本研究提出一種基於無人機影像與機器學習技術的土地開發監測與品質評估方法，整合了GNSS測量、無人機攝影測量、物體辨識、空間定位計算及多周期資料比較流程。此方法符合土地開發標準流程，涵蓋施工監控、進度追蹤與場地安全管理，適用於80%的開發階段（圖1）。研究方法包括三個主要階段：無人機影像擷取與正射影像生成、機器學習應用以及專案報告編制。支援向量機（SVM）用於辨識土地覆蓋類別的變化，準確描述施工現場的土地轉變情況，影像分類的Kappa值達89.61%，確保結果可靠性。基於對現場土地情況的了解，研究進一步採用YOLOv7進行下水道沙井與共用管道的物件偵測，F1準確率分別為87%與83%；U-Net用於路邊溝渠分割，偵測各個施工階段，模型F1準確率為87%，上述的資訊供現場人員檢查專案進度（圖2）。此外，為了確保施工過程中的人員安全，研究發展高程誤差警示分析，辨識高差區域並支持墜落防護策略制定，提升開發項目的安全性與效率（圖3）。所有提出的技術的有效性都在真實案例研究中進行評估，結果證實，這種完全自動化的土地開發監測方法非常有效，因此有助於土地開發專案的施工安全、降低成本和品質保證。（土木系韓仁毓教授提供） 圖1、土地開發標準流程。 圖2、道路邊溝專案進度。 圖3、高程誤差警示分析。
本研究提出一種基於無人機影像與機器學習技術的土地開發監測與品質評估方法，整合了GNSS測量、無人機攝影測量、物體辨識、空間定位計算及多周期資料比較流程。此方法符合土地開發標準流程，涵蓋施工監控、進度追蹤與場地安全管理，適用於80%的開發階段（圖1）。研究方法包括三個主要階段：無人機影像擷取與正射影像生成、機器學習應用以及專案報告編制。支援向量機（SVM）用於辨識土地覆蓋類別的變化，準確描述施工現場的土地轉變情況，影像分類的Kappa值達89.61%，確保結果可靠性。基於對現場土地情況的了解，研究進一步採用YOLOv7進行下水道沙井與共用管道的物件偵測，F1準確率分別為87%與83%；U-Net用於路邊溝渠分割，偵測各個施工階段，模型F1準確率為87%，上述的資訊供現場人員檢查專案進度（圖2）。此外，為了確保施工過程中的人員安全，研究發展高程誤差警示分析，辨識高差區域並支持墜落防護策略制定，提升開發項目的安全性與效率（圖3）。所有提出的技術的有效性都在真實案例研究中進行評估，結果證實，這種完全自動化的土地開發監測方法非常有效，因此有助於土地開發專案的施工安全、降低成本和品質保證。（土木系韓仁毓教授提供）
圖1、土地開發標準流程。
圖2、道路邊溝專案進度。
圖3、高程誤差警示分析。