書籍介紹
交通部施政計畫之目標及策略，揭櫫創新應用智慧運輸科技，結合大數據分析、人工智慧(Artificial Intelligence，AI)、雲端等技術，改善道路壅塞問題、提升道路交通安全、加強安全示警以及推動前瞻智慧運輸技術研發和產業發展。以及運輸政策白皮書提出之「應用AI、UAV及遙測技術於鐵公路巡檢或監測」重點行動方案。爰此，111-112年辦理「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年期計畫，113年辦理「UAV結合深度學習輔助公路局邊坡災防應用探討」計畫，聚焦於利用UAV結合AI進行落石型邊坡破壞特徵影像辨識之探討。
本計畫於前期研究基礎上，於今(114)年度探討鐵公路邊坡分級制度結合AI類神經網路模型輔助影像辨識、目標偵測及分類、圖資生成及量體分析等之可行性。主要研究成果計有：(1)蒐集國內外AI於邊坡之相關研究文獻；(2)諮詢專家學者及訪談邊坡管理實務單位；(3) 鐵公路邊坡分級制度探討及資料蒐集；(4)邊坡分級制度結合AI類神經網路模型之應用探討。
研究成果效益：
探討鐵公路邊坡巡查、檢測、及監測，最後進行風險分級之過程，是否有AI切入應用之可行性，使AI能切合現行鐵公路邊坡維護管理機制與防災流程，並達成本所支援各運輸系統技術與研發創新之目標。
提供應用情形：
研究成果提供鐵公路邊坡相關轄管單位，包含：交通部公路局、高速公路局、國營臺灣鐵路股份有限公司、臺灣高速鐵路股份有限公司及農業部林業與自然保育署阿里山林業鐵路及文化資產管理處等，於鐵公路邊坡管理及災防結合AI之應用參採，以及本所AI技術研發後續相關研究探討與應用。
目次
目 錄
中文摘要I
英文摘要II
目錄III
圖目錄V
表目錄VII
第一章 緒論1-1
1.1 研究動機1-1
1.2 研究目的1-2
1.3 研究範圍及對象1-2
1.4 研究內容及工作項目1-2
第二章 文獻回顧2-1
2.1 邊坡滑動風險評估及災害預測2-1
2.2 邊坡劣化辨識及結構弱面分析2-8
第三章 鐵公路邊坡維護管理機制與分級制度探討3-1
3.1 鐵路邊坡維護管理機制與分級制度3-1
3.1.1 國營臺灣鐵路股份有限公司3-1
3.1.2 臺灣高速鐵路股份有限公司3-8
3.1.3農業部林業與自然保育署阿里山林業鐵路及文化資產管理處3-13
3.2 公路邊坡維護管理機制與分級制度3-18
3.2.1 公路局3-18
3.2.2 高公局3-30
第四章 鐵公路邊坡維護管理結合AI應用說明4-1
4.1 邊坡巡查4-1
4.2 邊坡地錨檢測4-7
4.3 邊坡監測4-7
4.4 邊坡穩定分析及安全評估4-10
4.5 其他邊坡管理工作4-13
第五章 結論與建議5-1
5.1 結論5-1
5.2 建議5-6
5.3 成果效益與應用5-7
5.4 提供政府單位應用情形5-7
參考文獻參-1
附錄一 專家學者及實務單位諮詢紀錄.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 期末報告審查意見處理情形表.附6-1
附錄七 期末報告簡報資料.附7-1
圖 目 錄
圖2.1 研究流程圖2-2
圖2.2 基於AI之邊坡穩定性監測數位孿生系統框架2-3
圖2.3 標註海綿狀風化區域並區分成訓練和測試資料集2-8
圖2.4 利用RANSAC演算法識別模型結構面2-10
圖2.5 空拍影像預處理2-11
圖2.6 判識結果2-11
圖3.1 邊坡災害潛勢判識之邊坡坡長示意圖3-5
圖3.2 邊坡災害潛勢判識使用圖資3-5
圖3.3 邊坡災害潛勢評估流程3-6
圖3.4 高鐵公司邊坡自動化監測系統3-10
圖3.5 高鐵公司降雨警戒指標3-10
圖3.6 DWS偵測器3-11
圖3.7 邊坡滑動偵測器作動示意圖3-12
圖3.8 高鐵風速、降雨和洪水偵測器3-13
圖3.9 阿里山林鐵地理位置及路線3-14
圖3.10 阿里山林鐵等高線及坡度3-14
圖3.11 公路局UAV科技巡檢應用與分析3-26
圖3.12 運用UAV於台8線176k九曲洞路段找出落石來源3-27
圖3.13 台9線158.3K邊坡於0403地震後之災害3-27
圖3.14 公路局使用UAV搭載LiDAR建立邊坡DEM3-28
圖3.15 公路局佈設之落石告警系統(台9丁線9K+800)3-29
圖3.16 邊坡監測儀器配置示意圖3-37
圖4.1 YOLO物件偵測流程4-3
圖4.2 高公局錨頭保護蓋嚴重度分級示意圖4-3
圖4.3 公路局應用多時期空拍影像判識邊坡災害特徵4-5
圖4.4 公路局應用DSM判識邊坡崩塌面積與量體變異4-6
圖4.5 一般深度神經網路(左)和RNN(右)之結構比較4-8
