橋梁檢測輔助工具精進之研究(1/2)-研訂橋梁檢測3D影像模型作業程序(114銘黃)
活動訊息
來金石堂，總有一本書懂你！雙11更好買，25家銀行信用卡分期0利率！
內容簡介
本計畫研究對象為梁式橋、板橋、箱型橋等三種類型的混凝土橋梁，研究目標為利用無人機拍攝橋梁構件影像，再透過AI深度學習語意分割技術，偵測影像上橋梁表面各種劣化類型，包括混凝土裂縫、混凝土剝落、鋼筋銹蝕、滲水、白華損傷等。
1. 本計畫以兩種不同形式的橋梁當示範區，包括箱型梁與PCI梁， Y6B1200無人機在自動導航定位的定位誤差，在不使用UWB情況下，絕對定位精確度仍達30~50 公分，可減少人工操作之精神壓力，且可提供高解析影像之品質與穩定度。整體而言，箱型梁橋之高解析影像覆蓋率可達90%，但I型梁橋則受限於主梁間空間太小，高解析影像覆蓋率僅能達到60%。未來若要再提升覆蓋率僅能使用小型無人機，飛入主梁間狹小空間以更近的距離拍照。
2. 本計畫建立一個基於深度學習技術的無人機影像品質評估模型，並製作無人機影像訓練資料集，包括亮度失真、對比度失真、高斯模糊、水平移動模糊和垂直移動模糊等退化影像，所獲得的影像品質評估模型能正確的篩選出品質及格(SSIM≥0.7)和品質不及格(SSIM<0.7)影像。
3. 本年度針對112年所開發之Deeplab V3++橋梁影像劣化辨識模型進行精進，增加了2%高解析影像之標註，用於各劣化模型的微調訓練，使得新模型整體辨識率有提升，F1分數在裂縫、銹蝕、剝落、白華、滲水等劣化類別分別從39.35、25.86、54.33、34.86、11.21提升至53.70、75.41、66.46、69.72、60.85。
4. 在幾何變形偵測部分，本計畫提出兩種方式，針對橋台、橋墩、基礎這類的構件，可以使用不同時期的3D點雲，透過點雲距離的計算分析變形量。而若是主梁或帽梁之類的構件，若有垂直面向下滑動的變形，則可以製作不同時期的正射影像，並透過特徵點匹配技術計算位移量或撓度，用以分析其變形量與變形型態。
ABSTRACT:
The project of this study are three types of concrete bridges: beam bridges, slab bridges, and box girder bridges. The research aims to use UAV to capture images of bridge components. AI deep learning-based semantic segmentation techniques are then applied to detect various types of surface deterioration on the bridge, such as concrete cracks, spalling, rebar corrosion, infiltration, and efflorescence.
1. This project uses two different types of bridges as demonstration areas, including a box girder and PCI girder. The positioning error of the Y6B1200 UAV in automatic navigation, without using UWB, still achieves an absolute positioning accuracy of 30–50 cm. This reduces the mental stress of manual operation while providing high-resolution image quality and stability.
2. This project established a UAV image quality assessment model based on deep learning techniques and created a training dataset of UAV images. The dataset includes degraded images such as brightness, contrast, Gaussian blur, horizontal motion blur, and vertical motion blur. The resulting image quality assessment model can accurately classify images as either passing (SSIM ≥ 0.7) or failing (SSIM < 0.7) in terms of quality.
3. This year, improvements were made to the Deeplab V3++ bridge image defect recognition model developed in 2023. An additional 2% of high-resolution images were annotated and used for fine-tuning the AI model, resulting in an overall improvement in recognition accuracy. The F1 scores for different degradation categories improved as follows: cracks (39.35 → 53.70), rust (25.86 → 75.41), spalling (54.33 → 66.46), efflorescence (34.86 → 69.72) , and infiltration (11.21 → 60.85).
4. Regarding geometric deformation detection, this study proposes two methods. For components such as abutments, piers, and foundations, 3D point clouds from different periods can be used to calculate and analyze deformation amounts by measuring point cloud distances. For components like main girders or cap beams, if vertical sliding deformations occur, orthoimages from different periods can be generated, and feature point matching techniques can be applied to calculate displacement or deflection, allowing for an analysis of deformation magnitude and patterns.
