1.1 前言
一座城市隨著時間發展，會有愈來愈多的建設。其中在道路之下的各式 管線，是極度重要的城市命脈。為了方便管線維護，在地面及道路上均會設 置對應的閥栓孔蓋以便開啟維修。但由於路面平時可能有破損，或需要定期 維護更新，經常發生孔蓋遭到新鋪設的路面柏油覆蓋、孔蓋下陷或異常突起，
造成用路人危險。因此，為用路人安全及管線維護考量，定期進行道路閥栓 巡檢作業，檢查狀況是不可避免的。
圖 1-1 閥栓巡檢作業流程圖
圖1-1 中簡述了閥栓巡檢作業的流程，首先巡檢人員參考前一年的記錄 尋找目標閥栓，找到後拍攝三張照片記錄，這三張照片照排列分別為門牌、
近照、遠景照。最後結果上傳資料庫後，再經由內業人員做最後檢查。但由 於巡檢人員習慣不同或是巡查時疏忽，照片中定位用的門牌及閥栓照片並不
會完全正確排序。疏忽更甚者，可能根本沒有把閥栓的狀況拍入照片裡。若
Christoph Mertz[2]在 2011 年即有提出一車輛搭配雷射測距儀進行路面檢測 之想法，在車輛上搭配雷射測距儀，以深度作為主要辨識依據；Artis Mednis[3]
也在2011 年提出使用智慧型手機之 加速規於行進中車輛上收集資料，並依 照此資料判斷經過的路面上是否含有坑洞。而使用影像辨識技術的人也不在 少數，Abdel-Qader 在 2003[4]就已使用過四種邊緣偵測的技術：Fast Haar Transform(FHT), Fast Fourier Transform, Sobel Edge Detector, 以及 Canny Edge Detector。在此一論文結論中，得到 FHT 為最佳解之結果。
1.2 研究動機與目的
基於上述所提到之種種因素，本研究將會同時研究關於閥栓巡檢辨識以 及道路破損檢測兩方面。
閥栓巡檢人力檢查照片的部分，一般會遇到如下幾項問題：(1)閥栓種類
照片上沒拍到目標物。因此本研究將針對這幾項問題，期望能開發出一符合 現實巡檢作業所需求的閥栓辨識系統，取代掉原本內業人員檢查照片的部 分，將可大幅度減少內業成本以及作業效率。
路面檢測之相關研究多採用了兩種技術：(1)影像處理及(2)人工智慧。就 目前大多數的路面檢測相關技術以及研究結果而言，影像處理仍是研究團隊 主要之研究目標，如Yong Shi 等人[5]以及 Henrique Oliveira[6]等人。但在近 幾年內，由於電腦技術之蓬勃發展造成了人工智慧技術間接提升，所以將人 成三部分：(1)資料收集與標籤(Data Label)；(2)網路訓練與測試(Network Training)；(3)資料庫系統(Database System)，其簡要概念說明如下：
1. 資料收集與標籤：收集各式各樣之資料圖像等，這些資料收集必須符合 標準。之後再經由人工標籤，標籤時所採用之標準需要統一，並且需定 義何為合格何為不合格，標籤種類也需定義好。標籤完後的結果我們稱 之為ground truth，也就是專家的結果。在此一研究中，閥栓辨識的部分 即為各式各樣的閥栓照片，而路面破損的部分，我們為了貼近現實生活，
使用的照片為合作廠商之街景車照片以及從新北市路平報馬仔系統[9]
上所取得之照片。
2. 網路建模與測試：近年蓬勃發展的類神經網路，其也出現了許多不同的 分支，其中較為主流的目標檢測演算法有YOLO (You Only Look Once)、
SSD (Single Shot Multiple Detection)、Mask R-CNN 等演算法。
3. 資料庫系統：使用程式建立資料庫如 MySQL 或者是 Apache Cassandra 等，並將辨識完的成果整理至資料庫中，並於資料庫中處理資訊。
本研究將會依循此架構，先從資料收集開始。標籤的部分則會使用 labelImg[10]此一程式來協助標籤，標籤定義的部分，將會與實際閥栓巡檢廠 商以及道路巡檢廠商作業人員討論過並明確定義。網路建模則會使用YOLO 神經網路，並使用 Joseph Redmon 於其個人網站所提供之 Darknet 套件[11]
進行訓練。希望未來能將此次辨識成果與資料庫系統整合於一起，以達即時 辨識並通知作業人員之系統。
1.4 論文架構
而本論文將會依序從第一章先簡介何為閥栓巡查、路面檢測以及其重要 性，並簡單介紹本研究之架構以及目標。第二章則會回顧前人之文獻並說明 本研究中所使用之資料來源以及標籤過程。第三章則會針對 YOLO 演算法 進行詳細的探討。第四章則會以YOLO 演算法進行網路訓練，並經由調整各 種參數以找出最符合本研究所需求之參數，並在此一章節中展現各種實驗之 後的結果。第五章則會針對前一章節之結果進行探討，並且提出可能之改進 方向以及未來展望。