圖4.6 LSTM運作原理示意圖4-9
圖4.7 公路局落石微地動監測儀器結合AI之應用4-9
圖4.8 GNN簡要結構示意4-10
圖4.9 阿里山林鐵AI影像辨識機制4-11
圖4.10 臺鐵公司AI影像辨識現地照片4-12
圖5.1 應用AI整體流程5-2
圖5.2 鐵公路邊坡結合AI輔助應用場景及優勢綜整5-5
表 目 錄
表2-1 子模型選擇與資料特性對照表2-5
表2-2 深度學習模型比較表2-6
表3-1 臺鐵公司邊坡定性分級制度3-3
表3-2 PCCR各岩盤類別之劃分基準建議表3-3
表3-3 臺鐵公司邊坡災害潛勢調查表3-4
表3-4 臺鐵公司邊坡災害潛勢判識表3-6
表3-5 臺鐵公司邊坡災害潛感因子評估參考表3-7
表3-6 臺鐵公司邊坡風險規模評估參考表3-7
表3-7 高鐵公司邊坡定性分級制度3-8
表3-8 高鐵公司地震告警分級及應對行動3-12
表3-9 阿里山林鐵邊坡定性分級制度3-15
表3-10 阿里山林鐵邊坡定性分級意涵及因應對策3-16
表3-11 阿里山林鐵邊坡監測儀器管理值及因應對策3-17
表3-12 公路局邊坡定性分級制度3-19
表3-13 公路局邊坡RHRS評估因子及危險度定量分級3-20
表3-14 公路局邊坡(含相關設施)巡查項目及頻率3-23
表3-15 公路局自然邊坡特別檢測表3-24
表3-16 公路局各級邊坡不同災害情境處置方式3-25
表3-17 公路局UAV、LiDAR應用案例各分類適用性比較表3-28
表3-18 高公局邊坡分級制度3-31
表3-19 高公局邊坡各分級數量3-31
表3-20 高公局巡查頻率規定3-32
表3-21 高公局路塹邊坡檢查影響程度參考說明3-33
表3-22 高公局路堤邊坡檢查影響程度參考說明3-35
表3-23 高公局邊坡災害潛感因子評估參考表3-36
表3-24 高公局邊坡巡查結果初步分級3-37
表3-25 高公局監測頻率規定3-38
表3-26 高公局地錨功能評分表3-38
表3-27 高公局地錨檢測頻率規定3-39
表3-28 高公局邊坡總體檢成果分級3-40
表4-1 物件偵測、語意分割和實例分割4-2
表4-2 RHRS評估因子結合AI輔助分析4-4
表4-3 GPT模型各版本比較4-13
表5-1 鐵公路邊坡養護單位之邊坡分級制度整理5-2
表5-2 UAV影像及加值產品結合AI應用邊坡場景之整理5-4
編／著／譯者簡介
本所主辦單位：運輸技術研究中心
主管：蔡立宏
計畫主持人：黃宇謙
研究人員：胡啟文
聯絡電話：04-2658-7200
傳真號碼：04-2657-1329
序言／導讀
交通部施政計畫之目標及策略，揭櫫創新應用智慧運輸科技，結合大數據分析、人工智慧(Artificial Intelligence，AI)、雲端等技術，改善道路壅塞問題、提升道路交通安全、加強安全示警以及推動前瞻智慧運輸技術研發和產業發展。以及運輸政策白皮書提出之「應用AI、UAV及遙測技術於鐵公路巡檢或監測」重點行動方案。爰此，111-112年辦理「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年期計畫，113年辦理「UAV結合深度學習輔助公路局邊坡災防應用探討」計畫，聚焦於利用UAV結合AI進行落石型邊坡破壞特徵影像辨識之探討。
本計畫於前期研究基礎上，於今(114)年度探討鐵公路邊坡分級制度結合AI類神經網路模型輔助影像辨識、目標偵測及分類、圖資生成及量體分析等之可行性。主要研究成果計有：(1)蒐集國內外AI於邊坡之相關研究文獻；(2)諮詢專家學者及訪談邊坡管理實務單位；(3) 鐵公路邊坡分級制度探討及資料蒐集；(4)邊坡分級制度結合AI類神經網路模型之應用探討。
研究成果效益：
探討鐵公路邊坡巡查、檢測、及監測，最後進行風險分級之過程，是否有AI切入應用之可行性，使AI能切合現行鐵公路邊坡維護管理機制與防災流程，並達成本所支援各運輸系統技術與研發創新之目標。
提供應用情形：
研究成果提供鐵公路邊坡相關轄管單位，包含：交通部公路局、高速公路局、國營臺灣鐵路股份有限公司、臺灣高速鐵路股份有限公司及農業部林業與自然保育署阿里山林業鐵路及文化資產管理處等，於鐵公路邊坡管理及災防結合AI之應用參採，以及本所AI技術研發後續相關研究探討與應用。
分類
其他詳細資訊
- 適用對象：成人(學術性)
- 關鍵詞：鐵公路邊坡，分級制度，維護管理，防災應用，人工智慧(AI)，深度學習
- 附件：無附件
- 頁/張/片數：166
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：王胤容
電話：04-26587142
地址：台中市梧棲區中橫十路2號