作者簡歷

謝妤婕，國立臺北教育大學資訊科學系應屆畢業生，凌群電腦實習期間參與蘇花路廊科專計畫，在主管指導下於專案中負責需求驗證與數據分析。

影像辨識技術分析

隨著深度學習的出現，讓影像辨識成為近年來迅速發展的技術之一，我們期待能將現有的技術實作於各個產業領域，改善民眾日常生活。而PyTorch是目前被廣泛使用的深度學習框架，具有Python好上手、高度靈活的特性，也可搭配其它第三方套件一起使用，後來的物件偵測框架YOLO，我們也能透過PyTorch實作。

在討論YOLO之前，我們需要先了解Filter與Edge Detection。Filter可以視作影像的濾波器，而Edge Detection則是透過Filter實現的邊緣檢測。

若將一張影像依其的所有pixel視為一個大矩陣，我們可以設計一個元素總合為1(確保亮度不變)、元素總數為奇數的小矩陣作為濾波器矩陣，再將這個小矩陣對大矩陣的每一個位置進行運算，得出一張新的影像。根據濾波器矩陣的設計，可以做出將影像中的物體邊緣銳化、陰影強化等特殊效果。

利用上述濾波器的設計，我們可以對影像降低雜訊、擷取出影像特徵(Feature)，進而做到邊緣檢測。其目的在於，找出影像中亮度有著明顯變化的點，並剔除不必要的資訊，得到影像中物體邊緣的主要結構。如下所示，左圖為原始影像，右圖為經邊緣檢測處理後的影像。



而CNN(Convolutional Neural Network)是由卷積層、池化層、平坦層、隱藏層、輸出層幾個結構組成的神經網路，其中卷積層的工作就是透過不同的Filter對影像做矩陣運算，盡可能地擷取影像特徵，再將這些特徵做為下一層的Input，不斷重複這個動作，最終得到其中的權重。YOLO則是基於CNN技術所設計的框架，可以一次性對整張影像作物件偵測，其速度與效果都有著顯著的提升，而本次應用於科專計畫是採用YOLO V5。藉由YOLO，進行了物件偵測、物件辨識、物件追蹤，再搭配相關演算法與數據分析，將之應用於對路口的串流影像作車種辨識與統計。

蘇花路廊科技專案之AI影像辨識應用

蘇花路廊北接國道五號，每小時額定容納車流約900~1100輛，作為台灣東部地區觀光及運輸產業的唯一廊道，連假期間總有大量車潮湧入，尤其在收假前夕更可能塞車至深夜。

不同於都市地區可以透過多條道路作空間上的疏流，蘇花路廊在沒有其它車道可分擔車流的情況下，一旦車流量過大導致道路壅塞，駕駛也只能受困於車陣之中，而附近也沒有其它可以讓用路人休息的地方。

於是，我們導入「攔截圈」的概念，從車潮源頭的花蓮市區作「截流」，也就是從時間上作疏流(分時分流)。一旦發現北方「監控點」顯示車流即將到達臨界值，就會觸發告警，提醒交控中心人員啟用號控進行車輛攔截，將北上車流於下游區域進行放行速度控制。

本次科專計畫在崇德管制站、崇德國小、太魯閣大橋北端及南端架設數支CCTV，並運用Edge AI架構進行邊緣運算，對影像做車種、停等長度、車速、轉向等辨識，再將辨識結果回傳至中心主機進行關聯分析。利用這種分散式的運算模式，可以有效減少數據在傳輸過程中的延遲和頻寬消耗。



其中，我們在場域中不乏會觀測到一些非常規的駕駛行為，如行人違規穿越馬路、車輛違規跨越雙黃線、逆向行駛及路肩行駛等；以及因天氣造成的特殊環境影響，如雨天造成的路面反光與畫面模糊、逆光、強風、落雷等；最後還有網路傳輸本身會造成的掉幀(Frame)問題。

因此，在依照各路口標註各式時段與天氣的車種進行AI模型訓練後，我們會對該模型驗証準確率，並分析物件辨識結果異常的原因，此後再針對該車種或駕駛行為在各路口因天氣、光影變化等因素去修正驗算法或是擴增資料集，多次模擬產生新模型後驗証，如此重複以提升模型準確率。



而先前提到，蘇花路廊作為台灣東部地區觀光及運輸產業的要道，其常見的車種除了一般小客車與機車外，還有大客車、貨車及聯結車。利用車種辨識的結果與實際測距，我們能推算出目前車輛對道路的佔有率，再結合多個路口影像分析的結果，進而得知用路狀態，以及車流量使否處於臨界值。



在智慧交通的應用中，自動號控即是透過分析車流量及停等狀態，判斷前方道路是否將達到車流臨界值，提前於「攔截圈」進行號控，以減少擁堵並實現交通安全。在本次科專計畫中，透過凌群電腦SYSCOM ICC平台可以同時監控CCTV即時畫面與AI辨識的車種、停等長度、車速、轉向等數據統計結果，幫助交控中心人員結合其它輔助系統(如：公路總局相關系統、VD偵測、AVI偵測、eTag偵測、事件偵測……)，判斷是否進行截流號控。



隨著近年來有越來越多人投入AI領域的研究，影像辨識也成了廣泛被使用的技術之一，「攔截圈」的概念除了確保用路人北上時道路通暢，達到交控中心「守護安心回家的路」的目的，也能在未來與商家合作，將未上路的消費者留在市區，促進當地的經濟活動。