運用深度學習技術之影像語意分割於施工中電梯直井墜落風險監控

技術學刊 第三十六卷 第一期 民國一一○年  

Journal of Technology, Vol. 36, No. 1, pp. 1-12 (2021)



運用深度學習技術之影像語意分割於施工中電梯直井 墜落風險監控 

廖珗洲

余文德

蕭文達

張憲寬

蔡智弓

林楨中



朝陽科技大學資訊工程系

朝陽科技大學營建工程系

勞動部勞動及職業安全衛生研究所

摘 要

營建施工意外一直高居世界各國產業職災之首，究其原因在於營建工地具 有高度開放與動態特性。尤其是電梯直井在未安裝設備之前，因安全防護不足 所導致之高空墜落事故，常是造成建築工地死亡事故的主要原因。雖然法令規 範已要求裝設安全防護設施及個人防護裝備，理論上應有充足的安全保障；然 而由於施工人員的不安全行為導致防護措施失效而造成之事故仍時有發生。為 加強輔助職安人員電梯直井之安全管理，本研究提出以語意分割深度學習技術 為基礎之人工智慧電腦視覺辨識方法，開發建築工地電梯直井安全監控輔助 系統；自動警示因不當行為導致潛在安全危害，並降低職安管理人員之工作負 擔。本研究建構完成之系統可應用於建築工地現場之各電梯直井安全區域監 控，透過實驗室訓練測試結果發現，所提出方法不但訓練之召回率及精確率皆 高於，甚至在工地實測之正確率與純淨度亦高於 ，可見其在產業實務 之應用潛力。故本研究之成果應可作為營建施工安全管理之輔助方法，以達到 即時且準確管控建築工地電梯直井施工安全並降低墜落事故發生之風險。

關鍵詞：機器學習，語意分割，電梯直井墜落，安全監控。



$33/,&$7,212),0$*(6(0$17,&6(*0(17$7,2186,1*7+(

'((3/($51,1*7(&+1,48(,1021,725,1*7+()$//5,6.2)

&216758&7,21:25.(56,1$%8,/',1*(/(9$7256+$)7

+VLHQ&KRX/LDR^   :HQ'HU<X^   :HQ7D+VLDR^   +VLHQ.XDQ&KDQJ ^   &KL.RQJ7VDL^

&KHQ&KXQJ/LQ^

1Department of Computer Science and Information Technology Chaoyang University of Technology

Taichung, Taiwan 413, R.O.C.

2Department of Construction Engineering Chaoyang University of Technology

Taichung, Taiwan 413, R.O.C.

3Institute of Labor, Occupational Safety and Health Ministry of Labor

New Taipei City, Taiwan 221, R.O.C.

Key Words: PDFKLQH OHDUQLQJ VHPDQWLF VHJPHQWDWLRQ IDOOV LQ EXLOGLQJ

HOHYDWRUVKDIWVIDOOVDIHW\PRQLWRULQJDQGWLH

通訊作者：張憲寬，HPDLOKNFKDQJ#F\XWHGXWZ

&RUUHVSRQGLQJDXWKRU+VLHQ.XDQ&KDQJHPDLOKNFKDQJ#F\XWHGXWZ

 技術學刊 第三十六卷 第一期 民國一一○年

$%675$&7

&RQVWUXFWLRQDFFLGHQWVDUHWKHPRVWVLJQLILFDQWFRQWULEXWRUWRRFFXSDWLRQDO

GLVDVWHUVDPRQJDOOLQGXVWULHVZRUOGZLGH  7KLVLVGXHWRWKHKLJKO\RSHQDQG

G\QDPLFFKDUDFWHULVWLFVRIFRQVWUXFWLRQVLWHV  7KHXQSURWHFWHGHOHYDWRUVKDIW

EHIRUH WKH LQVWDOODWLRQ RI PHFKDQLFDO HTXLSPHQW LV HVSHFLDOO\ ULVN\ IRU

FRQVWUXFWLRQZRUNHUV  $OWKRXJKWKHVDIHW\UHJXODWLRQVUHTXLUHWKHHPSOR\HU

WR SURYLGH VXIILFLHQW VDIHW\ EHKDYLRU IDFLOLWLHV DQG WKH ZRUNHUV WR ZHDU

SHUVRQDOSURWHFWLRQGHYLFHVDFFLGHQWVVWLOORFFXUGXHWRWKHXQVDIHSUDFWLFHV

RIWKHZRUNHUV  ,QRUGHUWRLPSURYHWKHVLWXDWLRQWKLVSDSHUSUHVHQWVDQ

LPDJH VHPDQWLF VHJPHQWDWLRQ PHWKRG XVLQJ WKH 'HHS /HDUQLQJ '/ WHFKQLTXH IRU PRQLWRULQJ WKH IDOO ULVN RI FRQVWUXFWLRQ ZRUNHUV QHDU WKH

EXLOGLQJ HOHYDWRU VKDIW  %DVHGRQ ERWK WKH ODERUDWRU\ UHVXOWV DQG LQVLWX

WHVWLQJLWKDVEHHQIRXQGWKDWWKH5HFDOODQG3UHFLVLRQGXULQJWKHWUDLQLQJ

SURFHVVLQODERUDWRU\DQGWKH&OHDQQHVVDQG&RUUHFWQHVVREWDLQHGRQVLWH

VXUSDVVHGKLJKSHUIRUPDQFHFULWHULD  ,WKDVEHHQFRQFOXGHGWKDWWKH

SURSRVHGPHWKRGSURYLGHVFRQVWUXFWLRQVDIHW\SHUVRQQHODQHIIHFWLYHWRROIRU

PRQLWRULQJ WKH ULVNV DQG SUHYHQWLQJ DFFLGHQWDO IDOOV IRU WKH FRQVWUXFWLRQ

ZRUNHUV



一、前 言

營建工程之作業場所具有高度開放與高危險之特性，

隨著國內建築工程趨向大型化與高層化之發展，營建勞工 發生墜落等職業災害之風險亦逐漸增加。依據勞動部公布 之數據顯示>@， 年度重大職業災害行業別分析中以

「營造業」所佔比例最高，佔 共計  人；但若 以千人死亡率而言，營建業高達全國所有產業平均 值  之  倍，可見營建職安問題之嚴重性。

過去已有學者針對營建工地職安致災原因進行深入 分析，例如：曹常成研究發現在營造工地二公尺以上具有 墜落危害之地點中，前七名最易致災之地點分別為施工 架、地面開口、工作台、電梯管道開口、牆面、樓版開放 邊緣、鋼樑、樓梯等>@。依據  年度勞動檢查年報統計 資料，墜落發生屬「不安全環境」的主要致災因素為防護 設施不安全  或是缺乏防護設施 ；而在「不安 全行為」則以勞工不當行走於開口邊緣 、作業中踩 空  及施力不當  為主要因素>@。可見過去十 年來，墜落事故之預防，雖已有完善之法令規章，然仍是 營建施工安全管理的重要課題。

