路面檢測文獻探討

路面檢測的部分，多數研究團隊所採用的方法，分為兩個主流：(1)影像 處理法以及(2)類神經網路法。在本節中將會分別介紹與探討此兩種方法。

2.2.1 影像處理法(Image Processing Techniques)

Henrique Oliveira 等人於 2009 年發表了一篇論文[20]。在此篇論文中，

該研究團隊使用了 Laser Road Imaging System (LRIS) 此一系統以獲取實驗 所需要之圖像。實驗中使用了 Morphological Filtering 與 Thresholding 進行 影像前處理，處理完之後的圖像再使用 Entropy Filtering 與 Thresholding 進 行辨識。實驗結果表明，此一演算法在兩個不同的圖像資料庫中，分別獲得 84%與 95.1%之 Precision、94.8%與 95.6%之 Recall。

Henrique Oliveira 等人於 2012 年再發表了新一篇文章[6]，希望能使用 其他演算法來偵測出路面破損。文中比較了六種不同的檢測方法，其中三種 為 聚 類(Clustering) ， 分 別 為 ： (1) Hierarchical Clustering ； (2) K-means Clustering；(3)Gaussian Mixture Model (GMM)。另外三種為單類別分類(One-Class (GMM)。另外三種為單類別分類(One-Classification Strategies)，分別為：(1) Simple Gaussian Density；(2) Minimum Covariance Determinant Gaussian (MCDG) ； (3) Parzen Density Estimator。而實驗結果表明，GMM 有著最高的 Fm(F-measure)、最低的 Global Error-Rate，並在 Recall 上面有著第二好的表現。

Haijian Ma 等人於 2013 年提出一篇論文[21]，文中採用邊緣檢測搭配上 衛星超高解析度空拍圖像，並使用了Hough Transformation 偵測出道路路線，

最後達到偵測出經過地震後何處道路有破損之目標。實驗結果顯示此篇論文 所提出之方法可以達到86%準確度。

2.2.2 類神經網路法(Neural Network)

2016 年 Lei Zhang[7]等人提出一用於檢測路面破損之論文，其論文使用 了CNN 作為基礎，訓練資料庫為 3264 x 2488 之圖像 500 張，此 500 張圖 像是使用了一般智慧型手機所拍攝而成。雖然使用的訓練圖像大小為 3264 x 2488，但是其辨識方法仍是使用了 Sliding Window 的概念，訓練之 CNN 大小為99 x 99，之中含有著四層的卷積層。實驗結果表明，比起使用支援 向量機(Support Vector Machine, SVM)或者是 Boosting，CNN 在這實驗條件 之下表現都較優(Precision 86.96%、Recall 92.51%)。由此結果可以推論類神 經網路在路面檢測之領域比起傳統機器學習可獲得較佳表現。

2017 年 Chen, Fu-Chen 等人[22]提出一用於檢測核電廠反應爐上裂紋的 神經網路架構稱之為NB-CNN，是由 CNN 結合了 Naïve Bayes Data Fusion。

實驗結果表明，使用NB-CNN 此架構，可在判斷核反應爐裂紋上，達到 96.8%

之準確率。雖然此篇論文目標與本研究之路面並不相同，但在裂紋的判斷上，

其所使用之圖像大小為 120 x 120 像素(pixel)，僅以此大小之圖片而言，反 應爐上之裂紋與路面破損之裂紋即使以人眼來看，也無法分辨出太多的差 異。因此本研究認為此一論文之結果也可作為本研究之參考。

2017 年 Young‐Jin Cha 等人[8]也提出用於檢測路面破損之論文，此篇論 文用的 CNN 其學習率(Learning Rate)並不是採用固定，而是使用了指數下 降之學習率。同樣的，此研究也採用了Sliding Window 的概念，其所使用之 CNN 輸入大小為 256 x 256 像素，並在其中使用了線性整流函數（Rectified Linear Unit, ReLU）。最終實驗結果顯示，使用了指數下降學習率以及 ReLU 激發函數，可以提升CNN 網路之準確率。

2018 年 Hiroya Maeda 等人[23]希望使用神經網路進行路面檢測時，不 需要再進行 Sliding Window 此一費時之步驟，而是能直接以整張照片作為

輸入後直接獲得結果。同時此篇論文也不同於前幾年之論文單純以裂紋作為 研究目標，而是希望能夠分辨出不同之道路破損。

表 2-1 道路破損種類

破損種類 詳細分類

Liner Crack

Longitudinal Wheel Mark Part Construction Joint Part

Lateral Equal Interval Construction Joint Part

Alligator Crack Partial Pavement, Overall Pavement Other Corruption

Rutting, Bump, Pothole, Separation Crosswalk Blur

White Line Blur

表2-1 是來自於 Road Maintenance and Repair Guidebook 2013 (JRA, 2013) 之道路破損分類，也是此篇論文所使用的分類，Rutting, Bump, Pothole, Separation 此四種其實嚴格分類的話並不屬於同一種，但單純使用影像辨認 的話，並不容易區分出此四種類，因此在此篇論文中將這四種類並為同一種 類。此篇論文使用之神經網路架構為SSD，但以最後的實驗結果而言，並不 如前幾篇論文那麼好。但因本研究希望能以實景拍攝照片作為訓練基礎，因 此本篇足以作為本研究之參考。