Embedded Files
於碩士期間建置AI辨識系統，利用AI模型結合相關演算法辨識即時車流亂丟垃圾及亂貼小廣告之不當行為，於偵測到不當行為時能夠即時剪輯片段並儲存至雲端空間上，接著寄信通知環保局人員影片連結、時間戳及相關路段等資訊。並設計網頁前後端系統使環保局人員可以輕鬆使用本系統連接監視器達到即時辨識之功能。
本系統已提供環保局人員使用，並獲多家新聞媒體報導。
新聞媒體報導連結
隨著環境保護日益受到重視，以往為了告發隨意丟棄垃圾的行為人，需要投入大量人力和時間監控道路監視器畫面。如今，隨著人工智慧的迅速發展，使用深度學習自動化地偵測這些不當行為，成為不可或缺的解決方案。不僅能節省人力及時間成本，還能夠實現全天候的監控，進而遏止隨意丟棄垃圾的行為。
因垃圾於監視器畫面中比例較微小、模糊且易受環境影響，加上其種類多樣且移動時外觀會發生變化，這些因素均增加了辨識的困難度。為此本研究提出物件偵測網路結合影像聚類之方法，針對即時畫面中的微小垃圾進行偵測定位，並提取出垃圾的影像利用聚類方式辨識垃圾種類，透過其結果移除物件偵測網路所偵測錯誤的部分，進而提升整體準確率，最後設計一套演算法判斷是否為被丟棄的垃圾。
首先，透過調整亮度與飽和度的資料增量方式，使物件偵測網路能夠適應各種環境與光源條件。其次，對網路架構進行了優化，以提升其對小物件的偵測能力。接著，為了解決影像過於模糊導致難以透過人工進行分類的問題，本研究透過標註少量較清晰的影像從中學習有用的特徵，並利用這些特徵對為未標註影像進行聚類，從而實現對舊類別的分類以及新類別的發現。最後，為了避免誤判到地面上的既有垃圾，透過比較連續畫面中垃圾的重疊程度判斷垃圾是否在移動，若正在移動，將節錄丟垃圾片段的畫面上傳雲端，同時將時間戳、路段位置與雲端連結等必要資訊傳送給相關人員，進而達成完整的自動化偵測系統，以實現全天候的監控。
實驗結果顯示，透過本研究所提之二階段偵測方法與單一物件偵測模型相比，能夠提升2.7%的精確率(Precision)及5%的召回率(Recall)，最終達到78.2%的精確率以及61.8%的召回率。此外，改進方法仍達到每秒117幀(FPS)的偵測速度，實現了Real-Time的水準。
Page updated
Google Sites
Report abuse