最近十年來新一代人工智慧 $UWLILFLDO,QWHOOLJHQFH$, 技術快速發展，尤其是深度神經網路 'HHS1HXUDO1HWZRUN

'11 等機器學習 0DFKLQH/HDUQLQJ0/ 技術的突飛猛 進>@，讓傳統營建施工安全管理問題得到了可能解決的契 機。依據圖靈測試 WKH7XULQJ7HVW 理論>@，目前深度網 路機器學習技術在語音與影像辨識能力上已經超越人類現 有能力，機器學習技術應已具備達到甚至超過過去營建工 地現場職安管理人員對於工地職安意外事故之即時判斷與 回應之功能要求。

基於上述觀點，本文提出以深度學習技術為基礎之影

像語意分割方法，結合目前已於工地全面推廣之&&79 攝 影機，開發建築工地電梯直井安全監控輔助系統，達到電 梯直井安全監控自動辨識之目的，以輔助職安管理人員及 早發現潛在之職安危害情境，並進行主動預警動作。其目 的在降低或避免工地勞工意外事故之發生，達到保障營建 人員工作環境安全之目標。

二、文獻回顧

 營建業職災特性

有關職業意外事故發生原因之研究，最早也最具盛名 的，應該是 年 +HLQULFK 所提出的「骨牌理論」。該理 論將意外事故分為五個相互作用的不同因素，包括>@： 社會與家庭環境； 個人的缺失； 不安全的行為或狀 況； 意外事故；及 傷害與損失。這五個不同的作用 因素密切相關，且相互影響，因果相循，如同並列在一直 線上的骨牌；只要前面的骨牌傾倒了，則後面的骨牌亦會 隨之傾倒。故只要能將其中一項因素消除，則其後續因素 的結果就不會發生。在這五個因素中，社會與家庭環境因 為牽連甚為廣泛，難以簡單改變之；而要修正個人的缺點 或是避免不安全的行為和不安全的工作環境，則相對較為 容易。

勞動部勞動及職業安全衛生研究所 勞委會勞工安全 生研究所 對於國內營建業職災發生多有探討，例如，林 楨中等人>@發現勞工人數小於  人之中小型營造業發生 重大職災佔所有營造業重大職災之比例高達。該研究 蒐集a 年中小型營造業重大職災案例進行統計分 析發現，中小型營造業主要之災害仍以墜落、滾落佔

為主，其次為物體倒 崩 塌 、感電 、物體飛 落  及被撞  等。

 廖珗洲、余文德、蕭文達、張憲寬、蔡智弓、林楨中：影像語意分割技術於施工中電梯直井墜落風險監控 

曹長成等人>@進行營造業中高齡勞工職災特性分析，

將營造業勞工職災分為三大類： 動力機械切割夾捲職 災類型； 營建物及施工設備墜落滾落職災類型； 交 通工具交通事故職災類型。其中，營建物及施工設備墜落 滾落職災類型主要為 歲以上之中高齡女性勞工，以從事

「建築工程業」為主，最常發生「墜落滾落」、「異物碰撞 人體」與「其他」等災害。曹常成>@對於營造工地二公尺 以上具有墜落危害之地點分析，最易致災之地點分別為施 工架、地面開口、工作台、電梯管道開口、牆面、樓版開 放邊緣、鋼樑、樓梯等。

對於墜落原因之分析，紀佳芬等人>@分析出不安全環 境之原因包括： 不安全護欄； 不安全護蓋； 不 安全踏板； 安全網不安全； 開口未設警告標示； 無任何防墜設施； 施工架不符合規定； 不安全氣候 或照明； 其他不安全環境。由上述回顧可知，電梯直井 是建築工程墜落發生之高風險區域，故本研究針對電梯直 井之不安全環境進行改善研究。

 營造業墜落安全防護的相關研究

林楨中在其「營造工程墜落防止技術手冊」>@中指 出，墜落防止技術之優先層次包括： 墜落危害避免－本 質安全，危害消除； 墜落多數保護－安全防護設施，採 行後可保護在設施附近工作之人員； 墜落個人保護－

個人安全防護具，指保護穿戴之個人；及 安全監控系統

－警告措施，危害仍存在。

危害避免大部分僅能於設計階段或施工前預先消除 可能造成會造成施工人員墜落之危害，施工中必須使用多 數保護，例如使用欄杆、護蓋以及防護網等。若是施工 地點無法使用多數保護之措施，則需使用個人保護，例如 使用安全帶。唯特殊情境下，前述防護皆無法使用或安裝 防護之工作人員存在墜落之風險時，則以安全監控系統 警示，以提醒作業人員避免暴露在不安全之環境。其中，

施工中之墜落多數保護，主要依據「營造安全衛生設施標 準」設置，並由安全管理人員巡檢其完整性。

除一般安全設施外，資訊科技應用於墜落防護方面，

可利用即時定位系統5HDO7LPH/RFDWLQJ6\VWHP57/6進 行人員定位與安全警示，例如/HHet al.>@ 為防墜落之發 生，應用超音波與紅外傳感器安全監控系統及無線通訊系 統進行定位；余文德等人>@整合 %,0 與 57/6 系統，提 出施工人員墜落風險即時防護模式。彙整過去學者對於即 時定位系統研究及相關精度>@可歸納如下： 無線 射頻技術5DGLR )UHTXHQF\ ,'HQWLILFDWLRQ 5),'，精確度

aP； 全球定位系統*OREDO3RVLWLRQLQJ6\VWHP*36， 精確度P； 超寬頻技術8OWUDZLGH%DQG8:%，精 確度  FP； 視覺分析9LVLRQ$QDO\VLV9$，精確度

FP； 無線區域網路:LUHOHVV /RFDO$UHD 1QHWZRUN

:/$1，精確度  P； 超音波8OWUDVRXQG，精確度

FP； 紅外線,QIUDUHG,5，精確度 PP；及 慣性

測量裝置 ,QHUWLDO0HDVXUHPHQW8QLW,08，精確度隨時間 放大。這些技術中，部分術精確度不足 例如 5),'，部分 裝備則過於昂貴 例如 8:%，因此實用性不足。此外，以 57/6 定位用於墜落預防之方法，並無法辨識是否有安全 設施或設施是否處於不安全之情境。

