臺灣博碩士論文加值系統

破損或模糊的道路標線是交通安全的一大隱患，而目前道路維護回報系統仍依賴巡查人員進行標記，需耗費大量人力物力。因此本論文提出一個可讓大眾參與的回報平台，由參與者透過網頁將行車影片及GPS軌跡上傳至資料庫，系統以深度學習及影像處理方式，自動辨識6種常見標線並計算出破損率，最後將標線影像與破損數據標注於電子地圖中，有效協助道路維護單位進行標線維修規劃。
破損辨識成果依不同天氣狀況進行分析共測試1913個標線，結果顯示多雲與陰天的光線均勻且柔和成功率較佳，路面髒污與標線嚴重損毀皆會影響辨識結果。經實際測試後平均成功率為75%，而破損率的計算則會有5~15%的誤差。

Damaged or smeared road markings are potential threats to traffic safety. However, in most cases, the inspection and reporting of these road conditions still heavily rely on labor-intensive and time-consuming operations by human maintenance crew. To speed up the process and lower the operating cost, this thesis proposes a crowd-reporting platform which accepts dashboard camera videos with GPS records uploaded by the general public. By utilizing deep learning and image processing techniques, our system can identify six types of most common road markings recorded in the videos and calculate the ratio of damage for each individual mark. If the damage ratio of a road mark exceeds a predefined threshold, the image of that mark and damage ratio will be tagged on the electronic map to greatly facilitate the planning of road maintenance.
Our system has been tested with a collection of dash board camera videos containing 1913 human-identifiable road marks. The overall successful rate of recognition is 75% and the margin of error in damage ratio calculation ranges from 5 to 15%, depending on the weather condition and severity of damage. Test results also reveal that cloudy and partly cloudy sky provide best lighting for recognition, while smudged road surfaces and severely worn-out markings negatively impact the system’s ability and accuracy of recognition.

致謝 I
摘要 II
Abstract III
目錄 IV
圖目錄 VI
表目錄 IX
第一章 緒論 1
1.1 研究動機 1
1.2 研究方法 2
1.3 相關研究 3
1.3.1 車道偵測 3
1.3.2 物件偵測 3
1.3.3 巡查管理系統 4
1.4 論文內容概要 4
第二章 背景知識 5
2.1 影像灰階 5
2.2 RGB色彩空間 5
2.3 HSV色彩空間 6
2.4 關注區域 6
2.5 霍夫曼直線轉換 7
2.6 Otsu二值化 9
2.7 Canny邊緣檢測 10
2.7.1 高斯模糊 10
2.7.2 Sobel梯度偵測 12
2.7.3 非最大值抑制法 13
2.7.4 上下限門檻邊緣判斷 13
2.8 YOLO 14
2.9 曲線擬合 16
第三章 系統實作 17
3.1 YOLO標線識別 18
3.1.1 模型訓練 18
3.1.2 監督式自動labeling 23
3.1.3 辨識標線與影像擷取 24
3.2 影像前處理 26
3.2.1 亮度均衡化 26
3.2.2 影像篩選 28
3.2.3 非標線圖形剃除 30
3.3 線段歸類與推測標線 31
3.3.1 直行箭頭 32
3.3.2 轉彎箭頭 33
3.3.3 直行與轉彎箭頭 35
3.3.4 虛線處理方式 36
3.3.5 座標連線與標線繪製 37
3.4 破損程度分析 38
3.4.1 遮罩建立 38
3.4.2 面積校正 39
3.4.3 破損程度閾值 39
3.4.4 破損率計算 41
3.5 前後端使用者介面 41
3.5.1 前端使用者介面 41
3.5.2 後端使用者面 45
第四章 實驗結果 48
4.1 實驗設備與環境 48
4.2 偵測結果 50
4.2.1 破損率計算結果驗證 50
4.2.2 標線辨識結果 57
4.3 結果與討論 65
第五章 結論與未來發展 66
參考文獻 67

[1] 臺北市政府交通局，2019，臺北市交通統計年報表45 臺北市道路長度及面積-按寬度分。
[2] 中華民國交通部，2018，106年底臺灣地區道路長度及橋梁座數概況。
[3] 自由時報(2016)：路不平、標線損 關渡大橋主橋面9月底重刨鋪。擷取日期2020年3月11日，取自https://news.ltn.com.tw/news/life/breakingnews/1803282。
[4] Tech News 科技新報(2020)：又一特斯拉致命事故調查報告出爐，Autopilot 還能信賴嗎？。擷取日期2020年3月11日，取自https://technews.tw/2020/02/20/another-tesla-fatal-accident-investigation-report-released/。
[5] 中華民國交通部，2017，道路交通標誌標線號誌設置規則，第一章第七條。
[6] 交通部臺灣區國道高速公路局技術規範，2011，高速公路養護手冊第十章表10-1 標線檢查表。
[7] 廖俊翔(2017)，基於晴天之前車與車道偵測演算法設計，碩士論文，國立臺北科技大學電子工程系研究所。
[8] 黃祖延(2019)，具車道偏移偵測與修正輔助系統之智能載具設計，碩士論文，國立臺灣海洋大學電機工程學系。
[9] 羅偉宸(2019)，人工智慧於道路限速標誌辨識之研究，碩士論文，國立雲林科技大學機械工程系。
[10] V. Mandal, L. Uong, and Y. Adu-Gyamfi, “Automated road crack detection using deep convolutional neural networks,” 2018 IEEE International Conference on Big Data, Seattle, WA, USA, 2018, pp. 5212–5215.
[11] M. Kawano, K. Mikami, S. Yokoyama, T. Yonezawa, and J. Nakazawa, “Road marking blur detection with drive recorder,” 2017 IEEE International Conference on Big Data, Boston, MA, USA, 2017, pp. 4092–4097.
[12] 鄭銘章、董基良等人(2017)，國道養護巡查設備及管理系統研發建置之研究，交通部運輸研究所研究報告。
[13] 黃維信、鄭銘章等人(2017)，公路養護巡查作業效率提昇之研究 (二)，交通部運輸研究所研究報告。
[14] V. F. Leaver, “Which Hough transform?,” CVGIP: Image Understanding, vol. 58, issue 2, pp. 250–264, September 1993.
[15] N. Otsu, “A threshold selection method from gray-level histograms,” IEEE Transactions on Systems, Man, and Cybernetics, vol. 9, no. 1, pp. 62–66, 1979.
[16] J. Canny, “A computational approach to edge detection,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-8, issue 6, pp. 679–698, November 1986.
[17] R. A. Hummel, B. Kimia, S. W. Zucker, “Deblurring Gaussian blur,” Computer Vision, Graphics, and Image Processing, vol. 38, issue 1, pp. 66–80, April 1987.
[18] I. Sobel, G. Feldman, “A 3x3 isotropic gradient operator for image processing,” presented at The Stanford Artificial Intelligence Project (SAIL), 1968.
[19] A. Neubeck and L. Van Gool, “Efficient Non-Maximum Suppression,” 18th International Conference on Pattern Recognition (ICPR’06), Hong Kong, 2006, pp. 850–855.
[20] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once: unified, real-time object detection,” 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 779–788.
[21] 中華民國交通部，2017，道路交通標誌標線號誌設置規則，第二章第一節第188條圖示。