1. 本計畫以兩種不同形式的橋梁當示範區，包括箱型梁與PCI梁， Y6B1200無人機在自動導航定位的定位誤差，在不使用UWB情況下，絕對定位精確度仍達30~50 公分，可減少人工操作之精神壓力，且可提供高解析影像之品質與穩定度。整體而言，箱型梁橋之高解析影像覆蓋率可達90%，但I型梁橋則受限於主梁間空間太小，高解析影像覆蓋率僅能達到60%。未來若要再提升覆蓋率僅能使用小型無人機，飛入主梁間狹小空間以更近的距離拍照。
2. 本計畫建立一個基於深度學習技術的無人機影像品質評估模型，並製作無人機影像訓練資料集，包括亮度失真、對比度失真、高斯模糊、水平移動模糊和垂直移動模糊等退化影像，所獲得的影像品質評估模型能正確的篩選出品質及格(SSIM≥0.7)和品質不及格(SSIM<0.7)影像。
3. 本年度針對112年所開發之Deeplab V3++橋梁影像劣化辨識模型進行精進，增加了2%高解析影像之標註，用於各劣化模型的微調訓練，使得新模型整體辨識率有提升，F1分數在裂縫、銹蝕、剝落、白華、滲水等劣化類別分別從39.35、25.86、54.33、34.86、11.21提升至53.70、75.41、66.46、69.72、60.85。
4. 在幾何變形偵測部分，本計畫提出兩種方式，針對橋台、橋墩、基礎這類的構件，可以使用不同時期的3D點雲，透過點雲距離的計算分析變形量。而若是主梁或帽梁之類的構件，若有垂直面向下滑動的變形，則可以製作不同時期的正射影像，並透過特徵點匹配技術計算位移量或撓度，用以分析其變形量與變形型態。
ABSTRACT:
The project of this study are three types of concrete bridges: beam bridges, slab bridges, and box girder bridges. The research aims to use UAV to capture images of bridge components. AI deep learning-based semantic segmentation techniques are then applied to detect various types of surface deterioration on the bridge, such as concrete cracks, spalling, rebar corrosion, infiltration, and efflorescence.
1. This project uses two different types of bridges as demonstration areas, including a box girder and PCI girder. The positioning error of the Y6B1200 UAV in automatic navigation, without using UWB, still achieves an absolute positioning accuracy of 30–50 cm. This reduces the mental stress of manual operation while providing high-resolution image quality and stability.
2. This project established a UAV image quality assessment model based on deep learning techniques and created a training dataset of UAV images. The dataset includes degraded images such as brightness, contrast, Gaussian blur, horizontal motion blur, and vertical motion blur. The resulting image quality assessment model can accurately classify images as either passing (SSIM ≥ 0.7) or failing (SSIM < 0.7) in terms of quality.
3. This year, improvements were made to the Deeplab V3++ bridge image defect recognition model developed in 2023. An additional 2% of high-resolution images were annotated and used for fine-tuning the AI model, resulting in an overall improvement in recognition accuracy. The F1 scores for different degradation categories improved as follows: cracks (39.35 → 53.70), rust (25.86 → 75.41), spalling (54.33 → 66.46), efflorescence (34.86 → 69.72) , and infiltration (11.21 → 60.85).
4. Regarding geometric deformation detection, this study proposes two methods. For components such as abutments, piers, and foundations, 3D point clouds from different periods can be used to calculate and analyze deformation amounts by measuring point cloud distances. For components like main girders or cap beams, if vertical sliding deformations occur, orthoimages from different periods can be generated, and feature point matching techniques can be applied to calculate displacement or deflection, allowing for an analysis of deformation magnitude and patterns.
