[營建知訊轉載]從KKHTCNN研討會看資訊技術在土木工程之應用 許舜翔、潘瑀涵、謝尚賢 2019.11

許舜翔  國立臺灣大學 土木工程學系專任研究助理
潘瑀涵  國立臺灣大學 土木工程學系專任研究助理
謝尚賢  國立臺灣大學 土木工程學系教授兼系主任
 
 
亞洲7所頂尖大學合辦學術交流
由來已久的KKHTCNN研討會，於今年10月24-25日再度由KAIST（韓國科學技術院）在韓國大田舉辦，秉持著始終如一的初衷，鼓勵來自亞洲區大學的研究生們參與學術發表和投稿；而臺大土木系謝尚賢主任亦領軍前往共襄盛舉。會議名稱的每一個字母分別取自於下列各大學的英文名稱首字母：
Kyoto University（京都大學）
Korea Advanced Institute of Science and Technology（韓國科學技術院）
Hong Kong University of Science and Technology（香港科技大學）
Tongji University（同濟大學）
Chulalongkorn University（朱拉隆功大學）
National Taiwan University（國立臺灣大學）
National University of Singapore（新加坡國立大學）

臺大土木系謝尚賢主任（左）帶隊前往韓國參加KKHTCNN學術研討會。

這場由此7所頂尖大學所共同籌辦的學術交流活動，最初是從韓國和日本兩所學校（KU）的雙邊論壇開始萌芽，後續加入了國立臺灣大學、新加坡國立大學、泰國朱拉隆功大學等各國頂尖大學；而在第26屆時，香港科技大學和上海同濟大學亦加入為成員，時至今日已持續合作了32屆，其所納入的主題包括：

1. Structural Engineering
2. Geotechnical Engineering
3. Construction Engineering
4. Civil Engineering
5. Transportation Engineering
6. Materials
7. Water Resource Engineering

其中又以結構和大地領域相關論文占絕大部分。今年約有250篇論文發表，來自於臺灣大學的投稿共有62篇，和去年的57篇相比有所成長，可見臺大土木系鼓勵學生參與國際研討會的努力。
 
建築資訊塑模(Building information modeling, BIM)應用的持續耕耘
此次研討會共有11篇論文和BIM研究相關，除討論BIM應用於專案管理帶來的效益，以及資料交付的框架流程外，還有BIM的延伸技術或應用，如結合AR技術用以監測工地進度 [1]、利用BIM模型進行能源模擬[2]或工地安全監測系統[3]等。雖然有關BIM的研究所占篇數相對來說較少，但仍可見BIM已成為各項技術發展的起點，由此基礎再向外延伸。而臺灣在過去十幾年來的致力推動下，BIM發展至今已有相當的成果，不同工程階段皆可見BIM工具的使用。
筆者認為，BIM的應用終將形成一整合型平台，隨著Autodesk提出自家模型的網頁檢視平台－Forge，因其對自家Revit的模型.rvt檔案有更好的相容性和擴充性，逐漸吸引愈來愈多的使用者，再加上其他大大小小的平台推出，在在顯示了，當BIM被期待承載更多的資訊量，加上使用者的需求增加，將導致既有的建模軟體無法負荷，此時，如何銜接其他延伸發展的技術成果，將會是BIM能否繼續深耕於營造產業的關鍵所在。

深度學習(Deep learning)技術在營建領域的應用
隨著AI、大數據的廣泛應用，相關技術日新月異，旋即成為推動自動化的一項利器。由於產業發展大多受限於機器只能接受僵化的條件式指令，研究人員更期待能以AI技術靈活地辨識出問題所在，進而找到解決或預防的方法，來提升人類的生活品質或處理過往困難的議題。本文將著重在整理KKHTCNN研討會中，各大學校提出有關深度學習、機器學習的研究，並提出目前發展的進程以及未來可能的方向。

• 論文研究議題，以影像分析應用最為熱門
  影像分析因應深度學習的發展而開展了各種潛能，臺大土木系陳柏華教授即在智慧城市的議程中，提出可應用於交通和營建產業中的影像感測技術[4]，並藉此點出，在電腦視覺技術不斷推陳出新的前提下，土木領域如何掌握自身定位並思考技術導入，將是未來重要的方向。
  以下將根據研討會中論文的題目和研究目的，作初步的分類和介紹。
  
  
• 結構安全
  各項研究中受到非常熱烈討論的議題之一為裂縫偵測與檢測結構安全，KAIST的Han等人[5]提出使用CNN分析在環境雜訊下的聲音訊號，從中辨別出混凝土破壞所發出的聲訊。實驗證實，縱使在設定的環境干擾下，仍能成功辨別。而除了利用訊號外，另外一種作法，則是利用視覺的方法來進行裂縫偵測。目前有不少研究使用視覺的方式[6-8]，採用不同的CNN演算法結構來提取圖像特徵，藉以辨識裂縫所在的位置。雖然目前仍在發展階段，但此研究方向將有助於往後建築運營期間的自動檢測維修。
  
