交通部111年度施政計劃重點項目之一為「強化智慧應用，提昇運輸效率」，提出應加強結合5G、AI等新興科技應用，現實智能交通數據轉換型；2020年版運政策白皮書提出「應用AI、無人機及遙測技術於鐵路巡檢或監測”為重點之行動方案。
本研究為2年計劃畫之第1年期，完成的主要研究成果，計劃有： (1)蒐集相關深度學習應用影像表識技術之文獻，並探索討論圖像表識應用於邊坡地貌變異判識之方法與可行性；(2)蒐集欲探之邊坡場地衛星、航測、無人機…等影像，以作為後續深度學習之訓練及驗證資料庫使用；(3)比較各深度學習框架及神經網路模型對邊坡判識之適用性，藉以尋找合適之演算術。成果效益：本研究探討應用AI技術結合多期、多測度(衛星、航測、UAV…等)之邊坡監測影像進入邊坡地貌變異判識之可行性，並希冀藤由新興科技及技術技術之探索，於未來能達成地貌判識、裸露驛地範圍自動圈選及土地方量判定等有效，以利公路邊坡管理單位之日巡查作業及災後復原作業更快捷快捷。提供政府單位應用情形：可提供公路總局、高速公路局於公路邊坡管理及災害防之應用，以及本所人員智慧技術研究開發相關研究後繼續探討與應用。

目 錄
中文摘要 I
中文摘要 II
目錄 III
目錄 VII
目錄 XI
第一章緒論 1-1
1.1研究電機 1-1
1.2研究目標的 1-1
1.3研究內容及工作項目 1-1
1.4研究流程 1-3
第二章 文稿回顧2-1
2.1航拍技術介紹2-1
2.1.1無人飛行載具(Unmanned Aerial Vehicle，UAV) 2-1
2.1.2即時動態定位技術(Real Time Kinematic，RTK) 2-2
2.1.3視覺攝影測量技術(Visual Photogrammetry) 2-4
2.1.4遙測技術( Remote sensing) 2-5
2.1.5合成孔徑雷達(Synthetic Aperture Radar，SAR) 2-7
2.1.6光學雷達(Light Detection And Ranging，LiDAR) 2-9
2.1.7被動式光學遙測衛星 2-10
2.2航拍技術於坡地之應用2-14
第三篇人工智慧應用於影像識別技術探索3-1
3.1人工智慧(Artificial Intelligence，AI) 3-1
3.2機器學習(Machine Learning，ML) 3-1
3.2.1資料分析 3-6
3.2.2學習算法 3-7
3.3深度學習(Deep Learning，DL) 3-8
3.4神經網絡(Neural Network) 3 -10
3.5深度神經網路(Deep Neural Network，DNN) 3-13
3.6卷積神經網路(Convolutional Neural Network，CNN) 3-14
3.7卷積神經網路模型介紹 3-18
3.7.1 LeNet-5 (1998) 3-18
3.7.2 AlexNet(2012) 3-19
3.7.3 VGG(2014) 3-20
3.7.4 GoogLeNet/Inception(2014) 3-21
3.7.5 ResNet(2015) 3-21
3.7. 6 DenseNet(2018) 3-23
3.7.7 EfficientNet(2019) 3-23
3.8深度學習框架(Deep Learning Framework) 3-24
3.8.1 PyTorch 3-25
3.8.2 Tensorflow 3-25
第四篇影像蒐集及探索比較 4-1
4.1空間拍攝影像取管道 4-1
4.1.1水土保持局巨量空間信息系統 4-1
4.1.2 Google Earth Engine開源雲端平台4-6
4.1.3 國家太空中心衛星影像產品申購系統 4-7
4.1.4 國家中央大學太空及遙測研究中心 4-8
4.1.5 內政部國家土測繪中心國土測繪e商城 4-10
4.1.6林務局農林航空測量所圖資提供應用服務平台 4-11
4.1.7公路總局無人機空拍影像資料 4-12
4.2空拍影像探比較 4-12
4.3影像初步搜索集情形 4-13
第五章 結論與建議 5 -1
5.1結論 5-1
5.2建議 5-3
5.3成果效益與應用 5-3
5.4提供政府單一職位應用情形 5-3
參考文獻 參-1
附錄一 專家庭學者及實務單位訪問記錄。附1-1
附錄二專業學者座談會會議紀要。附2-1
附錄三第1次工作會議紀要。附3-1
附錄四第2次工作會議紀要。附4-1
附錄五第3次工作會議紀要。附5-1
附錄六期末報告審計委員會成員意見處理情況表。附6-1
附錄七期末報告簡報資料。附7-1