人工智慧在土木工程中之應用歷史悠久，而在近十年來發展最為突出的即為影像辨識的相關應用。其中最主要的原因在於，影像數位化後，使用影像紀錄工程執行過程幾乎已經成為必備條件，加上近幾年各種影像蒐集設備在工地的使用，也使一天蒐集的量已達到數以萬計（圖 38）。當然另一方面，在2014年深度學習模型在影像辨識上突破性的發展，也是其中至關重要的一環。工程影像資料量的成長、辨識技術的成熟，造就了影像辨識在工程上多方面應用的開端。

目前在工程領域應用端，與我們一般在營建工程中所注重的幾項重點直接相相關，主要包括進度、品質、安全等。進度部分，主要辨識內容為投入的工程資源及施工完後之構件，如辨識投入之工人、機具及材料，以及施工完成後之結構物（圖 39左）。目前辨識技術雖可有效辨識出人機料，但與工項之整合、時程的搭配，仍然有許多挑戰。在品質方面，主要研究專注在辨識施工後之施工品質查核，如強面交角、元件距離、鋼筋間距查驗、預留孔位檢核等（圖 39右）。這部分的辨識通常需要高解析度影像，並輔助其他感測設備整合處理。另外，橋樑等基礎建設之品質檢測同樣可以適用，如裂縫、鏽蝕等相關辨識也相當普及。在安全上的影像辨識則更為多元，主要仍為相關安全設備配戴之辨識，如最基礎的工地安全帽、反光背心、開口等（圖 40）。然而安全常常也需重視即時性，故影像辨識常應用在閉路電視之即時監控上，而影片則即為影像之集成，技術原理仍然相近。

總體而言，影像辨識在工程上應用廣泛，尤其在現在影像蒐集方式簡單多元，更多的應用方向慢慢浮出。而另一方面，如何與工地上既有之文字資訊整合，並與建築資訊模型搭配應用，整合三維空間資訊，帶領工地數位轉型，其扮演的角色非常重要。

影像分析於地震工程實驗的應用

地震工程實驗是保障未來橋梁與房屋遭遇地震或重大外力而能維持結構安全的重要研究工作之一，也是推動耐震安全技術發展的重要途徑。地震工程實驗是指在實驗室或現場對結構物施加模擬地震力的受力或環境作用的測試，用以探究結構元件與材料的力學行為和破壞機制的方法。每一個結構實驗都是研究人員事先精心規劃設計的工作。結構實驗的過程需要精確地量測，擷取結構材料與結構元件在破壞過程的變形量、受力值，與裂縫尺度，用來探討其承受極限外力的破壞機制與行為。地震工程實驗的量測數據對於未來橋梁與房屋結構安全非常重要。實驗量測數據可以驗證理論分析和數值模擬的準確性和可靠性，揭示結構物在極限狀態下的破壞模式和承載能力，為抗震與各種防災減災提供依據。

由於數位相機與數位攝影機的硬體規格與分析技術快速地成長，使得影像式的量測技術在很多方面具有相當的潛力。量測的技術與儀器的種類相當多，包括量測位移量的位移計，量測加速度與振動量的加速規，量測變形的應變規，與各種採用光學原理與數位影像技術的量測技術等。其中，影像式的量測技術利用數位相機與攝影機擷取結構元件與材料在破壞過程的影像，進行影像特徵分析、光流分析、相關係數分析、物件追蹤等分析方法，擷取結構變形與開裂的精準數據。影像式的量測技術具有多軸向，大面積，遠距量測，高安全性的特性，以及具有硬體設備相當普及化的潛力。影像量測可以應用在房屋結構的多軸向層間位移、橋柱或橋塔的位移或振動、牆面變形與裂縫偵測、鋼板變形與大面積鏽蝕偵測、風力發電機的葉片振動、山坡地邊坡滑動等實驗量測的任務。圖 41為一個結構耐震元件的性能測試實驗，經由數位相機 (影像擷取器) 擷取實驗量測區域的影像，再經過高速伺服器進行影像分析運算，最後獲得變形分佈數據。這些數據都顯示耐震元件的承載能力與消散能量的特性，都將作為耐震設計的依據。

實驗室的量測技術在發展成熟之後，都具有潛力發展為結構健康監測技術。結構健康監測是結構安全的重要要素之一。從長遠的角度來看，影像量測技術應用於地震工程實驗，進一步再應用於結構健康監測技術的落實，將可以有效地掌握結構隨時間變化或是在遭受外力之後的安全狀況，掌握結構安全的重要指標，提早進行預防措施或是補強措施，減少災害發生的機會。

影像辨識於防災的研究應用

近年來全球各地面臨極端氣候的影響，大規模的自然災害層出不窮，隨著遙感探測與人工智慧技術快速發展，航遙測影像搭配深度學習模型應用於災害管理的案例大幅增加。首先，多元影像來源包括衛星、航攝飛機、無人載具等(如表 1)，根據解析度與拍攝範圍在災害管理中有不同的應用，例如快速掌握大範圍災情與災後復原情況，或是辨識個別建築物之損害情形，協助救難人員評估搶救計畫。

針對災後航遙測影像辨識，常用的深度學習技術大致可以分為兩類：物件偵測(Object Detection)與影像分割(Image Segmentation)。物件偵測主要由兩項任務組成，分別是以邊界框(bounding box)描述特定物件在影像中的位置(localization)，和分辨該物件之類別(classification)，可針對影像中多個特定類別物件執行定位並分類。圖 42是使用物件偵測模型搭配無人機影像，辨識颶風災害下建物損壞程度的範例。

影像分割則是以像素(pixel)為單位進行分類，給予每一像素類別標籤，最後產出預測結果(prediction mask)，例如圖 43為使用孿生神經網絡(Siamese Neural Network)進行大範圍洪水災害影像的辨識，其中最右邊圖片深藍色的部分表示被辨識為背景，而其他顏色的區域則是不同破壞程度的房屋。其他也有影像分割技術用於災後道路可通行性評估的應用。

其實，災害管理可以分為災害減災(Mitigation)、防災整備(Preparedness)、緊急應變(Response)及災後復原(Recovery)四個階段，在各個階段配合遙測影像與深度學習技術，可以有效協助相關單位執行防救災計畫。仍有許多應用與技術值得持續發展，例如影像結合其他參數(建物基本資料、人口社經資料等)進行多模態學習，增加預測準確性。以及應用所預測之結果，針對救災當下情況進行人員疏散、救災資源的有效分配等等。從不同面向提升整體社會之抗災韌性為近年全球關注之關鍵課題，待大家共同努力。

參考文獻

• 日本國土地理院 (n.d.). 地理院地圖. 地理院地圖. 國土交通省，日本 https://maps.gsi.go.jp/#5/36.104611/140.084556/&base=std&ls=std&disp=1&vs=c1g1j0h0k0l0u0t0z0r0s0m0f1
• Gupta, R., Hosfelt, R., Sajeev, S., Patel, N., Goodman, B., Doshi, J., … & Gaston, M. (2019). xbd: A dataset for assessing building damage from satellite imagery. arXiv preprint arXiv:1911.09296.
• Maxar Technologies (n.d.). Open Data Program. Open Data Program. https://www.maxar.com/open-data
• Zhu, X., Liang, J., & Hauptmann, A. (2021). Msnet: A multilevel instance segmentation network for natural disaster damage assessment in aerial videos. In Proceedings of the IEEE/CVF winter conference on applications of computer vision (pp. 2023-2032).