目錄
目錄
目錄 III
圖目錄 V
表目錄 XIV
第一章 緒論 1
1.1 研究緣起 1
1.2 研究研究內容 3
第二章 文獻蒐集與分析 5
2.1 國內無人機影像橋梁檢測相關研究 5
2.2 國外深度學習文獻分析 7
第三章 方法及進行步驟 25
3.1 持續精進橋梁構件劣化影像AI辨識模式功能之構想 26
3.2 精進橋檢影像分析軟體功能及操作介面之構想 28
3.3 建置全橋3D模型標準作業程序之流程 30
3.4 開發與評估橋梁構件幾何變形偵測演算法之可行性 39
3.5 提升無人機拍攝橋梁完整照片覆蓋率之方式 47
3.6 推動示範案例 50
第四章 研究成果 51
4.1 精進AI影像缺失辨識模式功能 51
4.2 精進橋檢影像分析軟體功能及操作介面 54
4.3 建置全橋3D模型標準作業程序之成果 58
4.4 開發與評估橋梁構件幾何變形偵測演算法 70
4.5 提升無人機拍攝橋梁完整照片覆蓋率之執行成果 91
4.6 推動示範案例執行成果 96
4.7 多時期劣化變異分析先期研究 134
第五章 結論與建議 147
5.1 結論 147
5.2 建議 148
參考文獻 151
附件1 期中報告審查會議審查意見處理情況表 155
附件2 期末報告審查會議審查意見處理情況表 165
附件3 物件化橋梁3D建模作業流程 175
目錄 III
圖目錄 V
表目錄 XIV
第一章 緒論 1
1.1 研究緣起 1
1.2 研究研究內容 3
第二章 文獻蒐集與分析 5
2.1 國內無人機影像橋梁檢測相關研究 5
2.2 國外深度學習文獻分析 7
第三章 方法及進行步驟 25
3.1 持續精進橋梁構件劣化影像AI辨識模式功能之構想 26
3.2 精進橋檢影像分析軟體功能及操作介面之構想 28
3.3 建置全橋3D模型標準作業程序之流程 30
3.4 開發與評估橋梁構件幾何變形偵測演算法之可行性 39
3.5 提升無人機拍攝橋梁完整照片覆蓋率之方式 47
3.6 推動示範案例 50
第四章 研究成果 51
4.1 精進AI影像缺失辨識模式功能 51
4.2 精進橋檢影像分析軟體功能及操作介面 54
4.3 建置全橋3D模型標準作業程序之成果 58
4.4 開發與評估橋梁構件幾何變形偵測演算法 70
4.5 提升無人機拍攝橋梁完整照片覆蓋率之執行成果 91
4.6 推動示範案例執行成果 96
4.7 多時期劣化變異分析先期研究 134
第五章 結論與建議 147
5.1 結論 147
5.2 建議 148
參考文獻 151
附件1 期中報告審查會議審查意見處理情況表 155
附件2 期末報告審查會議審查意見處理情況表 165
附件3 物件化橋梁3D建模作業流程 175
配送方式
-
台灣
- 國內宅配：本島、離島
-
到店取貨：
不限金額免運費
-
海外
- 國際快遞：全球
-
港澳店取：
訂購/退換貨須知
加入金石堂 LINE 官方帳號『完成綁定』，隨時掌握出貨動態：
提醒您！！
金石堂及銀行均不會請您操作ATM! 如接獲電話要求您前往ATM提款機，請不要聽從指示，以免受騙上當！
退換貨須知：
**提醒您，鑑賞期不等於試用期，退回商品須為全新狀態**
-
依據「消費者保護法」第19條及行政院消費者保護處公告之「通訊交易解除權合理例外情事適用準則」，以下商品購買後，除商品本身有瑕疵外，將不提供7天的猶豫期：
- 易於腐敗、保存期限較短或解約時即將逾期。（如：生鮮食品）
- 依消費者要求所為之客製化給付。（客製化商品）
- 報紙、期刊或雜誌。（含MOOK、外文雜誌）
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。（如：電子書、電子雜誌、下載版軟體、虛擬商品…等）
- 已拆封之個人衛生用品。（如：內衣褲、刮鬍刀、除毛刀…等）
- 若非上列種類商品，均享有到貨7天的猶豫期（含例假日）。
- 辦理退換貨時，商品（組合商品恕無法接受單獨退貨）必須是您收到商品時的原始狀態（包含商品本體、配件、贈品、保證書、所有附隨資料文件及原廠內外包裝…等），請勿直接使用原廠包裝寄送，或於原廠包裝上黏貼紙張或書寫文字。
- 退回商品若無法回復原狀，將請您負擔回復原狀所需費用，嚴重時將影響您的退貨權益。
商品評價