三、AI運用於智慧交通應用成果 

        由於公路巡查作業方式大多以人工逐步檢查，或由民眾通報方式報修，整體作業耗費人力及時間，而在巡檢員進行道路巡查也大多以主觀判釋是否維修，可能產生養護上之疏漏。透過智慧化管理、人工智慧技術等應用於巡查作業，在道路養護管理領域中已逐漸有相當之成果及實際應用，也視為重要之課題。以智慧巡檢車結合巡檢底圖，開發公路設施自動化辨識、變異偵測工具及雲端告警機制，進行智慧公路巡查工作，提高公路巡查及養護維修之效能。巡檢車收集道路光達及影像資料後，經由雲端自動化運算，若偵測公路設施發生變異，可即時發出告警訊息，圖8為智慧巡查服務流程，已可導入至交通部公路局相關業務流程，提升巡查效能。本服務所開發之模組有即時坑洞模組、鋪面調查模組、標線磨損率模組、號誌及標誌桿柱歪斜角度判別模組及標誌牌面變異辨識模組，以下分別介紹各模組功能及成果。 

圖8、智慧巡查服務流程 

資料來源: 114年度智慧自駕公路創新移動服務營造計畫智慧巡查服務工作案第2期成果報告書 

        即時坑洞辨識模組採用YOLOv7進行即時坑洞辨識模組辨識，利用巡檢車蒐集與公路局提供之影像，建置訓練資料集，共標記7種類別：坑洞、裂縫、龜裂、修補變壞、水漬/髒汙、陰影、其他，其中坑洞為正樣本，其餘6類別為負樣本經調整與測試後，以平衡正負樣本之策略完成訓練，採用雙層架構設計：第一層仍使用物件偵測模型YOLO_W6_Pothole進行初步坑洞偵測；對於信心值偏低、判斷不確定之坑洞影像，將局部區域放大後，交由第二層分類模型EfficientNet進行進一步判斷，完成後部署至巡檢車端，進行日常巡查工作，整體處理流程如圖9所示。圖10為即時坑洞模組辨識成果，即時辨識出路面坑洞，經由人工複查後，即可作為是否派工之參考依據。 

圖9、即時坑洞模組流程 

 

圖10、即時坑洞模組辨識成果 

資料來源: 114年度智慧自駕公路創新移動服務營造計畫智慧巡查服務工作案第2期成果報告書

        鋪面調查辨識模組使用Swin-UperNet語意分割模型偵測巡檢車影像中之修補、縱橫向裂縫及龜裂，經由計算後可獲得修補、縱橫向裂縫及龜裂之像素，以此計算修補面積、龜裂面積、坑洞面積以及裂縫長度，鋪面調查辨識成果如圖11所示，可自動獲取鋪面破壞成果。 

 

圖11、鋪面調查辨識成果 

資料來源:114年度智慧自駕公路創新移動服務營造計畫智慧巡查服務工作案第2期成果報告書 

        標線磨損率計算模組透過開發像素對應面積關係程式、產製訓練資料和訓練深度學習模型，計算標線面積磨損率，模組需透過像素與面積關係之轉換，降低實際面積計算之誤差，流程圖如圖12所示，左圖為低於40%標線磨損率告警門檻值示意，而右圖則呈現高磨損率成果，說明模型能夠合理辨識影像中標線磨損之狀況，針對具有嚴重磨損的路段發報告警，協助交通部公路局標線養護工作。 

 

圖12、標線磨損率計算模組流程 

 

圖13、標線磨損辨識成果 

資料來源: 114年度智慧自駕公路創新移動服務營造計畫智慧巡查服務工作案第2期成果報告書 

        道路環境諸如各種桿柱，具有指示路線、方向、地點等與用路者有關之重要目的。然而隨著長期使用，桿柱可能受外力或其他因素導致桿件、號誌歪斜，嚴重時可能危害車輛駕駛人及行人使用道路時之安全性，道路主管機關需確保相關桿柱位置無歪斜，因此開發號誌及標誌桿柱歪斜角度判別模組，自動偵測號誌及標誌桿柱歪斜角度。本模組利用底圖之桿柱位置，將點雲資料進行篩選，並透過CANUPO方法保留僅桿柱特徵之點雲資料。將桿柱點雲沿垂直方向以每5公分距離切割為一層，再分別於每層擬合成一圓，最後再使用每層之有效圓心擬合出一條三維直線，即可以此直線與鉛垂線之夾角做為桿柱之歪斜角度，利用巡查作業時模組執行成果如圖14所示。 

 

圖14、號誌及標誌桿柱歪斜角度判別模組成果 

資料來源: 114年度智慧自駕公路創新移動服務營造計畫智慧巡查服務工作案第2期成果報告書 

        標誌牌面變異辨識模組採用多層次架構，透過辨認牌面文字/數字降低特徵相似路牌之混淆狀況，模組流程如圖15所示。該架構中，第一層為標誌形狀偵測階段，使用YOLOv7 Tiny先偵測標誌之形狀，第二層與第三層分別處理三角/方形標誌辨識與圓形標誌之內容辨識，其分類模型使用EfficientNet進行牌面內容辨識，圖中紅色表示各形狀標誌之Precision，各類別都能達88%以上。圖16為標誌牌面變異辨識成果，標誌牌面皆有正確被標示出來。 