  
• 其他（地震災害預警、電腦視覺分析）
  來自京都大學的Otake等人[9]蒐集地表移動的時間序資料，提出常用於處理該屬性資料的LSTM模型，預測地震發生的可能性，然而受限於資料大小，效能和驗證方面還有待發展。臺灣與日本同屬地震頻繁的國家，對我們來說，這也是十分具有發展潛力的議題。此外，KAIST的Byun和Kim[10]以分析街景圖來觀察城市變遷，並分析其對鄰近區域的影響；同濟大學的Yang和Zhang[3]則是結合深度學習模型來進行人員偵測以及其他定義物件（如安全帽、開口等），預計未來將對這些偵測得到的物件進行邏輯判斷，判定是否有危險發生，藉此作為安全控管的手段；這類研究也將進一步推動工地管理的自動化。最後，臺灣大學團隊也提出了跨鏡頭追蹤方法以追蹤建築內使用者位置[11]，可有效地整合既有監視鏡頭影像，最大化其監測效益。
  
  
• 未來發展方向
  從上述列舉的幾項研究可以發現，儘管透過機器學習，我們得以更有效地預測未來事件，或是辨識特定物件，但若要利用現今熱門的演算法，成果的好壞往往有很大一部分取決於資料的品質，而非演算法或機器的效能。建築生命週期從一開始的設計階段、施工階段，再到最後的營運維護階段，過程中有大量的資料產生和交換，但礙於應用方向與發展機會尚未明朗，目前較少看到機器學習相關的研究，若能找到可應用的議題，相信營建產業將會是適合機器學習發揮的領域。

 
參訪心得

由於KKHTCNN是由幾個亞洲國家共同舉辦的研討會，文化上的差異和歐美相比較小，不管是區域合作或是經驗借鑑都較為容易，也因此吸引許多亞洲知名大學參加，對於結合亞洲研究能量，具有極大貢獻。臺大土木系多年來也始終是KKHTCNN的忠實支持者，十分鼓勵研究生參與，除了增進學生與亞洲地區其他國家研究者的交流，長期下來也有助於提升臺灣在國際上的競爭力。
 
 
參考文獻

1. Sittinut Srinoi & Tanit Tongthong, 2019 Augmented Reality for Progress Tracking in Infrastructure Construction, the 32th KKHTCNN Symposium on Civil Engineering, Daejeon, Korea.
2. F.Y. Liao, James C. Chu & Y.H. Yu, 2019. Optimization of Occupant Thermal Comfort and Energy Consumption in MVAC Systems Using a BIM-Supported Computational Approach, the 32th KKHTCNN Symposium on Civil Engineering, Daejeon, Korea.
3. Bin Yang & Binghan Zhang, 2019. A Safety Management System Based on Faster-R-CNN and BIM, the 32th KKHTCNN Symposium on Civil Engineering, Daejeon, Korea.
4. Albert Y. Chen, 2019. Image sensing for Transportation and Construction, the 32th KKHTCNN Symposium on Civil Engineering, Daejeon, Korea.
5. Gyeol Han, Yong-Min Kim & Tae-Hyuk Kwon, 2019. Application of deep learning techniques for determination of crack signals in structural damage monitoring, the 32th KKHTCNN Symposium on Civil Engineering, Daejeon, Korea.
6. J.W. Yu , J.Y. Chou & C.M. Chang, 2019. Crack Detection Based on Deep Learning and Computer Vision Algorithms, the 32th KKHTCNN Symposium on Civil Engineering, Daejeon, Korea.
7. I.C. Hwang , P.H. Chiu , Y.L. Chen , C.W. Huang and S.W. Chang, 2019. Application of Convolutional Neural Networks for Structural Damage Detection, the 32th KKHTCNN Symposium on Civil Engineering, Daejeon, Korea
8. Junyeon. Chung & Hoon. Sohn, 2019. Loosened Bolt Detection and Quantification Using RGB-depth Sensor and Mask R-CNN, the 32th KKHTCNN Symposium on Civil Engineering, Daejeon, Korea
9. Ryota Otake, Jun Kurima, Hiroyuki Goto & Sumio Sawada, 2019. Deep learning model to predict time series of real-time ground motions, the 32th KKHTCNN Symposium on Civil Engineering, Daejeon, Korea.
10. Giyoung Byun & Youngchul Kim, 2019. Urban Street Changes using a Deep Learning Method, the 32th KKHTCNN Symposium on Civil Engineering, Daejeon, Korea.
11. S.H. Hsu, T.H. Lin, T.Y. Dai & S.H. Hsieh, 2019. A Re-identification System for Multi-Target, Multi-Camera Tracking of Building Occupants, the 32th KKHTCNN Symposium on Civil Engineering, Daejeon, Korea.

 

轉載自營建知訊第442期頁58-62。