和），Coop-GA将其减少到15.99小时，减少了16%。这表明，建筑位置被更早地纳入巡逻顺序。此外，车辆任务时间的标准差从贪心算法的1.48小时减少到Coop-GA的1.19小时。这表明车辆任务时间分布更加均匀。换句话说，虽然贪心方法导致某些车辆行驶时间显著更长，但Coop-GA生成了一个所有车辆几乎同时完成任务的计划。

此外，整体目标函数值J从贪心的472.1改善到Coop-GA的352.7，提高了25%。这些结果表明，所提出的协作GA方法在完成时间、倒塌建筑发现速度和资源利用的平衡方面优于贪心分配方案。请注意，本文仅在特定情景下计算贪心和Coop-GA一次；在多个事件和不同情景下的准确性验证仍是一项未来任务。

从定性角度来看，贪心方法的基于距离的分配策略将远处的目标集中在最后一辆车，迫使一辆大范围的路径变更，绕过了几乎整个区域。相比之下，Coop-GA的遗传优化使任务交换和路径重建成为可能，将远处的目标分布到多辆车上。因此，实现了“不留任何目标未被覆盖”的计划，所有车辆都分担了工作负载。同时，一些倒塌地点的访问被推迟到计划的后半部分。

同时，Coop-GA倾向于在路线顺序中优先安排倒塌地点的访问，因为目标函数中包含了倒塌优先级项。

#### 4.2 近似最优性和计算时间

接下来，评估了Coop-GA解决方案在小规模问题实例中接近真实最优解的程度，并验证了计算成本。问题被限制在3辆车辆和K=6、7、8个目标上，并进行了穷举搜索以找到每个问题的最优解（因为只有在小规模下才可行）。然后，将Coop-GA和贪心解决方案的目标函数值与最优解进行比较。结果表明，虽然Coop-GA的目标函数值与穷举最优解相差几个百分点，但贪心解决方案的表现明显更差。例如，对于K=6个目标，将穷举最优解的目标函数值归一化为100%，Coop-GA的解决方案约为102%，而贪心解决方案约为120%。对于K=7和K=8，Coop-GA的解决方案仍然低于约105%（接近最优），而贪心解决方案则显示出显著更高的值（在某些情况下，约为最优解的115-140%）。值得注意的是，当比较完成时间Tmax时，贪心方法通常比最优解大很多（由于某辆车的路径过长）。然而，Coop-GA通过抑制最慢车辆的负载，实现了Tmax接近最优解的值。此外，由于目标函数中包含倒塌权重，Coop-GA在访问倒塌目标的顺序上接近最优策略。

#### 4.3 动态重新规划场景

在模拟的后半部分，测试了车辆在任务中途失效（模拟故障或通信丢失）的场景，以评估Coop-GA动态任务重新分配的有效性。具体来说，在任务完成50%时移除一辆车，并通过Coop-GA重新优化，将该车剩余的目标重新分配给其他车辆。对于贪心（非协作）方法，原本分配给失效车辆的区域未被访问，最终需要其他车辆依次单独覆盖这些目标。因此，整体完成时间Tmax显著延长。相比之下，Coop-GA检测到失效事件，并立即重新运行GA，将失效车辆的剩余任务重新分配给其他车辆。因此，Tmax的增加被保持在极小范围内。换句话说，协作系统迅速重新分配了工作负载，即使有一辆车失效，也最小化了团队的完成延迟。定性比较也评估了Coop-GA在“可扩展性和容错性”方面的优越性，表明当一辆车失效时，Tmax的增加在Coop-GA中是可接受的。这反映了其重新规划能力的优势。

总体而言，这些结果表明，所提出的协作多车辆系统在性能上显著优于静态贪心启发式方法。它能够迅速覆盖广阔区域，并快速到达关键（倒塌）地点。它使多个机构之间的劳动分工更加高效，避免了重复覆盖，并展示了对变化条件的出色稳健性。

