書籍介紹
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。
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 YOLO5-11
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
編／著／譯者簡介
主管：蔡立宏
計畫主持人：黃宇謙
研究人員：賴俊呈
序言／導讀
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。
分類
其他詳細資訊
- 適用對象：成人(學術性)
- 關鍵詞：公路邊坡、人工智慧、影像辨識、遙測技術、日常巡查、防災應用
- 附件：無附件
- 頁/張/片數：194
授權資訊
- 著作財產權管理機關或擁有者：交通部運輸研究所
- 取得授權資訊：聯絡處室：交通部運輸研究所運輸技術研究中心
姓名：周于楨
電話：04-26587150
地址：臺中市梧棲區中橫十路2號