依據林楨中>@之墜落防止技術之優先層次，由於無 法以本質安全之設計避免危害發生，施工中電梯直井應採 柵欄等墜落安全保護設施；若多數保護移除或失效時，應 使用安全監控系統予以監控。實務上電梯直井之安全保護 設施，主要為安全門 柵欄，除設施損壞需要人員檢修 外，亦可上鎖 含電子鎖 防止非必要開啟。上鎖雖是嚴格 管理之辦法，但容易因施工人員貪圖方便而未確實執行 例如未確實鎖住。電子感應裝置及物聯網 ,QWHUQHW RI

7KLQJV,R7 雖然可以透過資訊傳輸進行警示，但因工地 環境複雜，容易損壞且容易因電源問題而失效。

有鑑於目前多數建築工地皆已安裝攝影機進行電梯 間遠端監控，因架設位置不容易損壞，且有人員負責監控 畫面，一旦失去訊號能立刻發現，沒有,R7 失效時不易被 發現之問題。但因監控人員通常非專職，會因為分心或其 他因素 例如生理需求 而忽略監視器而喪失第一時間發 現風險進而防止事故發生。為解決人員監控無法即時且全 時之問題，若能改採用人工智慧之電腦視覺技術以機器進 行監控，因機器無須休息且無生理需求；除系統當機或網 路中斷外，均能  小時連續不間斷進行監控及警示。因 此，以網路攝影機結合人工智慧之電腦視覺技術用於電梯 直井墜落預防，應是合適之解決方案。

 可應用於營建施工墜落與滾落監控之人工智慧技術

回顧近期人工智慧及影像辨識技術在營建工程之應 用，其相關重要研究內容包括： %ULODNLVDet al. >@及 .UL]KHYVN\ et al. >@ 自 動 視 覺 追 蹤 系 統 相 關 研 究 ； 5XEDL\DWet al.>@及 )DQJet al.>@安全帽電腦視覺辨 識相關研究；<DQJet al.>@工地之動態風險預警； 'LQJet al.>@勞工之不安全行為辨識相關研究；)DQJ

et al.>@工地高處墜落預防相關研究；0QH\PQHKet al.

>@ 施 工 安 全 應 用 之 自 動 安 全 帽 檢 測 相 關 研 究 ；  0QH\PQHKet al.>@電腦視覺技術於室內施工安全應用之 自動安全帽檢測評估相關研究；/Let al.>@基於圖像處 理和機器學習的安全帽配戴檢測相關研究；及 /Let al.

>@安全頭盔配戴自動檢測相關研究等。

前述文獻內容即時影像辨識之人工智慧技術主要屬於

「候選區域框＋深度學習」之分類方法，包括： 深度卷 積神經網路 'HHS&RQYROXWLRQDO1HXUDO1HWZRUN'&11

>@； 區域卷積式網路 5HJLRQ EDVHG &RQYROXWLRQDO

1HXUDO1HWZRUN5&11>@； 快速區域卷積式網路

)DVW 5HJLRQ EDVHG &RQYROXWLRQDO 1HXUDO 1HWZRUN )DVW

5&11>@；及  更快速區域卷積式網路 )DVWHU5HJLRQ

EDVHG&RQYROXWLRQDO1HXUDO1HWZRUN)DVWHU5&11>@。 

 技術學刊 第三十六卷 第一期 民國一一○年



圖 典型圖像辨識模型之網路架構>@





此外，尚有屬於「基於深度學習的回歸方法」的 <2/2

>@及 6''>@等技術；以及可解決大部分類神經網路 加深所產生梯度消失及將網路變寬造成運算量變大問題的 'HQVH1HW 深度學習技術>@。

雖然上述技術已能辨識出物件，但獲得之結果為一框 型範圍，對於需要較精準分析時仍顯不足，近期+H et al.

>@ 則 提 出 遮 罩 區 域 卷 積 式 網 路  0DVN 5HJLRQ EDVHG

&RQYROXWLRQDO1HXUDO1HWZRUN0DVN5&11。該方法不同 於過去透過辨識物體外圍的「候選區域  框」的 &11 或 5&11 家族，0DVN 5&11 不僅是框出邊框 ERXQGLQJ

ER[，更可做到接近像素層級 SL[HO OHYHO 的圖像分割

,PDJH VHJPHQWDWLRQ 遮罩 0DVN。然而 0DVN5&11 影 像分割僅是以接近 DSSUR[LPDWH 但尚無法達成像素層級 SL[HOOHYHO之解析水平，因此 &KHQ et al.>@提出 'HHS/DE

Y 模型及改良版 'HHS/DEY。該方法通過採用「編碼→

解碼」(QFRGHU'HFRGHU 結構來改善物體邊緣的分割結果，

並使用「;FHSWLRQ」作為編碼 (QFRGHU，而在池化 $WURXV

6SDWLDO3\UDPLG3RROLQJ 和解碼 'HFRGHU 中應用深度可分 離卷積 'HSWKZLVH6HSDUDEOH&RQYROXWLRQ 方法，得到了更 快、精度更高的辨識網路模型。因此，本研究將採用 'HHS/DEY 作為進行工地影像語意分割的方法。

 圖像語意分割與 'HHS/DEY

圖像辨識的方式有很多種，只要是透過電腦視覺來達 成圖像內容解析即是，因此'HHS/DEY 之圖像語意分割 技術與以往的物件偵測皆是師出同門，差異僅是使用的方 法與技術不同而已。在比較'HHS/DEY 與傳統電腦視覺 圖像辨識之前，先對圖像辨識、物件偵測及圖像語意分割 簡要說明如下：

一圖像辨識 ,PDJH&ODVVLILFDWLRQ

 圖像辨識技術發展之目的，主要是希望能夠知道一張 影像中所含有的物體是什麼或是否包含該物體。例 如，想知道圖片中包含哪一種動物 例如狗 的機率

值最高，目標物體就是該動物。在深度學習 'HHS

/HDUQLQJ 中，以 &11 最為經典>@。

二物件偵測 2EMHFW'HWHFWLRQ

 物件偵測技術發展之目的，主要希望當一張影像中有 多於一種物體需要區分時，能將每一種物體都標示出 來，同時區分他們所屬的類別；例如將不同的羊和單 獨的一隻狗都分辨出來，並且知道他們的位置。物件 偵測中的經典方法為)DVWHU5&11>@。

