Page 197 - 中華技術127期

因此可用以表達該像元在各個類別的機率值。
一般來說，多數的模型皆直接採用機率值 最高的類別作為該像元的輸出類別，但也可自 行設定機率門檻值以獲得符合需求的成果。從 應用面來說機率門檻大都設定為0.9，相當於 具有90%的信心水準，但本研究為了減少漏授 誤差(Omission Error)，故設定為0.5，以便將機 率圖轉換為二值化影像。問題是因為調降了門 檻，故會增加誤判(誤授誤差Commission Error)， 所以所偵測得到的裂縫會比較寬，也就是會偵 測旁邊的非裂縫區域。故後續本研究再利用影 像處理技術，偵測及刪除非裂縫部分，以提升 裂縫寬度之準確度。由於正射影像已經過幾何 改正，包括幾何變形、透鏡畸變與尺度修正 等，因此正射影像上每個像元都具有0.2 mm的 絕對尺寸。因此透過裂縫的畫素數量，即可推 算得到裂縫之長度與寬度。接下來，將二值化 裂縫影像轉換成向量資料，並計算裂縫長度、 面積與寬度，再轉換成3D模型，以便與橋梁3D 模型套疊，同時根據裂縫寬度給予不同顏色， 以提升橋梁檢測之方便性。
在自動辨識裂縫的精度分析部分，本研究 利用實體橋梁所拍攝的橋梁表面裂縫影像進行 訓練、驗證與測試，共127張影像經人工編碼後 依照70%、20%及10%的比例分為訓練資料集、 驗證資料集及測試資料集，各個資料集間無重 複資料以確保精度分析的客觀性。
在完成模型訓練後，本研究另以13張影像 進行測試，透過混淆矩陣(confusion matrix)來 分析裂縫辨識的精度。表1為模型在測試資料集 上的混淆矩陣精度分析成果，從混淆矩陣中可 以發現背景與裂縫的像元數差異相當大，其比 例約為278:1，但得益於訓練策略，類別像素 數量不平衡的問題得以解決，最終在裂縫類別 達到了93.66%的高生產者精度，符合本研究的 需求。但上述成果使用者精度仍很低，主要是
誤授誤差較大，這是為了避免增加漏授誤差所 導致的結果。由於任何自動辨識都會有誤授與 漏授，而漏授部分若要以人工編修去增加，會 比較花時間。但誤授誤差大，後續可以透過使 用者介面，半自動刪除錯誤偵測的部分。待未 來獲取更多的橋梁裂縫影像並擴展訓練資料庫 後，可望再進一步擴展模型的通用性，提升裂 縫類別的使用者精度及Kappa值以減少後續的人 工編修處理。圖3為模型於測試資料集的預測成 果範例，其中紅色標記為True Positive，藍色標 記為False Positive，黃色標記為False Negative。
混淆矩陣是遙測領域和機器學習領域普遍 使用的精度分析方法，其原理是應用已知類別 之參考資料，或稱地真資料(Ground Truth)來評 估分類的正確率，常用的指標包括整體精度、 生產者精度、使用者精度及Kappa值，以下分項 說明。
(一) 整體精度
整體精度為正確分類的像元數(混淆矩陣中 的對角元素)佔總像元數的比率，雖然概念上相 當直觀，但在本研究的測試影像中，由於屬於 背景類別的像元佔大多數，因此整體精度高不 能直接代表裂縫偵測成果佳。
(二) 生產者精度
生產者精度為分類正確的像元數除以地真 資料中屬於此類別的像元數總和。當裂縫類別 的生產者精度高時，表示偵測的成果幾乎涵蓋 了真實屬於裂縫的像元，由於本研究後續還會 以人工編修的方式細化裂縫偵測成果，因此需 要較高的生產者精度來確保影像中的裂縫像元 幾乎都被偵測出來。
(三) 使用者精度
4
No.127│July, 2020│ 195
特稿