研 究 主 題

人工智慧在韌性城市的應用  -  陳俊杉教授

　　韌性城市泛指城市在災害衝擊下的強健復原力，是發展智慧城市治理的重要面向，在極端氣候變遷與複合災害頻仍的時代，更凸顯其重要性。隨著電腦運算與資料產生與儲存能力指數型的成長，物聯網、大數據與人工智慧相關技術已進入廣泛應用的臨界點，我們希望藉此契機，將人工智慧深化應用到此領域，期能在基礎建設之檢監測、城市復原決策系統等帶來突破性的發展。我們在橋樑沖刷監測與預測、校園建築耐震評估與預測、大型地震模擬震動台控制等研究議題已獲得初步成果，未來結合無人機數據、影像數據、感測數據等，可更全面應用人工智慧，協助地震與複合災害減災、強化城市韌性。

人工智慧在仿生材料設計的應用  -  陳俊杉教授

        ​天然材料歷經數億年演化，發展出許多特點，如階層式結構、多功能性、自我修復與適應環境之能力。有別於工程材料強度與輕量化、剛性與韌性無法兼具之限制，生物材料常由硬而脆的礦物質和軟而韌的蛋白質組成具複雜多階層結構之複合材料，其在奈米、微米、 介觀、巨觀尺度下的韌化與強化機制，造就了兼具輕量化、高強度且高韌性的優異機械性質，師法自然可望為材料科技發展帶來革命性的突破與創新。我們開發以微結構影像為核心的仿生材料基因技術平台，透過觀察、製程、實驗與模擬逐年充實此數據集，發展以生成式對抗網路為基礎的仿生材料設計平台，以大幅加速新一代仿生結構材料的開發，並應用於土木、汽車、航太、智慧機械、生醫材料、醫療輔具等產業。

機器學習於影像辨識分類與空間幾何定位  -  韓仁毓教授

        研究針對的主題對象「隧道」在地勢起伏較大或山區經常扮演重要的角色，且維繫重要的交通經濟命脈，因此其安全維護成為國家施政重點要項之一。本研究以光達的高效率以及高環境適應能力並建立三維點雲之平面展繪技術以符合隧道安全檢測標準作業程序所需。研究中建立交談式隧道變異訊號標註技術，以大量裂縫影像作為機器學習訓練模型來源，配合光達二維展繪圖與反射強度資訊，透過機器學習模型於隧道二維展繪影像中辨識裂縫，搭配光達資料中的精確三維點位坐標於交談式介面中判定裂縫之寬度等重要資訊，也透過坐標資訊進行各類訊號的幾何計算與分析（如裂縫走向與長度、滲水區域面積等）。

三維點雲自動化物件萃取與分析  -  韓仁毓教授

​        道路特徵日益複雜且攸關用路人安全，加上近年來所興起自動駕駛系統及三維數位城市等皆須引入路面特徵資料規畫，因此本研究為發展一套以車載光達技術為主的公路路面特徵三維點雲自動化物件萃取與分析流程，研究中首先利用非路面點雲濾除程序萃取路面，將目標點雲影像化所得之反射強度影像自動二值化處理，此外配合型態影像處理、物件標記等方式將候選物件群聚分析與編組，並透過主成分分析將候選物件定向，最後以模版匹配完成物件的辨識與萃取。數值實驗成果透本研究所建立之自動化處理流程可快速將車載光達點雲之路面特徵物件分類萃取，透過誤差預算分析可掌握各項資料處理程序所造成 錯誤分類之比例，再搭配適當改進策略後將可進一步提升分析品質，使建構之技術能更具體落實於交通與都市工程應用實務。

車流追蹤  -  陳柏華副教授

​​        ​在交通工程當中，車輛的微觀屬性及特徵在特定問題之下，如車流模擬，扮演關鍵的角色。而微觀屬性也能聚合成巨觀屬性，協助運輸系統分析與驗證。本研究為為利用深度神經網路，分析路側拍攝之影像，為車流計數及追蹤軌跡。延伸應用之範圍包含交通特性之資料擷取，如流量、車速及密度等基本之參數，及路口之轉向比及延滯時間，或是不同車種駕駛之行為數位化。本研究利用既有之深度神經網路作為基礎，以台灣地區之資料作遷移學習，再搭配傳統的系統動態狀態預估方法，追蹤車輛。遷移學習後的模式在各車種判斷上的正確度從 70% 提升到至少 92%。

人流追蹤  -  陳柏華副教授

​        ​在室內救災及撤離的研究中，人群在室內的分佈及流動狀態為重要之資訊。本研究為捷運車站之人流偵測及追蹤，所使用之分類模式為深度類神經網路，能夠以人為單位追蹤動向，並透過骨架判斷行人之行為。延伸應用為救災及撤離時之關鍵場域重要通道行人流量資料之擷取，及流量預測。本研究在追蹤方法上，改進判斷影片中不同畫面(幀)之間，同一物體之判斷方式。此改進之方法能在室內人流問題上，將截至 2018 為止，研究人流追蹤研究之準確度 MOTA 值提升 0.8 個單位。此外，對於人員偵測中，影片不同時間點間的同一個人，本研究利用提取之特徵作比較，能夠判斷出人員為同一人，增強追蹤之結果，減少誤判。

人工智慧之混凝土結構裂縫萃取與幾何辨識  -  張家銘助理教授

​​        ​研究以非破壞性檢測裂縫性質的方法，利用基於人工智慧中深度學習及遷移學習的方式，及電腦視覺中影像處理之技術，藉由學習每張圖像之特徵訓練出屬於本研究的分類器與物體辨識模型，再透過雙相機模型所識別之物體空間資訊，進一步地判斷裂縫之各種性質。在深度學習的架構中，透過卷積的方式，提取出圖像的特徵，進而學習圖像之特性。於學習完後，可自行判斷圖像中，混凝土表面裂縫之有無、位置甚至裂縫種類等資訊。隨後將深度學習判斷位置的圖像，進行影像處理，經過電腦視覺之方法，將混凝土表面上的裂縫抽取出，結合空間深度資訊計算出點位座標，可用來估計混凝土表面之裂縫長度、寬度以及破壞模式。該方法能藉由非破壞性的檢測方式，進一步了解混凝土構件的破壞程度，可作為結構健康監測方法之一。

人工智慧影像量測之結構健康監測  -  張家銘助理教授

​​        ​研究將研發基於人工智慧影像量測之結構健康監測方法。該方法可利用人工智慧的方式，將結構中要桿件從各個影像中擷取出，再透過2D傅立葉轉換將該桿件之動態影像轉換至空間-頻率域中。透過可控金字塔濾波器進行特徵分析，可獲得影片中隨時間變化之相位差函數。接著，將相位差函數轉換成多個連續漢克爾矩陣，並將之轉換至頻率域做堆疊。透過對該堆疊結果進行奇異值分解與峰值捕捉法，可獲得結構重要桿件之模態候選人。爾後，利用頻率域隨機子空間識別法於各候選模態有效頻率區間進行穩定模態之判別。最後，透過相位差函數於模態有效區間進行放大與萃取，並做傅立葉逆變換得到放大之模態歷時。針對模態反應與損傷識別方法的結合，可得到結構即時損傷識別結果，並提供警示。