三語意分割 6HPDQWLF6HJPHQWDWLRQ

 如果能作到物體定位，且知道這張影像上，每一個像 素是屬於哪一種類別物體，並將這些不同類別的像素 區分開來，這就是語意分割技術發展之目的，例如 'HHS/DEY>@。

參考前述定義，典型之圖像辨識模型架構，如圖 所 示，主要有四種運算－卷積、激活函數、池化以及全連接 層。當輸入一張影像進入運算模型後，通過一系列運算，

會輸出一個包含每個類別標籤的概率的特徵向量，也就是 對圖片的整體進行分類，為影像分配一個標籤。

圖像語義分割與圖像辨識不同，模型會對圖像中的每 一個像素作出分類，對每個像素而言，均需要將它歸類為 預定義的類別之一。也就是說，語義分割是在像素級別理 解圖像。深度卷積神經網絡包含許多用於減小輸入特徵的 空間維度的層 例如卷積後再池化，這些層最終產生缺乏 清晰細節的高度抽象的特徵向量，因此並不適用於密集預 測的任務。圖像語義分割則通過一系列的卷積來傳遞圖像，

而不是使用池化和全連接層，將每次卷積都設置成 步長，

並在影像不能整除時自動填充 以達到整除效果，通過這 種處理，每一次卷積都保留了輸入的空間維度，以堆疊這 種卷積，並最終得到一個分割模型，如圖 所示。圖像語 義分割技術之 'HHS/DE Y 主要特色為可對每一像素進 行分類，找出實際物件該有邊界，能準確抓出物件邊界，

較)DVWHU5&11 等模型來的更細緻更具資訊效果，而安全 區域監控所需之物件辨識多為非矩型且須準確定義邊界，

&$5 758&.

9$1

%,&<&/(

,1387 &2192/87,215(/8 322/,1* &2192/87,215(/8 322/,1* )/$77(1

&/$66,),&$7,21 )($785(/($51,1*

)8//<

&211(&7(' 62)70$;

 廖珗洲、余文德、蕭文達、張憲寬、蔡智弓、林楨中：影像語意分割技術於施工中電梯直井墜落風險監控 



圖 簡略圖像語意分割模型架構>@





因此'HHS/DEY 適合於使用於電梯直井之安全監控。

三、模式建構與發展

本研究提出一套基於人工智慧電腦影像辨識技術，以 建構輔助工地職安管理人員進行施工安全監控之系統，稱 為「施工作業區域安全監控系統 &RQVWUXFWLRQ=RQH6DIHW\

0RQLWRULQJ6\VWHP&=606」。以下說明該系統之建構目標 與詳細內容。

 危害情境標的選擇分析

建築工程墜落之事故，除結構施工階段易發生外，已 完成結構體之建築電梯直井開口亦為墜落事故常發生之地 點。因此本研究危害情境標的選擇，為建築工程施工中之 電梯間墜落危害；由於結構體澆置完成並拆模後，雖然開 口部分會設置安全防護設施，但當防護設施因不同原因被 移除或打開時，勞工即有墜落之風險。

因為已完成結構體之建築電梯直井開口為建築工地 常見之暫時性開口，常被用來作為臨時施工吊料之通道。

電梯直井開口在未使用時間，必須以安全護欄封閉；當吊 料作業進行時，安全護欄開啟，即可能出現墜落風險，必 須嚴加監控以確保安全。依據目前職業安全作業要求，除 了開口附近之作業人員必須配掛安全帶並正確將安全索確 實扣上牢固之扣環外，並要求配置作業管理人員，以監看 可能之施工風險。因此，透過&&79 或 ,3&DPHUD 等監控 攝影機所取得的影像串流資料，以進行自動辨識，以監控 安全護欄開啟與否及人員是在開口附近等兩項條件組合判 斷，則可以辨識該工地是否具有「墜落或滾落」之職安危 害風險。本研究選定建築工程結構完成後裝修施工階段之 電梯直井開口「墜落」預防作為系統開發標的，辨識情境 如圖 所示。

 系統應用流程分析

 節所述之潛在危害情境，傳統上主要由職安管理人 員及監工先核對是否有申請使用該電梯直井 開起防護設 施，並於現場以目視方式，監督施工人員是否有依規定配



圖 建築工程施工中之電梯間影像語意分割辨識情境





戴相關個人安全設備 安全帶 進行檢查。由於近幾年營 造業對職業安全之重視，工地紛紛架設有 &&79 監視設 備，以利工務所人員進行管控及事後分析。但&&79 監看 人員常須負責超過一個施工位置，且工務所通常未配置專 責監看人員而無法全時段監控，故造成安全監控之漏洞。

為解決上述問題，本研究利用已架設之&&79 攝影機 或網路攝影機設備，並結合人工智慧技術中影像辨識之 語意分割 6HPDQWLF6HJPHQWDWLRQ 技術，進行傳統施工環 境監控技術之改善。依據  節情境標的之危害辨識需 求，擬定之系統應用流程如下：

一攝影機架設

 工地電梯間&&79 攝影機架設，包含電源供應及傳輸 網路。

二伺服器建置

 職安管理中心建置主機、網路及監視器。

三影像串流擷取

 伺服器主機安裝影像串流擷取模組及介面，顯示工地 現場即時影像。

四語意分割場景分析

 伺服器主機安裝語意分割場景分析模組及介面，對場 景安全性進行語意分割。

五人員影像辨識

,1387 287387

&2192/87,21 352%$%,/,7,(6 :î+î&

開口綠色

保護設施紅色 施工人員

 技術學刊 第三十六卷 第一期 民國一一○年



圖 施工作業區域安全監控系統 &=606





 伺服器主機安裝人員辨識模組及介面，顯示工地現場 即時影像內之人員位置，並判斷是否有危險情境發生。 六安全警示

 伺服器主機安裝警示模組及介面，將裝備辨識成果通 知管控中心。

七現場處置

 管控中心人員依警示結果進行核對並通知現場人員 進行處置。

 系統規劃

本研究旨在人工智慧機器學習技術中像素層級 SL[HO

OHYHO 的圖像分割 ,PDJH VHJPHQWDWLRQ 遮罩 0DVN 網 路為基礎，研究建築工程結構體完成後，內部裝修階段之 電梯直井開口墜落危害情境，開發「施工作業區域安全監 控 系 統 &RQVWUXFWLRQ =RQH 6DIHW\ 0RQLWRULQJ 6\VWHP

