多期多尺度影像結合深度學習於邊坡地貌變異判識之初探(2/2)-影像處理方法及公路邊坡影像類型適用性探討

簡介

摘要：
交通部112年度施政計畫重點項目之一為「強化智慧應用，提升運輸效率」，提出應加強結合5G、AI等新興科技應用，實現智慧交通數位轉型；2020年版運輸政策白皮書提出「應用AI、UAV及遙測技術於鐵公路巡檢或監測」為重點之行動方案。
本計畫為2年期計畫之第2年期，主要研究成果計有：(1)蒐集相關文獻並探討深度學習應用於邊坡地貌變異判識之方法與可行性；(2)分析多尺度之衛星、航測、UAV…等遙測載具及空拍影像處理方法；(3)訪談實務應用單位瞭解公路邊坡維管制度及需求性；(4)說明深度學習神經網路模型對於邊坡地貌判識任務之適用性。
成果效益：
本計畫探討應用AI技術結合多時期、多尺度(衛星、航測、UAV…等)之邊坡監測影像進行邊坡地貌變異判識之可行性，並希冀藉由新興科技及技術之探討，於未來能達成地貌判識、裸露塌地範圍自動圈選及土方量體判定等效用，以利公路邊坡管理單位之日常巡查作業及災後復原工作更加便捷快速。
提供政府單位應用情形：
研究成果提供公路總局、高速公路局於公路邊坡管理及災防之應用，以及本所人工智慧技術研發相關研究後續探討與應用。

more...

目次

目 錄
中文摘要 I
英文摘要 II
目錄 III
圖目錄 VII
表目錄 XI
第一章 緒論 1-1
1.1 研究動機 1-1
1.2 研究目的 1-1
1.3 研究內容及工作項目 1-2
1.4 研究流程 1-3
第二章 文獻回顧 2-1
2.1 國外文獻 2-1
2.2 國內文獻 2-10
2.3 小結 2-13
第三章 公路邊坡維管機制及空拍影像適用性說明 3-1
3.1 邊坡定義及破壞類型 3-1
3.2 公路邊坡維護管理制度介紹 3-6
3.3 邊坡災害之空拍地貌特徵說明 3-20
3.4 遙測影像適用性說明 3-25
第四章 遙測載具及空拍影像處理技術 4-1
4.1 遙測載具 4-1
4.2 影像處理 4-8
4.2.1 解析度 4-8
4.2.2 色彩 4-10
4.2.3 幾何校正 4-13
4.2.4 大氣校正 4-13
4.2.5 特徵提取 4-15
4.3 目標偵測與分類 4-23
4.4 邊坡地貌判識影像蒐集與處理流程預劃 4-26
第五章 深度學習影像辨識模型研析 5-1
5.1 神經網路(Neural Network) 5-1
5.2 深度神經網路(Deep Neural Network，DNN) 5-5
5.3 卷積神經網路 5-6
5.4 基於區域的卷積神經網路(Region-based Convolutional Neural Networks，R-CNN) 5-9
5.5 YOLO 5-11
5.6 深度學習框架 5-12
5.7 小結 5-13
第六章 結論與建議 6-1
6.1 結論 6-1
6.2 建議 6-4
6.3 成果效益與應用 6-4
6.4 提供政府單位應用情形 6-4
參考文獻 參-1
附錄一 專家學者及實務單位訪談紀錄. 附1-1
附錄二 專家學者座談會會議紀錄. 附2-1
附錄三 第1次工作會議紀要. 附3-1
附錄四 第2次工作會議紀要. 附4-1
附錄五 第3次工作會議紀要. 附5-1
附錄六 期末報告審查委員意見處理情形表. 附6-1
附錄七 期末報告簡報資料. 附7-1