 

圖15、標誌牌面變異辨識模組流程 

資料來源:114年度智慧自駕公路創新移動服務營造計畫智慧巡查服務工作案第2期成果報告書 

 

圖16、標誌牌面變異辨識成果 

資料來源:114年度智慧自駕公路創新移動服務營造計畫智慧巡查服務工作案第2期成果報告書 

四、AI標記訓練資料庫 

(1)建立數位道路圖資AI標記訓練資料庫 

        利用測繪車收集道路環境之影像及點雲資料，進行人工標記工作，以此作為標誌牌面半自動化工具之訓練資料。相關成果提供我國在地化重要道路資訊，另行整理為數位道路圖資AI標記訓練資料庫，提供給各界發展AI演算法之重要基礎資料。資料庫內容包含影像及點雲資料兩部分，影像部分建置85種道路環境資料(含影像與標記檔案)，包含紅綠燈、行人穿越燈、交通標誌、指向線、標字(路面速限、停、慢)等，其中交通標誌包含33種禁制標誌(限制類、禁止類、遵行類)、32種警告標誌、1種輔助標誌及8種指示標誌，85種道路環境影像資料總計約53,000張，授權各界下載使用。點雲部分建置8種道路環境資料(含點雲與標記檔案)，總計571個，包含指示標誌、停車處、車輛高度限制、最高速限等，相關成果可做為AI技術發展之重要基礎資料庫。 

(2)建立臺灣房屋智慧辨識訓練資料集 

        藉由房屋邊界萃取及變異變遷偵測技術發展，建立臺灣房屋智慧辨識訓練資料集，提供各界發展相關AI技術。地政司利用兩組不同時期的高解析衛星影像，分別為Pléiades-1B衛星於2022年12月19日拍攝與Pléiades-1A衛星於2023年12月14日拍攝，及一組DMC航空攝影影像於2022年11月21日拍攝，設計相關欄位以記錄房屋標籤及高程資訊，建立同一區域三組不同遙測影像的資料集，完成臺灣房屋智慧辨識訓練資料集，圖17和18為2022年12月19日高解析衛星影像及2022年11月21日高解析航空影像房屋智慧辨識訓練資料集示意圖。資料集包含 4大 類 別（TW_AIBuilding、 Common 、Raster Image 、Building Label）共 33 個欄位，包括房屋訓練影像必要欄位及屬性表、房屋標籤向量類別必要欄位及屬性表，提供各界下載使用。建立完整詮釋資料，可供機器讀取解析，訓練資料集可直接界接為深度學習程式的訓練使用，增進臺灣多標籤遙測影像數據資料集內容，減少人工設定的錯誤。 

(a)多光譜衛星影像                        (b)全色態衛星影像                           (c)建物標籤 

圖17、2022年12月19日高解析衛星影像房屋智慧辨識訓練資料集示意圖 

(a)數值地形模型                      (b)高解析航空影像                            (c)建物標籤 

圖18、2022年11月21日高解析航空影像房屋智慧辨識訓練資料集示意圖 

資料來源: 113年度運用人工智慧發展三維國土測繪技術及應用工作案期末報告書 

伍、結語 

       AI為智慧國土發展帶來前所未有的契機，透過自動化、精準化與智慧化的空間資訊治理，能有效提升國土規劃與公共治理效能，應用於製圖、地形監測與智慧交通領域，不僅提升了技術效率與資料精度，更成為推動城鄉發展與國土治理的關鍵力量。地政司近年已逐步完成 AI 技術導入相關單位之業務流程，並在智慧測繪、三維道路模型、高精地圖與防災應用上展現成果，未來更將相關成果授權至產官學研單位，擴大技術成果落地應用。然而，資料品質、法規調適、人才培訓、社會信任仍是必須正視的挑戰。 

       未來，內政部將以「標準化、數位化、智慧化」為核心策略，深化 AI 與國土治理之結合，推動循證治理，確保國土發展安全、韌性與永續，並持續與國際接軌，共同打造智慧城鄉與智慧國土的願景。透過政府引導與產官學研共同努力，AI將成為智慧國土的重要基石，協助臺灣建構更安全、韌性與宜居的城鄉環境。 

參考文獻 

1. 內政部，2023，112年度三維國土形變及空間智能分析技術發展工作案期末報告書。 

2. 內政部，2024，113年度運用人工智慧發展三維國土測繪技術及應用工作案期末報告書。 

3. 內政部，2025，113至114年度高精地圖標準及智慧測繪技術發展工作案第3期成果報告書。 

4. 內政部，2025，114年度智慧自駕公路創新移動服務營造計畫智慧巡查服務工作案第2期成果報告書。