&=606」，以自動監控施工作業環境之墜落風險。此一系 統配合施工現場已廣泛設置之&&79 攝影機，可達到全時 與實時 DOOWLPH DQG UHDOWLPH 的施工環境安全監控之功 能，以確保施工人員之安全性。其系統規劃之功能模組如 圖 所示，說明如下：

一 影像資料處理模組－接收訓練集資料，進行訓練前之 前置處理。

二語意分割訓練模組－提供系統管理人員重新訓練辨 識模型。

三語意分割測試模組－提供系統管理人員對辨識模型 進行召回率及精確度測試。

四&=606 檢測模組－辨識影像資料中，是否有危險區 域、柵欄位置等目標，並整合人員辨識產生警示資訊。

五影像資料調整模組－接收即時串流影像，擷取為單格 影像資料，調整為檢測模組可用資料。

 類神經網路結構

&=606 之神經網路含二項模型，包括： 人員偵測 模型； 危害區域辨識模型。其採用之深度學習人工智慧 技術及重要參數分述如下：



圖 危害區域辨識模型架構>@





一人員偵測模型

 採用傳統)DVWHU5&11 技術，主要參數包括： 輸 入層 ,QSXW/D\HU 影像大小為三原色 î； 隱藏層 0LGGOH/D\HU 深度 'HHS 為  層，每一中 間層包括卷積層、線性整流層、池化層，其過濾器

)LWHU 大小為 î，數量為 ，邊緣設定為 ，池化 大小為î，每次移動大小為 ； 分類層包括第 一全連結層大小為 ，線性整流層，分類全連結層 大小為 ；激發函數為µ6LJPRLG¶，最終分類為「人 員」含機率大小。

二危害區域辨識模型

 採用'HHS/DEY 版 ;FHSWLRQ>@模型架構，如 圖 所示，包括：

輸入層 (QWU\IORZ

 為圖形輸入後，先經由兩個卷積層後再以不同參數 之深度可分離卷積層 'HSWK6HSDUDEOH&RQYROXWLRQ

6HS &RQY 輸出結果與一般卷積層結果相加，為 一種採用殘差網路之架構，採用深度可分離卷積

6HS&RQY 之作用為減少一般卷積式網路 &11 的計算量。

中間層0LGGOHIORZ

 輸入層的輸出與三層深度可分離卷積層6HS&RQY 結果做相加，以此形式重複做 次。

分析層([LWIORZ

 中間層的輸出再經由以不同參數之深度可分離卷 積層 6HS &RQY 輸出結果與一般卷積層結果相 加，最後輸出分析結果。

 類神經網路訓練

參考)DQJet al 相關研究之評估方法>@，本研究對 於「施工作業區域安全監控系統 &=606」網路訓練之辨 識能力評估，主要是計算其召回率 5HFDOO 及精確率

資料傳遞

&&79現場 電梯間

現場圖片  影像資料 處理模組

 影像資料 調整模組

 語意分割 測試模組

 語意分割 訓練模組

&=606 檢測模組

模型評估 報告

環境監控 檢視報告

&RQVWUXFWLRQ=RQH6DIHW\

0RQLWRULQJ6\VWHP &RQYîVWULGH

&RQYî

6HS&RQYî

6HS&RQYî

&RQYî

6WULGH

&RQYî

6WULGH

&RQYî

6WULGH

6HS&RQYîVWULGH

6HS&RQYî

6HS&RQYî

6HS&RQYîVWULGH

6HS&RQYî

6HS&RQYî

6HS&RQYî

6HS&RQYî

6HS&RQYî

6HS&RQYî

6HS&RQYî

6HS&RQYî

6HS&RQYî

6HS&RQYî

6HS&RQYîVWULGH

6HS&RQYîVWULGH

&RQYî

6WULGH

(QWU\IORZ 0LGGOHIORZ

([LWIORZ

5HSHDWWLPHV ,PDJHV

 廖珗洲、余文德、蕭文達、張憲寬、蔡智弓、林楨中：影像語意分割技術於施工中電梯直井墜落風險監控 

3UHFLVLRQ。為計算此二項績效指標必須先統計四項參數

一737UXH3RVLWLYH 值—為實際「包含目標」且「正確

7UXH」判斷成「檢出目標 3RVLWLYH」。

二)3 )DOVH 3RVLWLYH 值—實際「不含目標」卻「誤判

)DOVH」成「檢出目標」。

三)1)DOVH 1HJDWLYH 值—實際「包含目標焐卻「誤判」

成「未檢測出 1HJDWLYH」。

四 717UXH1HJDWLYH 值—實際「不含目標」且「正確」

判斷「未檢測出」。

依據產業專家座談意見，本研究預設之5HFDOO 目標為

，計算方式如公式 所示；3UHFLVLRQ 目標亦訂為

，計算方式如公式 所示。

由前述之評估方法及系統辨識情境 圖 ，對於區域 內之物件辨識主要包括： 開口； 安全設施；及  施工人員。其中施工人員辨識採傳統)DVWHU5&11 技術，

以現有成熟開放模組應用；開口及安全設施採用 'HHS/DE

Y 圖像語意分割技術辨識，辨識模型訓練過程及結果說 明如下：

一訓練及測試資料收集

 影像資料收集來源包括網際網路、現場相機 手機 拍攝相片、現場&&79 攝影機影片、及本計畫安裝之 37= 系統截取畫面。

二訓練及測試資料物件框選

 收集完成後須進行前置處理 框選物件，因為使用語 意分割，此前置處理過程較一般矩形框選更為複雜，

須對目標物件描邊，所需時間約為矩形框選十倍。 三訓練及測試資料篩選

 為了訓練出好的模型，其影像資料集必須要明確且清 晰，因此，物件未框選、框線與實際物體邊界差異太 大、分類選擇錯誤等，應自資料集中移除。

四訓練資料集

 本研究共收集 張影像資料，經篩選後實際訓練 及測試資料為  張，訓練集採 比例共 

張，測試集比例為共  張。

五訓練參數設定

 危害區域辨識模組之基礎學習率為î^，疊代次數 為，空洞卷積為^`，輸出步伐為 、

訓練圖片大小為  î 、驗證圖片大小設置為

î。

六召回率及精確度分析

 語意分析之單位為目標 WDUJHW 數，其中 73 值 實際 為「具開口 包含目標」也被判斷成「有開口 檢出 目標」共  個目標；71 值 實際「無開口 未含 目標」也被判斷成「無開口 未檢測出」 共  個 目標；)3 值 實際為「無開口 未含目標」但模型判 成「有開口 檢出目標」 共  個目標，)1 值 實際 為「具開口 包含目標」但模型判斷成「無開口 未 檢測出」 共  個目標；因此召回率為 ，精確

