文/兴创知能股份有限公司

　　人工智能已成为近几年来最火热的科技代名词，而将AI技术结合地理信息系统（Geographic Information System, GIS），创造智慧空间信息（Geospatial AI, Geo-AI），更扮演未来生活应用不可或缺的科技角色。在各类型巨量数据萃取与快速累积的当今，硬件的强力支援以及AI算法的不断创新，为人类社会拓展出许多成功的AI数据应用服务，并且构筑于GIS基础上，提升至数字孪生地球（Digital Twin of Earth）的虚实结合。

　　实际上，Geo-AI透过地球科学数字数据库的概念，囊括了所有与3D空间信息有关的议题，包含多元时空维度的影像应用、地理空间信息整合、三维点云、都市建模与物联网设备监测…等。兴创知能股份有限公司专注于图资、影像与点云的AI辨识（Image Recognition）技术应用多年，将在本文带大家挖掘，有别于过去Geo-AI影像辨识技术应用的新契机。

　　要能飞天遁地，你得要有多维度影像的帮忙

　　人类本是视觉动物，长久以来总需仰赖双眼看到的事物来进行各种判断，而这也真实反映了现代社会人们对于影像辨识的依赖。拜感光元件IC技术快速发展之赐，今日影像采集来源和效率，相比于19世纪早期相机才刚普及的时代，早已不可同日而语，甚至依据各领域五花八门的应用场景，造就了多维度的影像来源。由远距离至近距离包含了太空维度的卫星遥测、高空中的航空摄影、近地表的无人机摄影，再到布满大街小巷无所不在的CCTV;若改由单镜头到多镜头来区分，则包含了再普遍不过的单摄相机、用于立体视觉的双目相机，以及街景常用的全景相机等。

　　显然，搭配着上述不同尺度的影像来源与拍摄场景，影像辨识的应用也将不再侷限于那些传统计算机视觉（Computer Vision）常见的物件辨识议题，更甚以Geo-AI的思维来看，这些可能带有地理空间位置信息的多维度影像数据，无疑是未来创造智慧空间信息生态系的重要基础。

　　选对模型架构，做好Geo-AI影像辨识

　　人工智能最早出现于1956年，时至今日发展超过一甲子，从传统的机器学习（Machine Learning），演化至深度学习（Deep Learning），不断支撑着计算机视觉技术的进步，创造了许多影像辨识的突破与应用。从最基础的观点来看，影像辨识即是一种判断影像中是否包含特定目标的应用。看似简单的问题，其实应可拆分为四种辨识场景，包含影像分类（Classification）、物件侦测（Objection Detection）、语意分割（Semantic Segmentation）与实体切割（Instance Segmentation）等，这也分别代表着不同难易程度的影像处理逻辑。

　　从算法的角度切入，卷积神经网络（Convolutional Neural Networks, CNN）是影像辨识场景中最为常见的基础架构，透过卷积层（Convolutional）、池化层（Pooling）与全连接层（Fully-onnected）串流设计，将大量二维影像转化为单一维度特征排列组合方式，并有效萃取目标物的特征值。随着影像分割问题变得过于复杂，在不同应用情境的驱使下，计算机视觉的领域仍持续诞生许多表现亮眼的算法，例如U-Net、VGG-16、DeepLab、RetinaNet及FasterRCNN等模型。值得一提的是，在追求实时动态影像辨识的应用上，近期最受推崇的YOLO（You Only Look Once）系列算法，在2020年也有了突破性的发展，由中研院团队与俄罗斯学者共同研发的YOLOv4以优异的运算效率，成为当前最广为使用的影像物件侦测模型。

　　实际上，AI影像辨识模型百百种，面对不同的影像尺度与应用情境，我们可能会选择不同的算法架构，但从无到有的打造模型过程，除了把关训练资料质量，模型训练流程（参见图3）一般包含了影像采集、影像标记、模型建构、训练与验证，通过评价的模型才得以进行布署接续上线服务的任务。影像辨识模型训练与服务流程

　　经验丰富，打造Geo-AI跨领域应用服务

　　兴创知能AI技术研发团队近年来致力于Geo-AI影像辨识技术整合应用的发展，打造TronGisPy开源程序码成为业界首创，至今涉足多维度影像辨识服务（参见图4），包含卫星遥测（农业）、航空照片（森林）、无人机（交通）、CCTV（水务）、全景相机（交通）、单摄相机（交通）、双目相机（营建）等议题，都值得带大家深究其奥妙。

　　精准农业资料服务：使用光学卫星（Sentinel-2）【注】影像，配合历年水稻分布调查作为标记图资，建立AI作物辨识模型（模型架构包含CNN与LightGBM），提供水稻田分布调查云端资料基础服务。

　　森林资源调查辅助： 使用航空照片，配合森林资源长期图资调查，建立AI森林覆盖辨识模型（模型架构为CNN），提供分类结果建议，改善人工数化效率与正确性。

　　车辆物件辨识应用： 使用UAV无人机影像，配合既有的AI开源模型（模型架构为YOLOv4），完成白天与夜间情境下，车辆位置辨识与移动轨迹侦测之应用。

　　桥墩水位辨识应用： 使用既有的桥墩监控CCTV影像，配合OpenCV的特征萃取方法，完成墩柱水尺影像辨识应用，侦测白天与夜间的实时水位变化，确保桥墩行驶安全。

　　道路物件资源盘整： 在产制高精度地图（High Definition Maps, HD Map）的过程中，善用装载于测绘车上的环景影像，配合人工标记的投入，建立AI道路物件辨识模型（模型架构为YOLOv4），加速道路人工物件盘点之效率。

　　道路铺面破损辨识：使用装载于车上的单摄相机，配合高质量的专业标记数据，建立AI道路破损辨识模型（模型架构为CNN），完成实时辨识、实时传输之服务，以提升人工巡查道路质量之效率。

　　文史甬道形变监测：使用双目相机全天候监控，配合OpenCV的特征萃取方法，完成狭小甬道两侧墙面固定点位的时序形变监测，并以LINE Notify为媒介实时推播墙面是否有位移之数据。

兴创知能Geo-AI影像辨识应用服务

　　让平面影像拥有空间意义，成就Geo-AI浪潮的重要关键

　　影像资料的系统整合：面对多维度影像辨识议题，势必得处理多样且复杂的影像的来源与规格，从资料面的采集、清理、标记、训练，衍伸到应用面的自动化与专业的数据解读，均考验着团队应付每一个环节的整合能力。

　　领域知识的问题拆解：仅有数据处理的能力依然不够，为了精准掌握跨领域的应用场景，必须要有专业领域的知识投入，才能有效加速应用程序的开发，从痛点的理解，客制化设计解决方案。

　　影像的空间信息意义：在Geo-AI的架构下，影像不再只是一张图片如此简单，如何让影像辨识的结果带有地理空间位置信息，考验着团队在空间信息与摄影测量的整合能力。

　　高空机载摄影容易理解，但地表上那些各式各样的影像又该如何让它们也同样赋予空间信息的意义呢？我们期待各种跨领域的议题讨论与合作，一同打造飞天遁地的智慧空间应用服务愿景。

　　【注】Sentinel-2卫星：为欧洲太空总署（European Space Agency, ESA）发射的绕极轨道卫星，最短5日的再访观测频率，与13个光学波段的支援，已是现今高分辨率（10公尺）光卫星观测中极具优势的免费国际影像资源，因此不论是在环境监测、森林农业、海洋资源、冰川监控或洪水灾害等议题，都有相当广泛的应用成果。

　　（本文来源安防知识网台湾站全球安防科技网）