#### 4.4 损坏检测性能

为了评估所提出的gNCDI图像分析方法的倒塌分类性能，进行了模拟能登半岛损坏情景的实验。gNCDI模型被应用于标记为“损坏”和“未损坏”的帧中提取的特征。像素值超过阈值的被认为是损坏像素，帧的损坏状态根据这些像素的比例进行二分类。为了评估帧级分类模型（分类阈值τ）的性能，对整个数据集进行了分层5折交叉验证。优化过程中使用了遗传算法（GA），以帧F1分数为目标函数，并同时优化参数k（optK=true）。GA设置为120个个体和120代。表5显示了从五次折叠中得到的总体性能指标的平均值。该方法在平均F1分数0.8375 ± 0.0728的情况下实现了高分类性能。特别是，召回率很高，达到0.9306 ± 0.0569，表明低风险错过损坏帧。这种高检测性能表明该方法在早期预警系统中的实用性。F1分数的波动（σ = 0.0728）主要归因于精确率的波动。这表明在实际操作中，已经学习到了一个权衡：接受误报（FP）以最小化漏报（FN）。

定量上，高F1分数被确认。例如，覆盖有蓝色防水布（低红色成分）或只有墙壁裂缝和很少碎片的房屋，使用RI检测是困难的。然而，所提出的方法通过利用颜色差异信息正确识别了损坏。如图5所示，结果样本也确认了gNCDI方法能够捕捉损坏区域。虽然有些未损坏的房屋被错误地识别为损坏，但这些发现表明，所提出的方法即使在有限的图像数据下也能实现高精度的损坏评估。通过扩展可检测损坏模式的范围，它展示了在实地使用中的高实用性。

### 5. 讨论

#### 5.1 传统指数（RI）与gNCDI的比较

使用传统红度指数（RI）时，必须进行包括地区特定阈值设置和颜色校正在内的前期校准。例如，RI的灵敏度取决于地区的建筑材料和成像条件。在有许多木屋的地区，倒塌的棕色红色木材和灰尘会变得明显，产生强RI信号。相反，在由钢筋混凝土建筑主导的现代城市地区，倒塌主要产生灰色碎片，导致较弱的RI响应。相比之下，本研究中使用的gNCDI在不同颜色特征的图像之间保持了检测准确性，无论是白天、傍晚还是夜间拍摄的图像。此外，GA自动化了gNCDI系数和阈值τ的校准，以最大化F1分数。这使得在不同颜色特征的图像之间保持检测准确性成为可能。实验表明，使用gNCDI（通用归一化色差指数）在各种条件下实现了更高的可重复性、准确性和F1分数。这表明通用色差方法在应对光照变化和场景组成差异时具有内在的鲁棒性。RI和gNCDI的比较见表6。

#### 5.2 不同特征描述符的分类性能比较

本节介绍了分类性能的比较分析，使用遗传算法（GA）优化的四个不同特征描述符（gNCDI、HSV、LBP和RI）在三种不同目标情景（植被、天空/空地、倒塌的木屋）下的表现。性能指标——F1分数、精确率（P）、召回率（R）和准确率（Acc）——在测试集上进行了评估。

#### 5.3 负载平衡和冗余控制

引入协作GA的主要成就在于显著平衡多辆车辆的任务负载。在贪心分配下，目标常常集中在某一辆车的最后阶段，导致行驶时间的标准差很大。这不仅使该车辆过载，还因等待最慢的车辆完成而延迟整个团队的响应。协作GA在目标函数中引入了偏差惩罚，调整分配以确保每辆车的行驶时间几乎相等，并生成一个所有车辆同时完成的计划。这在地面工作者的负载平衡方面也具有优势。关于冗余（重叠覆盖），由于每个目标只被访问一次，理论上冗余为零。然而，低效的路径规划可能导致通过不必要的绕行而产生的间接冗余。贪心方法由于车辆目标分配的顺序，有时会导致长距离绕行（即冗余移动）。相比之下，Coop-GA通过车辆之间的任务交换和路径内的2-opt优化压缩了这种浪费的移动。因此，冗余距离占总行驶距离的比例略有下降，表明协作GA方法在减少运输资源浪费方面也具有优势。

