林昭宏

本計畫研究對象為梁式橋、板橋、箱型橋等三種類型的混凝土橋梁，研究目標為利用無人機拍攝橋梁構件影像，再透過AI深度學習語意分割技術，偵測影像上橋梁表面各種劣化類型，包括混凝土裂縫、混凝土剝落、鋼筋銹蝕、滲水、白華損傷等。1. 本計畫以兩種不同形式的橋梁當示範區，包括箱型梁與PCI梁， Y6B1200無人機在自動導航定位的定位誤差，在不使用UWB情況下，絕對定位精確度仍達30～50 公分，可減少人工操作之精神壓力，且可提供高解析影像之品質與穩定度。整體而言，箱型梁橋之高解析影像覆蓋率可達90%，但I型梁橋則受限於主梁間空間太小，高解析影像覆蓋率僅能達到60%。未來若要再提升覆蓋率僅能使用小型無人機，飛入主梁間狹小空間以更近的距離拍照。2. 本計畫建立一個基於深度學習技術的無人機影像品質評估模型，並製作無人機影像訓練資料集，包括亮度失真、對比度失真、高斯模糊、水平移動模糊和垂直移動模糊等退化影像，所獲得的影像品質評估模型能正確的篩選出品質及格(SSIM≥0.7)和品質不及格(SSIM3. 本年度針對112年所開發之Deeplab V3++橋梁影像劣化辨識模型進行精進，增加了2%高解析影像之標註，用於各劣化模型的微調訓練，使得新模型整體辨識率有提升，F1分數在裂縫、銹蝕、剝落、白華、滲水等劣化類別分別從39.35、25.86、54.33、34.86、11.21提升至53.70、75.41、66.46、69.72、60.85。4. 在幾何變形偵測部分，本計畫提出兩種方式，針對橋台、橋墩、基礎這類的構件，可以使用不同時期的3D點雲，透過點雲距離的計算分析變形量。而若是主梁或帽梁之類的構件，若有垂直面向下滑動的變形，則可以製作不同時期的正射影像，並透過特徵點匹配技術計算位移量或撓度，用以分析其變形量與變形型態。

本書邀集神經物理治療學領域具有豐富教學與實務經驗的學者執筆，將此學門的概念與應用技巧，以精要的敘述方式，從基礎理論說明延伸到進階臨床實務的探討，如腦中風、創傷性腦傷、脊髓損傷、小腦病變、巴金森氏症、前庭功能損傷、神經肌肉病變、周邊神經損傷、及腦腫瘤；另外，更加入感染及免疫系統症候群及目前受到重視的老人物理治療、神經疾病患者之併發症與相關介入、神經藥物學等議題，並結合個案研討，以期讓讀者掌握此領域的學習重點與應用技巧。

進入1990年代後，隨著計算機資訊處理技術的快速發展，網路應用科技已然全面介入人類社會生活的各種層面。時至今日，我們可以說，資訊化社會已然全面來臨。1955年，班雅明（Walter Benjamin）的〈機械複製時代的藝術作品〉開頭即引述梵樂希的觀察，指出新科技與藝術變衍之間的必然關係：「科技的驚人成長、業已臻至的適應力與準確度，以及所造就的想法和習性，鐵定給傳統藝術帶來深遠的改變……，物質、時空皆已不同於往昔，我們勢必得預期偉大創新的出現，足以改變整個藝術技巧，並進而影響藝術創造，甚或給藝術觀念帶來蛻變。」

本計畫研究對象為梁式橋、板橋、箱型橋等三種類型的混凝土橋梁，研究目標為利用無人機拍攝橋梁之主梁、橫隔梁、橋墩/帽梁、橋面板、橋台、翼牆/擋土牆等構件影像，再透過AI深度學習語意分割技術，偵測影像上橋梁表面各種劣化類型，包括混凝土裂縫、混凝土剝落、鋼筋銹蝕、滲水、白華損傷等。本計畫之研究主題與重點可歸納為四大項，分別為文獻分析、深度學習技術開發、無人機技術開發、橋梁3D建模與技術推廣。在深度學習技術開發部分，首先為針對資料庫資料進行清洗，最後本計畫共選取4,262張照片，進行各式劣化類型之人工標註，再依據規範與專家學者座談會建議，採DRU連動性原則，進行DRU值的人工編輯與確認，其中3,304張的DRU值有編輯過，變更比例達77.48%。另外在精度驗證部分，使用資料庫資料14座橋梁共4,805筆，本計畫透過相同資料清洗程序最後剩下833筆資料。本計畫開發了兩種語意分割深度學習模型，包括DeepLab v3++與Lawin，以及開發一個DRU推估模型。經過精度驗證與測試，證明深度學習語意分割方法進行橋梁影像自動偵測劣化區具有可行性；但DRU推估模型部分雖然具有應用潛力，但精度驗證部分，因DERU評等標準不一致問題、訓練資料數量與多樣性不足，仍有改進空間。在無人機技術開發部分，本計畫結合VIO、IMU、RTK與UWB，開發一融合定位演算法，可以在有無GNSS訊號的環境中進行自主飛行與拍照，提供無人機全局一致性的絕對定位結果，初步驗證絕對定位誤差小於30公分。此外本計畫設計開發一款Y6型橋梁檢測專用無人機，搭載上下旋轉180度之雲台，包括專門設計之LED補光設備，同時利用橋梁3D模型協助航線規劃。

本計畫研究對象為梁式橋、板橋、箱型橋等三種類型的混凝土橋梁，研究目標為利用無人機拍攝橋梁之主梁、橫隔梁、橋墩/帽梁、橋面板、橋台、翼牆/擋土牆等構件影像，再透過AI深度學習語意分割技術，偵測影像上橋梁表面各種劣化類型，包括混凝土裂縫、混凝土剝落、鋼筋銹蝕、滲水、白華損傷等。本計畫之研究主題與重點可歸納為四大項，分別為文獻分析、深度學習技術開發、無人機技術開發、橋梁3D建模與技術推廣。綜合本研究成果，可歸納以下幾項量化指標：1. 從3D模型各矩形框的正射影像的覆蓋度推估，無人機實際拍攝測試區高空間解析度影像成果之覆蓋度可達90%以上，主要缺漏處是因為幾處位置基於安全考量無人機不敢靠近而無法拍攝，位在兩座橋之間的橋墩側面、上方帽梁側面與橋面版旁之橫膈梁。2. Deeplab V3++ AI劣化辨識成果，裂縫之漏授與誤授誤差約35%，而其他劣化類別則在12%～25%之間。3. 無人機於橋下無GNSS訊號下進行自動導航定位之絕對定位精確度可達20公分以內。4. 無人機自動航拍之效率，若經驗足夠，可適當安排航線，一個架次拍滿11分鐘，則可以在三天內拍攝20個架次，完成頭前溪橋一跨的拍攝。