Page 15 - Vol.45
P. 15

表4、區分不同顏色背心情境多分類混淆矩陣                             (2018): 1-9.
                                                                   [07]   Wang, Mingzhu, et al. "Predicting safety hazards among construction
                         實際 粉紅色  紅色  橘色  綠色   藍色    紫色    其他           workers and equipment using computer vision and deep learning
                 預測                                                    techniques." ISARC. Proceedings of the International Symposium on
                 粉紅色   145  0     0     0     0     0     0            Automation and Robotics in Construction. Vol. 36. IAARC Publications,
                 紅色    0    288   0     0     0     0     0            2019.
                 橘色    0    0     62    0     0     0     0        [08]   Nath, Nipun D., Amir H. Behzadan, and Stephanie G. Paal. "Deep
                 綠色    0    0     0     144   0     0     0            learning for site safety: Real-time detection of personal protective
                 藍色    0    0     0     0     152   0     0            equipment." Automation in Construction 112 (2020): 103085.
                 紫色    0    0     0     0     0     145   0        [09]   Settles, Burr. "Active learning literature survey." (2009).
                 其他    0    0     2     0     0     0     431      [10]   Pan, Sinno Jialin, and Qiang Yang. "A survey on transfer learning." IEEE
                 召回率   100%  100%  96.88%  100%  100%  100%  100%      Transactions on knowledge and data engineering 22.10 (2009): 1345-
                 精確率   100%  100%  100%  100%  100%  100%  99.54%      1359.
                                                                   [11]   A.I. Technical: Machine vs Deep Learning. https://lawtomated.com/
                                                                       a-i-technical-machine-vs-deep-learning/
                    由實驗可知，在人員可穿著便服的情況下，因有部份便                       [12]   Convolution on Wikipedia. https://en.wikipedia.org/wiki/Convolution
                服的款式設計、花樣紋理接近背心款式，因此並不容易完美                         [13]   Karn, Ujjwal. "An intuitive explanation of convolutional neural
                                                                       networks." The data science blog (2016).
                區隔人員是否有穿著背心。對於人員未穿戴背心(違規)的辨識                       [14]   Redmon, Joseph, et al. "You only look once: Unified, real-time object
                精確率可達99.37%(低誤判)，然而在違規召回率則尚有進步                         detection." Proceedings of the IEEE conference on computer vision
                                                                       and pattern recognition. 2016.
                空間(僅達86.64%)。不過若在給定人員皆有穿戴工作背心的
                                                                   [15]   Wang, Chien-Yao, Alexey Bochkovskiy, and Hong-Yuan Mark Liao.
                情況下，扣除「其他顏色類別」後，常見的工地區域背心顏                             "Scaled-yolov4: Scaling cross stage partial network." Proceedings
                                                                       of the IEEE/CVF Conference on Computer Vision and Pattern
                色識別的平均召回率達99.48%、平均精確率達100%。代表監
                                                                       Recognition. 2021.
                控人員後續可利用區分各種背心顏色做為手段，來對特定區                         [16]   Girshick, Ross. "Fast r-cnn." Proceedings of the IEEE international
                域內進行特定人員管控。例如 : 吊掛作業範圍，需有綠色背                           conference on computer vision. 2015.
                                                                   [17]   He, Kaiming, et al. "Mask r-cnn." Proceedings of the IEEE international
                心吊掛指揮人員。                                               conference on computer vision. 2017.
                                                                   [18]   Kemajou, V. N., Bao, A., & Germain, O. (2019, April). Wellbore
                                                                       schematics to structured data using artificial intelligence tools. In
                5.  結論及未來展望                                            Offshore Technology Conference. Offshore Technology Conference.
                                                                   [19]   Agarwal, Shivang, Jean Ogier Du Terrail, and Frédéric Jurie. "Recent
                    近年來工地建設的施工進度，在現代工法技術的加持                            advances in object detection in the age of deep convolutional neural
                下，不論是施工推進的速度、單一場域的規模都有顯著提升。                            networks." arXiv preprint arXiv:1809.03193 (2018).