#### 5.4 车辆失效和重新规划行为

Coop-GA方法在动态变化如车辆失效或新任务到达的情况下表现出适应性。车辆失效（由于故障或通信丢失）在实际操作中是一个高度现实的可能性，而传统的固定规划无法平滑地重新分配剩余任务。贪心分配方法在失效发生时，由于计划是固定的，缺乏灵活性，导致在其他车辆最终覆盖剩余未处理任务之前出现额外的延迟。相比之下，Coop-GA在检测到失效时立即重新运行优化，将失效车辆的剩余任务重新分配给其他车辆，从而最小化Tmax的增加。这种差异源于是否存在实时路径重新优化的能力，这是该框架的主要优势。在实际现场操作中，尽管受到通信基础设施和计算资源的限制，可以在几秒钟的时间间隔内进行周期性重新计算。通过让多辆车辆协作调整覆盖区域，显著增强了在不确定和变化条件下的鲁棒性。

#### 5.5 基于gNCDI分类可靠性的路径规划整合与增强

本研究提出的框架由两个强大的技术组件组成：gNCDI用于损坏检测，Coop-GA用于协作路径优化。在当前实现中，gNCDI对损坏存在的二分类，并将该结果（“损坏标记目标”）作为Coop-GA目标函数的第二项输入。然而，这种顺序处理流程未能利用gNCDI分类中的置信度或不确定性信息。

为了增强系统的智能性，作者提出将gNCDI的分类置信度Ci整合到路径优化目标函数中。具体来说，可以基于损坏确定分数zi对目标位置i的访问优先级进行加权。例如，高损坏概率（Ci等于1.0）的目标可以被分配为优先访问的救援目标。相反，损坏概率中等且置信度低（高验证需求）的目标可以被分配为验证优先级访问的目标。通过这种整合，Coop-GA可以优先快速到达“一定倒塌”的地点，同时在资源允许的情况下，整合高效的验证路径以访问“高误报可能性但不可遗漏”的地点。

探索这种协同效应是一个关键的研究挑战，将该框架从一个简单的信息收集和优化系统提升为一个更加智能、整合的决策系统，能够在不确定性信息下优化资源分配。未来的研究必须定量评估这种置信度整合对整体任务完成时间Tmax和救援效率的影响。

### 6. 结论

认识到在灾难发生后无法分配时间用于建筑或重新训练深度学习模型，本研究提出了一个全面的框架，能够在地震发生后数小时内实现广泛的实时损坏评估。该框架整合了从车载图像中使用gNCDI检测倒塌建筑、通过遗传算法（GA）进行多代理路径优化，以及通过基于云的JSON交付实现跨机构协调。该框架通过模拟和实际视频数据进行了实现和验证。在能登半岛类型的评估中，九辆车辆的协调展示了在短时间内生成广泛损坏地图的潜力。

基于gNCDI的损坏检测在K=5、GA（种群大小120，120代）的情况下达到了F1分数0.837，精确率0.7770，召回率0.9306，显示出定量的高准确性。与贪心方法相比，遗传算法（GA）生成了更有效的巡逻计划，实现了工作负载的平衡，同时减少了总完成时间约25%。此外，尽管探索空间有10^110种排列，它在几秒内收敛到近似最优解。同时，它通过快速重新部署保持了完全覆盖，即使在动态变化如车辆失效或道路关闭的情况下。误报率仍可通过后续的人工验证控制。

总体而言，该框架在速度和空间分辨率上都优于传统的卫星和航空评估方法，有效支持了早期救援和恢复行动。未来的目标包括将其发展为一个标准的多灾害平台，以处理如台风和暴雨洪水等复杂灾害，旨在为灾害缓解和生命保护做出贡献。还设想在灾害发生前，根据建筑类型大致估算每个地区的系数。这项研究提出了该框架在灾后应用的潜力。