Page 196 - 中華技術127期

4
194 │No.127│July, 2020
...........................(1)
圖2 影像正射化示意圖
在本研究開發之橋梁檢測視窗操作系統 (LOC6D)中，可將高解析影像、內外方位參數與 矩形框CAD模型匯入，並批次產製每個矩形框之 正射影像。接著，針對每張正射影像應用人工 智慧機器學習技術自動偵測裂縫區域，再利用 影像處理技術將裂縫區域中非裂縫部分刪除， 以便優化裂縫寬度。接著，進行向量化，以便 計算裂縫寬度、長度與面積等，並轉換成裂縫 3D模型。最後，可透過3D視窗展現整座橋梁或 某構件之3D模型，同時套疊裂縫3D模型，以協 助橋梁檢測設定DERU值與其他橋檢項目，例如 構件編號、損壞位置、劣化類型、損壞原因、 建議維修工法、數量、單位、單價、備註、3D 模型與2D影像截圖等等。這些橋檢成果可以CSV 檔案格式儲存，協助製作橋檢報告。
四、建立各式橋梁劣化類別人工智慧機器學 習資料庫
本研究基於TensorFlow開發偵測各式劣化 類別之演算法，TensorFlow為Google所開源的機
器學習函式庫，具有優異的性能表現及活躍的 開發者社群，是目前深度學習的主流框架，透 過TensorFlow提供的API，開發者可以輕鬆地建 立所需的模型架構，還可在訓練或測試過程中 使用TensorBoard可視化套件進行成果的展示， 令參數的調整更加簡單。除此之外，TensorFlow 靈活的框架也是它的優勢所在，使用TensorFlow 開發的套件可輕鬆地在CPU、多GPU或TPU上進 行訓練，訓練出的模型也可移植到移動設備或 部署在伺服器及網站上供他人使用。最重要的 是，TensorFlow由Google開發與維護，除了可以 保障支援及更新的持續性，其龐大的社群亦分 享了許多開放資源及經驗供他人瀏覽，使得套 件功能的擴充或維護更加容易。
近年來，卷積神經網路(Convolutional Neural Network, CNN)為影像分類的趨勢，其先 透過逐層的卷積層來提取出影像中的特徵，最 後再使用全連接層輸出各個分類類別的機率預 測值。雖然CNN的分類準確度明顯高於傳統的 機器學習方法，但由於全連接層的緣故，輸入 的影像必須是固定的大小，且網路的輸出值為 整張影像的類別，而非逐像元的預測，因此後 來衍伸出了稱為全卷積網路(Fully Convolutional Network, FCN)的技術。
FCN與一般CNN最大的不同在於FCN以卷 積層取代了全連接層，也因此FCN可輸入任意 大小的影像並進行像素級的預測，從而解決了 計算機視覺領域中被稱為語義分割(Semantic Segmentation)的問題，因此本研究也是採用FCN 技術裂縫偵測。
FCN為了預測每個像元所屬的類別，網路最 後一層的輸出維度為H × W × C，其中H及W為 影像的高與寬，C則為類別數量，而在C的維度 方向上會使用Softmax函數進行處理，該函數可 以對數值進行正規化，使得每一個數值的範圍 都被壓縮在0與1之間，且所有數值的總和為1，
特稿