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(1/2)：影像蒐集及辨識演算法架構探討

交通部111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。
本研究為2年期計畫之第1年期，完成的主要研究成果，計有：(1)蒐集相關深度學習應用影像辨識技術之文獻，並探討影像辨識應用於邊坡地貌變異判識之方法與可行性；(2)蒐集欲探討之邊坡場址衛星、航測、UAV…等影像，以為後續深度學習之訓練及驗證資料庫使用；(3)比較各深度學習框架及神經網路模式對於邊坡地貌判識之適用性，藉以找出合適之演算法。
成果效益：
本研究探討應用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：
可提供公路總局、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。

本所主辦單位：港灣技術研究中心
主管：蔡立宏
計畫主持人：黃宇謙
研究人員：鄭登鍵
聯絡電話：(04)2658-7119
傳真號碼：(04)2656-4418

交通部111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。 本研究為2年期計畫之第1年期，完成的主要研究成果，計有：(1)蒐集相關深度學習應用影像辨識技術之文獻，並探討影像辨識應用於邊坡地貌變異判識之方法與可行性；(2)蒐集欲探討之邊坡場址衛星、航測、UAV…等影像，以為後續深度學習之訓練及驗證資料庫使用；(3)比較各深度學習框架及神經網路模式對於邊坡地貌判識之適用性，藉以找出合適之演算法。 成果效益： 本研究探討應用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： 可提供公路總局、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。

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(1/2)-影像蒐集及辨識演算法架構探討
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1-1
1.4研究流程1-3
第二章 文獻回顧2-1
2.1航拍技術介紹2-1
2.1.1無人飛行載具(Unmanned Aerial Vehicle，UAV)2-1
2.1.2即時動態定位技術(Real Time Kinematic，RTK)2-2
2.1.3視覺攝影測量技術(Visual Photogrammetry)2-4
2.1.4遙測技術(Remote sensing)2-5
2.1.5合成孔徑雷達(Synthetic Aperture Radar，SAR)2-7
2.1.6光學雷達(Light Detection And Ranging，LiDAR)2-9
2.1.7被動式光學遙測衛星2-10
2.2航拍技術於坡地之應用2-14
第三章 人工智慧應用於影像辨識技術探討3-1
3.1人工智慧(Artificial Intelligence，AI)3-1
3.2機器學習(Machine Learning，ML)3-1
3.2.1資料分析3-6
3.2.2學習演算法3-7
3.3深度學習(Deep Learning，DL)3-8
3.4神經網路(Neural Network)3-10
3.5深度神經網路(Deep Neural Network，DNN)3-13
3.6卷積神經網路(Convolutional Neural Network，CNN)3-14
3.7卷積神經網路模型介紹3-18
3.7.1 LeNet-5(1998)3-18
3.7.2 AlexNet(2012)3-19
3.7.3 VGG(2014)3-20
3.7.4 GoogLeNet/Inception(2014)3-21
3.7.5 ResNet(2015)3-21
3.7.6 DenseNet(2018)3-23
3.7.7 EfficientNet(2019)3-23
3.8深度學習框架(Deep Learning Framework)3-24
3.8.1 PyTorch3-25
3.8.2 Tensorflow3-25
第四章 影像蒐集及探討比較4-1
4.1空拍影像取得管道4-1
4.1.1水土保持局巨量空間資訊系統4-1
4.1.2 Google Earth Engine開源雲端平臺4-6
4.1.3國家太空中心衛星影像產品申購系統4-7
4.1.4國立中央大學太空及遙測研究中心4-8
4.1.5內政部國土測繪中心國土測繪圖資e商城4-10
4.1.6林務局農林航空測量所圖資供應服務平臺4-11
4.1.7公路總局UAV空拍影像資料4-12
4.2空拍影像探討比較4-12
4.3影像初步蒐集情形4-13
第五章 結論與建議5-1
5.1結論5-1
5.2建議5-3
5.3成果效益與應用5-3
5.4提供政府單位應用情形5-3
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