表一 &=606 系統訓練危害區域辨識結果

真實

 預測

真實值 正確率

包含目標 不含目標 TP TP+FP 預測值 檢出目標 73 )3 

未檢測出 )1 71  召回率 TP

TP+FN    單位：張

資料 收集

網際網路搜尋、相機 手機 拍攝、現場 &&79 監視器影片以及本研究架設之網路攝影機擷取 影片。

資料 篩選

汰除影像中，物件未框選、框線與實際物體邊界 差異太大、分類選擇錯誤等情形。

資料

數量

收集影像 張

篩選後為 張。

訓練集為 張。

測試集為 張 包含  個目標。





 度為，如表一所示。

Recall TP

TP FN

= +  

其中，73 為真實包含目標且正確檢出目標，代表正 確識別目標；)1 為真實包含目標但誤判為未檢出目標，

代表未識別出目標；5HFDOO 為召回率，代表真實目標發現 比例。

Precision TP

TP FP

= +  

其中，73 同公式；)3 為真實不含目標但誤判為檢 出目標，代表識別錯誤；3UHFLVLRQ 為精確率，代表目標發 現正確性比例。

四、實證案例展示

 展示案例基本資料及系統建置

本研究之實證案例，經商請桃園市政府住宅發展處提 供場址，選定「中路一號社會住宅大樓新建工程」作為實 證案例，該案例位於桃園市桃園區崇法街，基地面積

P^，建築面積P^，建築規劃為 棟地上

 層及地下  層建築，工程合約金額為 17，

如表二所示。

實測案例系統建置共分為三部分，包括： 職安管理 中心佈設； 攝影器材架設；及  雲端伺服器設定。說 明如下：

 技術學刊 第三十六卷 第一期 民國一一○年

表二 實測工地基本資料

工程名稱 中路一號社會住宅大樓新建工程

施工地點 桃園市桃園區 基地面積 P^ 建築面積 P^

建築規劃  棟地上  層及地下  層建築

合約金額 17

承攬廠商 宏義工程股份有限公司

監造單位 中路一號社會住宅大樓新建工程

施工進度







一職業安全管理中心佈設

 本次測試之伺服器設置於朝陽科技大學$, 中心，其 主要硬體規格為： 處理器 &38 為 ,QWHO^Š;HRQ^Š， (Y#*+]； 主記憶體5$0 為 *%，

0+]； 作業系統 26 為 0LFURVRIW，:LQGRZV

； 顯示卡 *38 為 19,',$，4XDGUR3

*%。

二 攝影器材架設

 因現場電梯間尚未架設&&79，因此本研究本次測試 使用網路攝影機 ,3&DPHUD 並使用 * 網路傳輸至 工務所後轉至管理中心。

三雲端伺服器設定

 由資工系研究助理及$, 中心程式設計師共同進行系 統參數設定。

 實證測試成果

「施工作業區域安全監控系統 &=606」實測方式為 網路攝影機即時拍攝並立即進行辨識，並且將結果錄製成 影片，最後再其統計其結果。實測之評估方法與訓練評估 方式相同，考量實測環境之複雜度與訓練資料之差異，經 與產業專家座談，初步設定召回率目標值為，代表正 確發現實際問題之比例，亦可稱為正確率 &RUUHFWQHVV， 計算方式如公式 所示；精確率之目標為 ，代表警 示資料誤報之程度 為無誤報，亦可稱為純淨度

&OHDQQHVV，計算方式如公式 所示。

本輔助系統之目的為分辨出不同目標物件，再依據人 員及物件相對位置分析出不安全情境；因此，73 定義為

表三 &=606 系統實測危害區域辨識結果

真實

 預測

真實值 精確率

純淨度 包含目標 不含目標 TP

TP+FP  預測值 檢出目標 73 )3 

未檢測出 )1 71  召回率

正確率 TP

TP+FN    單位：目標

驗證資料數量：測試集為 張，共  目標物件。





實際為「有預設物件 包含目標」也正確判斷成「有物件

檢出目標」；71 定義為實際「無預設物件 不含目標」 也正確判斷成「無物件 未檢測出」；)3 定義為實際為「無 預設物件 不含目標」但模型誤判成「有物件 檢出目 標」；)1 定義為實際為「有預設物件 包含目標」但模型 誤判成「無物件 未檢測出」。

總計，本研究透過自動錄影系統，共於實測工地拍攝

 天，共分解出可供分析之  張影像，共包含  目標 物件數；其中73 值為  個目標；71 值為  個；)3 值為 個；)1 值為  個；因此正確率為 ，純淨 度為，結果通過測試，如表三所示。

 工地實測結果討論

本研究首次資料收集完成後約  張電梯間影像資 料，進行框選後進行訓練及測試，得到之召回率及精確率 均未達水準。經檢視原始資料發現，訓練及測試前應 先經篩選汰除不適合之影像，包括物件未框選、框線與實 際物體邊界差異太大、分類選擇錯誤等，應自資料集中移 除，如圖 所示。

除篩選汰除不適合之影像外，本研究經由實地裝設之 網路攝影機錄製之影片擷取現場影像並進行育處理，並將 資料做水平翻轉、影像增強等處理。最終採用訓練集為

 張共  目標物件，測試集為  張共  目標物 件；訓練結果得到之召回率為，精確率為 。實 測正確率達，實測純淨度達到 ，皆已達到實 務應用門檻。可見雖然營建工地背景複雜，若專注於特定 空間且於應用工地收集資料訓練網路模組，其實務應用之 可行性已達人員辨識標準  以上。

系統即時性方面，系統辨識流程包括： 影像傳輸；

 影像開口及安全設施辨識； 人員辨識；及 分析 及警示。影像由實證工地之網路攝影機傳回至管理中心採 用* 無線網路，經校正時間後比對影像紀錄時間與伺服 器時間，平均延遲在 秒內，每秒接收  張影像串流，此 花費時間受網路品質 含 * 及光纖網路 影響；若管理中 心設置於工務所，則此一延遲時間幾乎可以忽略。伺服器

