• Journals

以深度學習萃取高解析度無人機正射影像之農地重劃區現況資訊

目前多以地面測量方式執行現況測量，然該方法耗費大量人力、時間，且測量成果通常較為局部，而無人機具有低成本、快速產製高解析度正射影像的特性，故本研究採用ResU-net協助萃取高解析度無人機正射影像中農地重劃區全域的現況資訊，並分析經後處理的萃取成果應用於地籍測量相關作業之可行性。研究加入DSM探討高程對模型之助益，研究成果顯示標籤資料涵蓋高程變化處時，加入高程資訊能些微提升模型精度，宜蘭、台中測試資料F Score分別達0.73、0.86；於平面位置精度檢驗，統計得約80%資料符合相關規定，顯示應用深度學習萃取農地重劃區現況資訊有可行性。

• Journals

Goldstein濾波參數探討－以SNAP為例

相位濾波是採用合成孔徑雷達干涉技術一項必要的步驟。本研究使用SNAP軟體進行Goldstein濾波，探討之研究問題有二：（1）Goldstein濾波之各項參數對干涉圖所產生的影響；（2）十字圖樣之生成原因、初步分析十字圖樣對精度的影響。本研究成果顯示：（1）適應性濾波指數及快速傅立葉轉換大小對濾波強度的影響最顯著。（2）濾波強度增強，雖可以達到降雜訊的效果，但同時也會增加十字圖樣；當相位圖中的十字圖樣過多，會對干涉圖的影像判釋及最終精度都造成巨大的破壞，因此使用者應依據實驗區域的狀況酌情調整濾波強度，以取得降雜訊及十字圖樣間的平衡。

• Journals

Extraction of Water Bodies from Satellite Imagery Using AI Techniques

Water body segmentation from remote sensing imagery is essential for monitoring and protecting water resources, as well as for assessing the risks of disasters such as flooding. However, traditional index-based approaches to water body identification have significant limitations. In this study, we applied and trained a convolutional neural network (CNN) called U-Net on FORMOSAT-5 imagery of the greater Tainan City area to identify water bodies. The experimental results of the U-Net model were compared with the Normalized Difference Water Index (NDWI) and convincingly showed that the U-Net model had achieved significantly better water body detection performance.

• Journals

應用深度學習技術輔助橋梁裂縫辨識

臺灣橋梁約有兩萬九千座且橋齡30年以上橋梁佔總數31%，傳統橋梁檢測方式容易使判斷結果過於主觀、耗時、高成本且使檢測人員暴露於危險當中，因此藉由深度學習取代傳統檢測並使用公開裂縫資料集及自行拍攝橋梁裂縫資料，選用Faster-RCNN模型搭配ResNet 50為骨幹的卷積神經網路做為裂縫辨識的方法。研究結果證實相較於傳統橋梁檢測方式之檢測效率、安全性及靈活度也相對提升，研究成果對於裂縫辨識平均精度可達到80.7%、召回率可達77%可成功檢測出橋梁受損區域，且測試影像中有87.76%影像能夠完全預測裂縫位置，另針對具干擾辨識的裂縫影像也僅有12.24%影像有誤判情形。