台南古都融合 AI 科技，發展交通智慧化
作者 TechNews | 發布日期 2021 年 06 月 24 日 10:00 |
人工智慧（AI）一直是近年的熱門科技詞彙，根據「2021 台灣 AI 趨勢報告」，台灣有 84% 的受訪企業導入 AI 技術，以提高組織效率及創造營收為主要目標，在製造、行銷與客服等領域中獲得深入地應用。
AI 深度學習效果事半功倍
綠捷能智控股份有限公司（HIPOWER）長期致力於AI影像偵測辨識演算法的開發，過去應用領域也多於車牌辨識、車輛追蹤相關。2020 年參與臺南市政府合作 AI 城市巡檢先導應用試驗計畫，在臺南市政府智慧發展中心及交通局的協助之下，以臺南市東區東門路與自由路口、中西區府前路與南門路口為試驗場域，試驗情境則是配合臺南市政府的基礎設施下，在未對現有攝影系統架構有任何調整的情況，利用路口現地攝影鏡頭搜集影像數據，最終所使用影像解析度為 640×480，採用 YOLO 類神經演算法進行物件深度學習，並加入深度物件定位追蹤演算法。
在試驗的計畫裡，YOLO 模型主要應用在多類別與多場景的物件辨識上，所以會設計較多的卷積層，而每一種會再進行多次的卷積運算，造成模型本身較大，考量這次計畫中所需辨識的物件類型與場景相對單純的情況下，過多的卷積層及運算對提升準確率沒有明顯地影響，並且會造成模型訓練效能不佳，因此利用剪枝技術減少卷積層數與運算次數，來提升模型的訓練效能。同時在影像數據上進行優化的前置處理，提升整體影像亮度達一致程度，降低亮度不均及部分雜訊的干擾，如此對後續物件辨識及定位追蹤準確率將有所幫助。因此在本案中僅利用約 5,000 張的物件圖快速片建立辨識模型及完成調校參數，成功開發出路口行人偵測、車種（機車、小型車、大型車）辨識、各向車流及其轉向偵測辨識的解決方案。經過最終的驗證測試，在不同天色的情況下，整體車流偵測辨識準確率可達 95%，車流轉向比分析及車種辨識準確率則有 90% 以上，而人流亦有 90% 以上的辨識準確率。
原有設備升級，效益最大化
此方案除可以有效減輕交通單位的人力負擔外，也能為交通智慧化提供充足有效的即時基礎數據，並且因為使用地方政府路口現有攝影系統，未來在複製擴散上也可以用相對較低成本的方式來進行，試驗單位不需要為了導入AI技術而將現有攝影機升級。未來將可以此解決方案為基礎，建構路口動態資訊即時回饋，協助路口及行人號誌燈秒數優化，以提升整體交通運行的順暢度。
在完成上述臺南市政府試驗計畫後，2021 年第一季也順利將此方案的核心技術衍生應用到隧道事件偵測系統 IIDs 及在道路壅堵偵測系統 QLD 中，用以偵測追蹤隧道逆行車輛、隧道路邊停等、壅堵車流(種)偵測及佔有率計算等情形。在新一代行動通訊日漸普及的情況下，未來將會有更多以 AI 影像辨識技術為基礎的衍生性應用產生，推進智慧化應用的演進。
由此可見，影像辨識技術所衍生的應用豐富性，對於地方政府推動城市智慧化的過程中，將能以最低成本的方式來發揮既有影像系統的最大效益。
公私協力成為 AI 應用夥伴
目前市場上 AI 影像辨識分析應用開發上，多半採用開放式模型來進行演算法的開發，而實務環境條件複雜多變，為能達到商品化對穩定性的要求，通常需要搭配自主開發的演算法，以強化模型偵測及辨識的能力，同時更需要實際場域建置的經驗、高品質數據的採樣及訓練參數組的建構，來對模型進行分析與調校，如此才能成為成熟且穩定的應用系統架構。
臺南是一個持續進化的科技古都，市府非常積極在導入創新科技應用，也因此保持開放態度在智慧化應用推動上，有系統地啟動在地方政府間相當少見的應用試驗計畫，在提供題目、條件限制及實際場域的情況下，邀請產業界進行解決方案開發與技術驗證，並希望業者能持續投入資源進行商品化，協助地方政府智慧化應用能夠水平擴散及垂直深化，這是一個成功案例，將對公部門與民間合作推動智慧化應用有正向的影響。
附圖：▲ 模型建立作業流程
▲ VDS 系統辨識畫面
▲ 以 AI 影像辨識為基礎的衍生應用
▲ 辨識分析結果畫面呈現
