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。