物件偵測訓練流程

無人飛行載具主要可分為撲翼機、定翼機與旋翼機，撲翼機的飛行與推進方 式是模仿鳥類拍動翅膀飛行的行為，但目前撲翼機在我們的日常當中難以被當作 商品量產，因此不考慮在本研究中使用撲翼機。定翼機與旋翼機在日常生活中則 較為常見：定翼機的機身使用固定的機翼提供升力飛行，像是常見的飛機、戰鬥 機、滑翔翼都可歸類在定翼機；旋翼機的機身裝有一個或多個的旋翼，利用旋翼 與空氣間的相對運動產生升力使機體上升，直升機與四軸飛行器皆屬旋翼機。定 翼機與旋翼機相比之下，轉彎時機身需要傾斜，並且機頭方向始終與飛行方向相 同，而旋翼機轉彎則可以整體機身不調轉方向，可以橫向移動或後退移動，搜集 影像資料時容易調整或固定拍攝方向，因此本研究在定翼機與旋翼機之間選擇旋 翼機做為在高空蒐集影像的飛行載具，旋翼機依飛行前進方向如圖 8 又可分為 十字型與 X 型的旋翼機，本研究中所使用的旋翼機為 X 型的旋翼機。

(a) 十字型旋翼機 (b) X 字型旋翼機 圖 8 十字與 X 字型旋翼機

本研究中使用的旋翼機規格如下表 2 所示，旋翼機之機架大小，也就是機 體本身的對角線長度為 550 公釐，上面配備四組無刷馬達及槳，槳會如同竹蜻 蜓轉動葉片產生向下的強風產生向上的升力，在四組槳互相配合轉動時將提供旋 翼機升力飛行，槳需要靠無刷馬達帶動旋轉，馬達本身的功率與最大轉速相關，

也影響槳能夠提供的升力大小。本研究中使用的槳的大小皆為 14 吋，而馬達大

電池、相機等配備足夠的升力。在本研究中旋翼機供電使用鋰聚合物電池，電壓 為11.1 伏特、容量為 5200 毫安培小時 (mAH) 能支撐在本實驗完成整趟特定高 度下對選定場域的飛行。在飛行控制上本研究使用 Pixhawk 飛控板搭配飛控軟 體 ArduCopter (APM:Copter) V3.2.1， 控制旋翼機飛行模式與飛行路徑來拍攝特 定場域之影像，作為物件偵測流程中使用的即時影像資料。

表 2. 實驗用旋翼機之規格 機架大小

（對角線長度）

550 mm

電池 11.1 V – 5200 mAH 鋰聚合物電池

馬達

類別 無刷馬達

直徑 31 mm

高度 8 mm

最大功率 300w (四顆)

槳 14 吋

飛行控制系統

Pixhawk 飛控板、 ArduCopter (APM:Copter) V3.2.1 飛控軟體

重量 1700 g

若要取得即時影像上某類別物件的座標，必須能夠從圖像上辨識該類別之物 件，為此必須訓練物件偵測模型，在本研究中將利用卷積神經網路訓練物件辨識 模型。物件偵測訓練流程如下圖 9 所示。

圖 9. 物件偵測的訓練流程

在此流程中，首先以無人飛行載具在一場域內飛行並且拍攝高空影像資料，

以此作為歷史空拍影像，並且將高空影像分為兩圖像集，一圖像集作為訓練之用，

另一則用以測試模型是否收斂符合需求。圖 10 為標記邊界框之示意，將物件標 示出邊界，標記足夠數量的圖像後迭代訓練，最後可得到卷積網路合適的權重，

完成不同類別物件偵測模型。該場域存在不同類別物件，其中以屋頂、建築物側 面、一般車輛、卡車、樹木、操場為大宗，訓練時將多類的物件標記進行訓練。

以圖 10、圖 11 所在場域為例，使用經訓練後模型來偵測圖 11 (a) 當中是否存 在上述所需辨別的類別物件，得圖 11 (b) 的結果，在圖 11 (b) 高空影像中可見 到被偵測的物件被標記邊界與標籤。

圖 10. 為空拍圖中物件標定邊界框示意

Deep Learning Training Model

Training History Image Data

Object Detecting Model

(a) 原始空拍影像 (b) 物件偵測標籤後的影像

圖 11. 一場域空拍影像

在本研究中，會將區域內常見空拍偵測物件區分為不同類別，以上圖為例，

分別有車輛 (Car) 、卡車 (Truck) 、建築物 (Building) 、屋頂 (Roof) 、樹木 (Tree) 與操場 (Playground) ，以多項分類做為偵測的目標類別。因無人飛行載具拍攝視 角差異，將房屋細分成能看到側面的建築物類別，與只能看到屋頂的屋頂類別，

避免混淆。此模型可成功判別圖像上的物件類別，並且可在影片對每幀影像進行 物件辨識。透過物件偵測訓練流程得出可用的物件偵測模型，以此模型搭載於無 人飛行載具上分析在飛行時所攝之影像，便可偵測各類別的目標物件位置，可同 即時飛行姿態資訊一起供下一步分析使用。