資料來源：https://technews.tw/2021/06/24/tainans-ancient-capital-integrates-ai-technology-to-develop-intelligent-transportation/?fbclid=IwAR1OJBuRIm3IbznQ-YcDuJo4r7xaKjlCyMpxS7oiiFP4Xogl7YXTMaAKRpM
yolo影像辨識 在 Re: [請益] 如何選擇影像辨識工具? - 看板Soft_Job 的推薦與評價
※ 引述《kingx163 (果醬貓)》之銘言：
: 各位版友好
: 小弟剛接觸影像辨識沒有多久
: 看到目前有yolo, Azure Computer Vision,
: Cloud Vision API等等可以選擇
: 請問各位年薪300w大大都用哪一種呢？
: 另外，應該如何判斷用哪家的呢?
: 謝謝！
YOLO是model
Azure Computer Vision跟Google Cloud Vision API都是platform
你應該先釐清你的需求，才知道要用何種工具/framework/model
不然就像是問網友出發要搭啥交通工具，卻連要去哪裡都沒說一樣
我最近也自學Computer Vision/Machine Learning，可以給你一點建議
有些需求AOI就可以解決，有些用CV效果會更好，有些需要用到ML其良率才能接受
如果剛接觸這塊，可以先玩一下OpenCV，看一些早期的論文
了解一下以前在做CV時是怎麼用GLCM，小波之類的特徵去辨識
現在如果不是自己從頭寫，已經不太會接觸到這塊了
直接拿現成Model network去使用或train都難度很低
剛好這幾天做了個投影片，你可以參考一下，簡單展示了CV跟ML可以做的東西
https://goo.gl/SYEvbe (一直按 > 就可以照著flow播了)
據我自學的認知，Machine Learning裡，
跟CV比較有關的就是Classification跟Object Recognition
簡單來說Classification就是辨識這張圖是啥
Object Recognition是認出圖內的物體位置與名稱，你說的YOLO就是這種
屬於R-CNN家族之一，它家族大概是這樣:
R-CNN, Fast R-CNN, Faster R-CNN, YOLO, SSD, R-FCN....(最後一個我沒試過)
如果只是想做Computer Vision，建議你玩OpenCV
如果要用Machine Learning，我前陣子有寫篇很雜的心得在fb社團
https://www.facebook.com/groups/616369245163622/permalink/1204406499693224/
那時候邊忙邊寫，寫得很亂也沒整理，簡單來說是這樣
平台: linux/ubuntu最多人用，windows資源比較少
語言: C++/python吃遍天下，其他語言看運氣
Framework:Caffe還是最多，tensforflow最近比較熱門，Keras似乎也不少人用
Torch有點老了，CNTK微軟努力推當中(至少社群回應蠻熱情的)
如果你只是想測效果，用OpenCV DNN Moudle去讀 Model來測
找到你需要的model再選擇要用怎麼環境改成production
這樣可以少花很多時間在建置環境上
大致上是這樣，如果要問怎麼建模的話我還沒學到那，只會很簡單的CNN，就幫不上忙了
--
上班不務正業的證據
https://died.tw
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 60.250.150.39
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1512121699.A.1D5.html
我沒看書，要補知識網路上不少course，上面這個可以看看
想快速瞭解可以看一下微軟的講解 https://goo.gl/64Pjse
篇幅不長，如果沒接觸過也蠻好懂的
... <看更多>