                                                                   [20]   Kamath, Vinayaka R. "Transferred Fusion Learning using Skipped
                為求管控及強化施工人員安全，僅靠傳統CCTV影像錄製系統
                                                                       Networks." arXiv preprint arXiv:2011.05895(2020).
                及人員長時間目視監控的作法，恐會成為大規模工進下安全監                        [21]   Onvif Profiles and Specifications. https://www.onvif.org/profiles/
                控的瓶頸。本研究嚐試開發遠端CCTV攝影機的智慧化巡檢系
                統，提供目視人員設置監控熱區，定期執行巡檢任務。同時在                        作者介紹
                對齊工安管控的專家知識下，引入深度學習人工智慧技術，從                                 謝志宏  Ted
                CCTV系統所擷取的影像中，自動化過濾可能潛在的高風險行                                任何資料分析方法都必須與使用者在乎的應用相結合，才能
                                                                            展現人工智慧技術的價值。即便現實上不存在完美無瑕的AI模
                為(風險區域管制及PPE穿戴偵測)，加以示警及通報。後續將                               型，FACDD及我們還是盡一切努力試著讓可行的AI技術與同仁
                結合更多工安專家知識，嘗試開發包含 : 高處作業安全掛勾是                               們日常運營的方方面面相結合。在可以量化的指標中，為大家
                                                                            帶來效率的提升、運轉的穩定及安全性是我們的目標。如果各
                否使用、吊掛作業執行中是否有人員闖入、人員受傷昏迷、動                                 位的日常業務中，覺得有AI應用的契機，請讓我們有開展合作
                                                                            的機會，謝謝大家 : )
                火作業管控等更多重要的工安管控項目。
                                                                            翁逸驊  Peter Weng
                                                                            AI雖為當代流行詞之一，但少了使用者的支持、缺少關鍵的應用
                參考文獻                                                        情境，則無法確實的協助同仁執行日常勤務，廠務為工廠運轉的
                                                                            重要基石，有著多方面的專業知識，如何切中使用者的痛點，則
                [01]   Statistics, Bureau of Labor. "National Census of Fatal Occupational   需要大家給我們一個機會學習，一起解決工作中最重要的小事！
                    Injuries in 2019." Washington, DC: Bureau of Labor Statistics (2020).  林君穎  Alex Lin
                [02]   勞動檢查統計年報，勞動部職業安全衛生署，網址: https://www.osha.            現任廠務安全管理部安全行為課副理，加入台積電一年多以來從
                    gov.tw/1106/1164/1165/1168/                             事建廠安全衛生環保管理，近年來，在台積工期縮短，但多項專
                [03]   Alom, Md Zahangir, et al. "The history began from alexnet: A   案同步進行，土建及系統重疊作業面增加，造成安全管理難度上
                    comprehensive survey on deep learning approaches." arXiv preprint   升，單獨靠人力巡檢是不夠的，隨著科技日益進步，以人力搭配
                    arXiv:1803.01164 (2018).                                AI人工智慧對工程進行全方位管控，除管理幅度增加外，亦可降
                [04]   Mitchell, Tom M. Machine Learning. New York: McGraw-Hill, 1997.  少人為對安全標準的不一致，死角區域及高風險作業多一層即時
                [05]   He, Kaiming, et al. "Deep residual learning for image recognition.Y   把關，降低不安全行為及環境導致意外事故發生。
                    2016.                                                   黃俊銘  J.M. Huang
                [06]   Fang, Qi, et al. "Detecting non-hardhat-use by a deep learning method   AI智慧化管理是未來不可避免的趨勢。
                    from far-field surveillance videos." Automation in Construction 85


                                                                                             FACILITY JOURNAL        03  2022  13
   10   11   12   13   14   15   16   17   18   19   20