Page 47 - Marine Research
P. 47

海洋廢棄物影像分類與定位


                     在 2010 年所舉辦的視覺辨識競賽(ImageNet  Large Scale Visual Recognition
                Competition, ILSVRC )，ImageNet 提供數百萬張已被手動注釋的圖像資料庫，帶起了

                深度學習(Deep Learning)的熱潮，在這樣的架構下，各種不同的卷積神經網路
                (Convolutional Neural Network, CNN)分類器相繼誕生(如 Alexnet、GoogLenet、VGG 和
                ResNet 等），在 2015 年 ResNet 的圖像分類能力更已超越了人類判斷的精準度。近年

                來，基於 CNN 之物體偵測演算法不斷進化，使得物件位置偵測和物件辨識一步到位，
                實現即時地、同時地偵測影像中多類別物體。


                     為了實現對廣闊的海面或海岸帶上漂流、堆積的海洋廢棄物在時間和空間分佈的
                地真狀況掌握，我們提出一套可以利用河道、海岸等處監視器及空拍影像進行海洋廢
                棄物的物件位置偵測和物件識別技術，如圖 3 之作業流程和初步成果。後續還將陸續

                以荒野保護協會所提出之 19 項海洋廢棄物分類法，進行訓練學習建立模型，透過機
                器學習技術計算各類別廢棄物之個數及位置座標，輔助加速海面及海灘之海洋廢棄物
                快篩及定位。











                                                                                                              源 海廢的偵 測與溯









                                                                                                              統提案 監測系 整合海 洋廢棄物




                     圖 3   人工智慧應用在海洋廢棄物分類與定位(左：作業流程；右：偵測範例)




                3.2.2 海洋廢棄物的追蹤與溯源技術

                     海面之海洋廢棄物漂流主要受到風及表面海流的推移，因此精準掌握海面風場與
                海流流場的特性是漂流模擬追蹤與溯源成功的重要關鍵。然而，漂流物的幾何形狀、
                在海表面載浮載沈的樣態都使得其漂流過程中充滿了不確定性，因此針對不同類型廢

                棄物的風壓差(Leeway)係數測定是首要之務。為了掌握海洋廢棄物漂流可能的方向與







                                                                                                             42
   42   43   44   45   46   47   48   49   50   51   52