桃園工地首創AI灑水系統 改善桃機3航廈揚塵污染

昨天與RD受邀到某工程(顧問)公司討論這種有關揚塵監控的影像辨識問題，我在此發表文章的主軸概念就是提醒大家不要對AI有過度的遐想，以為既然人家都說是「AI」了，也已經發布新聞了，好像就已經是個成熟可靠的技術了？其實差得遠了！大多數有關AI的報導只是想蹭熱度迷惑金主盡快出錢買單而已！任何科學研究都不是一蹴可及的，這種應用當然也是還需要時間成長的！

昨天找我們開會的就是常常接受環保單位委託監測工地污染的一間專業公司，工地揚塵的監控管理，甚至提供客觀數據讓環保單位據以開罰，就是他們的重要工作項目，這種AI運作的方式，就是用固定的攝影機持續監視工地，任何施工過程的事件如果產生明顯的揚塵汙染，監視系統就必須有所反應與紀錄。

但「揚塵」是個模糊的目標，不像車輛或車牌那麼具體容易辨識！即使這些工程單位委託了很多學界業界的影像辨識專家研究中，但距離可以穩定實用的標準還很遠，只能說是「堪用」而已，大家必須知道不夠穩定的偵測，只要多幾個假警報就會浪費很多水和延誤工程的！而且如果相關設備的建置成本太高，多數較小型的工地也安裝不起的！

所以我希望大家不要被AI這個名詞迷惑了！其實他們的本質還是現實世界的問題解決過程而已！不是特殊的技術，也不會因為冠上「AI」就會有大神降臨加持！冷靜一點，好好認識事實研究問題解決方案吧！昨天該工程(顧問)公司就跟我們詳細解說了目前幾個研究單位的影像辨識做法，我們聽完後也針對這種辨識口頭提出我們會使用的技術方案！

如果這種辨識已經如新聞中含糊其辭暗示的那麼好，當然這家公司就不會(不必)找我們了！正因為目前實驗使用中的辨識並不穩定，需要的設備與運作成本也太高，他們公司主管中也有我的讀者，才會找到鄉下老師來討論，看我們是不是有不一樣的影像辨識方法與技術？可以更有效率的實現這個「AI」的需求！

說到影像辨識，現在流行CNN類神經網路與ML機器學習，這類技術是基於資料統計與機率分析的，對於揚塵這種較模糊目標的辨識很合適！相對的，我們團隊較熟悉的OCR技術是假設目標有清晰輪廓的，辨識煙霧揚塵並不合適！理所當然的，昨天看到的介紹都是使用CNN技術，如YOLO等做出來的！對於揚塵的偵測大致OK，只是還不夠好不夠穩定也太依賴一些額外設備如GPU等等，有點昂貴。

我和RD聽完他們的報告立刻有了共同的想法，如果硬要用我們最熟悉的OCR車牌辨識技術做這種辨識，就真的是橫柴入灶非常不適宜了！但是稍早我的RD讀碩士班時曾跟隨林泓宏教授深入學習動態目標追蹤的技術，尤其是建立穩定背景影像的演算法，用在這裡就再適合不過了！

其實就是差異影像的概念，如果我們隨時統計計算前面幾分鐘的靜態(平均)背景影像，一旦即時影像中出現任何局部的異動，即使只是不太明顯的煙霧揚塵，我們都可以很穩定快速偵測到的！所以我們立即回應可以有跟這些「CNN前輩」不一樣的解決方案，預期還會更快更穩定，當然也不需要用到GPU的啦！一般規格電腦就行了！對方聽懂後當然也很興奮期待的！

這個會議最後圓滿落幕，我們也確定在過年後會加入這個研發團隊，提供另外一種辨識揚塵的「AI」影像辨識研發方向，如果能在此議題上與CNN技術正面對決取得勝利，當然就是我的最大期望了！老是隔空罵人我都罵到不好意思了！現在有機會侵門踏戶直球對決挑戰CNN最專長的辨識議題，一定會很好玩的！