 廖珗洲、余文德、蕭文達、張憲寬、蔡智弓、林楨中：影像語意分割技術於施工中電梯直井墜落風險監控 



圖 &=606 語意分析資料集排除範例







圖 &=606 雛型系統實測畫面





內部處理時間則包括 部分，一為圖像語意分割辨識開口 及安全設施，需時 毫秒；二為人員辨識，所需時間約 為 毫秒，最大目標限制為  人。伺服器處理時間為每 個影像 毫秒，雛型系統基本設定為  秒辨識  次。前 述處理時間會受硬體規格影響變化，本研究採用之伺服器 硬體為$0'5\]HQŒ;&7#*+] 處理器

&38；*% ''5 *%  主記憶體 5$0； 1YLGLD*H)RUFH57;683(5*  顯示卡 *38。

 建築工地應用

參考 節系統應用流程分析，建築工地於結構施工 完成 或部分完成 時，會產生電梯直井墜落風險情境，此 為已知必然發生情境 拆模後產生，因此安全保護設施將 即時安裝。&=606 系統之應用只需架設網路攝影機並連 接網路，即完成工地端設定。管理中心部分，首先需採購 伺服器 含 *38 及監視器；其次安裝 &=606 系統及其

所需之軟體套件；第三為系統測試，確定可接收影像串流；

最後指派負責人員監看監視器。

&=606 系統於伺服器中主要辨識出開口、安全設施 及施工人員後進行安全分析及警示，圖 為雛型系統測試 畫面，網路攝影機安裝於電梯間，並藉由無線網路傳回監 控中心，系統分析流程說明如下：

一職業安全管理中心佈設

 取得即時影像－依據硬體規格設定分析頻率，例如每

 秒一次。

二開口、安全設施辨識

 以圖像語意分割模組對即時影像進行辨識，將開口 如圖  紅色部分 及安全防護設施 如圖  綠色部分 標記。

三人員辨識

 以人像辨識模組對即時影像進行辨識，將施工人員 如圖  藍色框部分 標記。

D 部分物件未框選 E 因遮蔽導致框選區域不正確 F 框選分類選擇錯誤

防護設施辨識 綠色

施工人員辨識

開口辨識紅色

 技術學刊 第三十六卷 第一期 民國一一○年



圖 語意分析於工地巡檢測試範例





四安全分析

 依據開口、安全設施及施工人員標記資訊，判定是否 有安全疑慮，若有則啟動警示模組 如圖  白底紅字 訊息部分。

五安全通報

 由安全監控人員依據警示畫面決定是否需要通知現 場人員進行處置。

 其他工安領域應用

除電梯直井外，營建工地尚有其他造成危害之開口，

且無法以固定式攝影機進行影像辨識。為此，本研究嘗試 將&=606 系統訓練危害區域辨識模組應用於工地現場巡 檢，採用移動式攝影機 *R3UR 由監造工程師攜帶並巡視 工地後，將錄製之影片進行測試，如圖 所示。

本次測試影像收集共進行三梯次，由約 張先增 加至 張，最後增加至  張，測試成果方達 

門檻。最終採用資料集 篩選後 為  張，訓練集為

 張，測試集為  張。訓練影像均為每張一個目標物 件 開口，測試召回率為 ，正確率為 。實證 測試採用現場影片擷取資料為 張，共  目標物件，

實測正確率為 ，實測純淨度為 。此一結果尚 未達實務應用之水準，且動態檢測中，實質正確率更低。

因此，在工地巡檢應用上，訓練與測試雖達預期目標，然 而由於營建施工過程中，背景物件複雜且多樣性，要達成 巡檢目標，需要對於工地物建進行更廣泛之資料收集，方 能朝向營建職安檢查自動化之長遠目標。

除電梯直井墜落預防及前述工地開口辨識外，圖像語 意分割結合傳統人員辨識技術，未來仍有許多工安領域可 善加應用，包括：

一特殊安全區域管制

 由於圖像語意分割可將分類達到像素層級應用，可對 不規則形狀進行標記，對於特殊安全區域管制具有發 展潛力。

二工地自動化 無人操作 機具

 部分工作場合具高度危險性，最安全之作法乃為使用 自動化機具進行操作，但自動化操作需要較精準之資

訊，圖像語意分割之成果則較符合自動化之需求。

三危險管制物品監控

 以固定式網路攝影機監控電梯間之作法亦可適用於 危險管制物品監控，可確保物品未被擅自移動，且配 合人員辨識，亦可在有人靠近時即時警示。

五、結論與建議

傳統建築工程對於電梯直井墜落之預防，主要以安 全護欄防護設施進行保護。在施工過程中，因為材料垂直 輸送 吊料 需求，常將防護設施解除 打開 而失去防 護能力，造成人員墜落風險。為降低此一風險，目前電梯 直井現場施工安全管理通常要求廠商在吊料前先提出書 面申請，且在施工過程中，要求指派作業管理人員進行安 全監控，職安管理人員並應巡檢現場強化安全監控之成 效。然而，因為安全管理人力不足或施工人員貪圖方便，

工人常逕行解除防護措施而產生事故發生風險，雖已利 用&&79 進行監控卻依然偶有意外發生。本研究以「候 選區域  框＋深度學習」之 )DVWHU5&11 分類方法進行 人員辨識，再結合像素層級之'HHS/DE Y 技術進行影 像語意分割，發展建築工地電梯直井安全監控之功能，開 發完成「施工作業區域安全監控系統 &RQVWUXFWLRQ =RQH

6DIHW\0RQLWRULQJ6\VWHP&=606」，可自動監控及警示 潛在安全危害。經實例驗證，可有效降低職安管理人員之 工作負擔，改善長久以來電梯直井作業墜落意外發生之 問題。

經過實驗室及工地現場實地測試後，本研究達成以 下重要發現，可供後續相關研究者之參考：

一人員辨識技術之應用

 由於人員辨識技術已趨成熟、使用網際網路上現有之 影像資料及或模型已能符合系統開發需求，無須再重 新開發及訓練。

二混合式人工智慧技術應用

 藉由已成熟之技術，再混合較精密之語意分割技術，

對於複雜之營建工地 尤其是建築工程，在新科技

機器學習 技術應用上，可得到更佳之效果。

三$, 系統對於環境改變之適應性

 由較單純之建築工地電梯間轉移至結構工程施工之 現場巡檢時，其效果不佳；因此，於場地轉換後在轉 換不同辨識情境時，需要對新的情境進行影像資料收 集並重新訓練辨識網路模組，同時對於目標物件也須 更細緻之分類。

