Page 6 - Vol.45
P. 6

Tech
                                                                                                    Notes
                                                                                                    技術專文


           或災害發生情事。然而這種高度仰賴人員介入的操作機制，長                       Learning) ，實現機器學習模型在長期服務維運中的持續訓
                                                                     [10]
           期來看除了需投入的大量人力的操作，一旦人員的專注意力因                       練(Continuous Training)與持續整合(Continuous Integration)
           疲勞而下降，遺漏通報或通報延遲的狀況恐難以避免。單純仰                       效果。並透過合適的使用者操作介面與操作體驗設計(UI/UX
           賴人力的作業機制也無法在擴大場域中有效規模化的執行，因                       design)，實現工安偵測應用中對於PPE(Personal Protective
           此需要一自動化且智慧化的工地影像監控系統，協助值班監控                       Equipment)穿戴及高風險區域的侵入偵測，提出輔助監控人員
           人員從鉅量的影像中，快速過濾高度職災風險的畫面。                          的自動化辨識系統。有效降低「從高處墜落」及「物體飛落砸
              另一方面，隨著多媒體平台及IoT(Internet of Things)聯網         傷」等工地職災成因。
           裝置的普及，包含影像、聲音或是感測數據等資料型態，每日                           本文後續章節安排如下 : 第二章重點說明相關背景知
           皆以鉅量之規模產出，提供豐富的人工智慧訓練資料。加上具                       識，包含深度學習模型中的卷積操作運算及深度物件偵測模
           快速平行化運算能力及高效存取頻寬的GPU裝置，其製造技術                      型類型簡介，說明影像樣態識別及物件偵測的原理。同時亦
           與成本皆不斷優化，即便是一般的研究學者或技術人員皆可輕                       會介紹互動式學習、遷移學習，以及MLOps等核心概念。第
           易取得高效且經濟實惠的運算力。基於上述兩點加速深度學                        三章將介紹本篇論文針對PPE穿戴及高風險區域侵入偵測，所
           習類神經網路(Deep Learning Neural Network, or DNN)技術自   引用的深度學習模型設計方法、系統的UI/UX設計，以及針對
                          [03]
           2012年開始蓬勃發展 。深度學習類神經網路之所以具有超強                     MLaaS為目標所設計的MLOps流程。第四章我們來自工地現
           的資料擬合及學習能力，即在於將傳統機器學習方法中對資                        場所收集的CCTV系統影像進行準確率及效能評估實驗。第五
           料施以特徵工程及特徵選取(Feature Engineering and Feature      章則對本篇論文的重要發現進行綜整並提出未來可持續強化
           Selection)過程 [04] ，直接整合到層層疊加的類神經網路模型              的系統開發方向。
           中，並透過損失函數的設計，創造端到端學習(End-to-End
           Learning)的模型優化機制，在訓練的過程中，學習算法便可自                  2.  文獻探討
           動為類神經網路模型，擬合出具有高度鑑別力的特徵向量。目
                                                             2.1  深度卷積類神經網路及卷積運算(Convolution Neural
           前深度學習已被證明在越是純粹、低階的資料及訊號，例如 :
                                                             Network & Convolution Operation)
                                               [03]
           影像、聲音、感測數值及文字中取得高度的成功 。自2015年
           的ILSVRC國際圖像識別競賽開始，深度學習於影像識別應用                         受惠於近年高效能GPU運算裝置及鉅量資料的蓬勃發
                                                  [05]
           的準確率，更是一舉突破了人類辨識能力的平均水準 。因此                       展，多樣且新穎的機器學習資料分析方法得以發展，並促成
           近年來透過深度學習影像分析技術，偵測攝影機畫面中之物                        了目前大眾所認知的深度學習神經網路(Deep Learning Neural
           件，例如 : 安全帽、安全反光背心、危險區域環境等，已被多                     Network)架構。圖1⒜突顯了傳統機器學習方法及深度學習網
                                                                         [11]
           所應用於工地安全監控維護的應用上           [06][07][08] 。         路概念上的差異 。傳統的機器學習方法，在特徵擷取(feature
              然而如同之前所述，有別於其他場域的影像識別應用環                       extraction)上需要專家基於領域知識(domain knowledge)設計
           境多屬相對穩定、少有變化的環境。隨著工程進度的推展，工                       或是透過統計檢定選取特定指標，進行人工特徵的合成(hand-
           地環境樣貌變遷速度不只快，同時變化幅度劇烈，往往深度學                       crafted feature engineering)。這樣分二階段的作法對於後續預
           習模型甫剛訓練完上線，就得面對影像辨識或物件偵測應用中                       測模型的建立，雖然可以提供快速的引導及收斂，然而以現有
           的「前景物件」或「背景影像」已跟訓練資料集的分佈狀況，                       的專家知識出發，某方面來說也剔除了一些模型原本可探索的
           有大幅度變化的問題。這些都會使深度學習模型上線後的準確                       方向，以綜觀來看未必就能找到全域最佳解。另一方面，深度
           率及模型的有效期間大打折扣。過往所發表深度學習應用於工                       學習模型強調不仰賴專家產生的特徵值做為模型輸入，而是嚐
           地影像安全偵測之論文，往往著重在影像辨識或物件辨識中對                       試堆疊多層的神經元運算，串接前面淺層的神經元運算輸出，
           工地人員行為、穿戴裝備、車輛機具的辨識進行命題及實驗，                       成為後面深層神經元運算的輸入。當堆疊超過一定的深度時，
           卻少有談論因應工地環境快速變遷，如何以自動化、有效率的                       深度學習演算法為了擬合模型最後輸出的結果，使其與分類目
           方式持續監督及改善模型效能下降的問題。                               標一致，各層神經元中的參數，自然就會演變為重要的特徵
              有鑑於此，對於深度學習影像識於工地安全強化的討                        值，整個學習的過程實現了自動化的特徵工程機制(automated
           論，我們將從單純模型建立的角度，向上提升至建立長期、                        and learning-based feature engineering)，這不只是大大克服
           穩定的服務流程。本篇論文提出MLOps的概念，規劃適                        了機器學習研究學者在跨足不同領域應用時缺少專家知識的困
           合於工地工安監控人員長期操作的服務維運流程(Machine                     難，同時也讓人工智慧有了挖掘既有專家經驗以外新知識的機
           Learning as a Service, MLaaS)。MLOps意即將系統開發及維      會，進一步提升了模型預測效能。
           運(Development and Operations)的DevOps流程，透過機器
           學習裡的互動式學習(Active Learning) 及遷移學習(Transfer
                                        [09]
           4
   1   2   3   4   5   6   7   8   9   10   11