雖然經過測試，本研究所提出之「施工作業區域安全 監 控 系 統&RQVWUXFWLRQ =RQH 6DIHW\ 0RQLWRULQJ 6\VWHP

&=606」已具實用之潛力，然仍有幾點建議，供後續研究 參考：

一受限於所收集之資料樣本，本研究僅以白天之電梯直 井作為資料收集及驗證測試，對於夜晚 紅外線影像

 廖珗洲、余文德、蕭文達、張憲寬、蔡智弓、林楨中：影像語意分割技術於施工中電梯直井墜落風險監控 

或不同照明程度之環境狀態之適用性，則有待進一步 加強驗證。

二 本研究驗證之正確率與純淨度雖已達人員辨識之標 準 約 ，已足夠輔助職安管理人員之目標，但系 統僅於管理中心監視器前顯示，並未及時通知相關人 員，未來可嘗試建立即時警示通報系統，或危害區域 自動廣播功能，以期達全自動化之安全管理目標。 三本研究嘗試進行墜落風險自動巡檢辨識，但僅在模組

測試達到標準，實測仍顯不足，建議未來可加強資料 收集，提高實用性，並改由無人載具 8QPDQQHG$HULDO

9HKLFOH8$9 進行危害辨識，不但節省人力需求，更 能以更佳視角提升管理成效，對全自動化之安全管理 更進一步。

誌! 謝

本研究承蒙行政院勞動部勞動及職業安全衛生研究 所計畫案 計畫編號 ,26+  經費補助與提供專 業意見得以完成，研究設備及部分人力由科技部專題計畫

計畫編號：0267( 經費補助；此外，

本研究進行過程承蒙桃園市住宅處、大成工程公司、宏義 工程股份有限公司等單位熱心協助，對以上各單位之贊助 與協助，使本研究計畫能順利進行，特此誌謝。

參考文獻

 行政院勞動部職業安全衛生署，，「 年勞動檢 查年報」，勞動部職業安全衛生署。 年  月  日 取 自 ： KWWSVZZZRVKDJRYWZ

"FSULQW SW。

 曹常成，，「我國營造業墜落安全防護現況」，勞工 安全衛生簡訊，第 期，第  頁。

 行政院勞動部職業安全衛生署，，「 年勞動檢 查年報」勞動部職業安全衛生署。 年  月  日 取 自 ： KWWSVZZZRVKDJRYWZ

。

 5XVVHOO6-DQG31RUYLJArtificial Intelligence, A Modern Approach1HZ-HUVH\1-3UHQWLFH+DOO

 0LFKLH'³7XULQJ¶V7HVWDQG&RQVFLRXV7KRXJKW´

Artificial Intelligence    GRL 



 +HLQULFK+:Industrial Accident Prevention1HZ

<RUN1<0F*UDZ+LOO

 林楨中、鄭慶武、楊啟男，，「中小型營造業施工 安全重大職災初探」，勞工安全衛生研究季刊，第

卷，第 期，第  頁。

 曹常成、邱馨瑩、高崇洋、卓育賢，，「營造業中 高齡勞工職災特性分析」，勞工安全衛生研究季刊，第

 卷 ， 第  期 ， 第  頁 。 GRL 

-26+

 紀佳芬、楊漢聲、陳文雄、劉國青、張庭彰、丁心逸，

，「營造業墜落重大墜落之情境分析與預防策略」， 勞工安全衛生研究季刊，第 卷，第  期，第 

頁。GRL-26+

林楨中，，「營造工程墜落防止技術手冊」，行政院 勞工委員會勞工安全衛生研究所研究報告 編號：

,26+6，新北巿，台灣。

/HH8.-+.LP++&KRDQG.,.DQJ

³'HYHORSPHQWRID0RELOH6DIHW\0RQLWRULQJ6\VWHPIRU

&RQVWUXFWLRQ 6LWHV´ Automation in Construction  

GRLMDXWFRQ

余文德、張憲寬、鄭紹材，，「整合即時定位系統 與建築資訊模型技術於施工人員墜落風險即時防護模 式之研究」，中國土木水利工程學刊，第 卷，第  期，

第 頁。GRL-R&,&+(B

/L+*&KDQ-.::RQJ06NLWPRUH³5HDO

7LPH /RFDWLQJ 6\VWHPV $SSOLFDWLRQV LQ &RQVWUXFWLRQ´

Automation in Construction   GRL 

MDXWFRQ

/L1*&DOLVDQG%%HFHULN*HUEHU³0HDVXULQJ

DQG0RQLWRULQJ2FFXSDQF\ZLWKDQ5),'%DVHG6\VWHP

IRU 'HPDQGGULYHQ +9$& 2SHUDWLRQV´ Automation in ConstructionGRLMDXWFRQ

/L 1 6 /L % %HFHULN*HUEHU DQG * &DOLV 

³'HSOR\PHQW6WUDWHJLHVDQG3HUIRUPDQFH(YDOXDWLRQRID

9LUWXDO7DJ(QDEOHG,QGRRU/RFDWLRQ6HQVLQJ$SSURDFK´

Journal of Computing in Civil Engineering

GRL$6&(&3

3DUN0:DQG,%ULODNLV³&RQVWUXFWLRQ:RUNHU

'HWHFWLRQLQ9LGHR)UDPHVIRU,QLWLDOL]LQJ9LVLRQ7UDFNHUV´

Automation in Construction   GRL 

MDXWFRQ

*X < $ /R DQG , 1LHPHJHHUV  ³$ 6XUYH\ RI

,QGRRU3RVLWLRQLQJ6\VWHPVIRU:LUHOHVV3HUVRQDO1HWZRUNV´

IEEE Communications Surveys & Tutorials

GRL6859

%ULODNLVD,0:3DUNDQG*-RJ³$XWRPDWHG

9LVLRQ 7UDFNLQJ RI 3URMHFW 5HODWHG (QWLWLHV´ Advanced Engineering Informatics    GRL 

MDHL

.UL]KHYVN\ $ , 6XWVNHYHU DQG * ( +LQWRQ 

³,PDJHQHW&ODVVLILFDWLRQZLWK'HHS&RQYROXWLRQDO1HXUDO

1HWZRUNV´ Advances in Neural Information Processing SystemsGRL

5XEDL\DW$+0777RPD0.DODQWDUL.KDQGDQL6

$ 5DKPDQ /: &KHQ< )<H DQG & 6 3DQ