自然河川的速度和流量資料對於水資源管理、規劃和防減災而言非常重要。在過去的研究中，非侵入式影像測量技術基於直接互相關(Direct Cross-Correlation, DCC)演算法已被廣泛應用於測量河川的速度和流量。例如，粒子影像測速法(Particle Image Velocimetry, PIV)即為其中一種廣為人知的方法。然而，現場環境中的雜訊非常複雜且不可控，這會明顯地降低基於DCC演算法的量測準確性。近年來，卷積神經網路(Convolutional Neural Network, CNN)演算法(見圖一)憑藉遠超傳統影像分析方法的準確度，成為了影像辨識的主流工具之一。然而，由於流體複雜且多變的特性，該演算法並不能直接應用於流速的量測。因此，在這項研究中，我們開發了一種創新的亞像素(Sub-pixel)校正技術，使得基於CNN的方法能夠在PIV框架中取得穩定的測量結果。同時，這也是第一個成功將CNN的概念應用於影像速度量測的創新研究。
在本研究中，我們首先比較了不同啟動函數 (Activation function)、質詢窗 (Interrogation Area, IA)下的計算結果 (見圖二)，確定最佳的神經網路架構。接下來，為了模擬現實中的複雜流狀，利用了PIVLab軟體在基於Hamel-Oseen渦流、均勻穩定流和平面層狀射流的條件下，建立了多組人造粒子流場(見圖三)。此外，還在這些影像中加入了非均勻的光照和不同程度的高斯雜訊，藉此評估不同演算法的抗噪程度。研究結果發現，在無雜訊的影像條件下，基於DCC和CNN的方法皆取得了極小的量測誤差。而對於有雜訊的影像(見圖四)，DCC法所產生的誤差最大增加了31.13倍。反之，CNN法僅增加了1.68倍的誤差。為了進一步驗證本方法的量測能力，本研究還在環境條件不受控制的室內實驗室中，架設了一個30米長的水槽並進行多場試驗。而根據瞬時流速的測量結果 (見圖五)發現，CNN法的瞬時流速分佈更為集中。顯示CNN法相較於DCC法具備更好的穩定性和量測能力。此外，利用CNN法所估算的流量資料與聲學都卜勒流速儀(ADV)的量測結果相比，誤差僅7.87%。這些結果表明，本研究所開發之基於CNN的方法比傳統方法更加穩健，具備應用於現地河川測量的能力以及成為新型態水文量測工具的潛力。（土木系何昊哲教授提供）
圖一 卷積神經網路架構
圖二 不同IA尺寸應用於DCC及CNN法的流速分量誤差比較結果 圖三 人造粒子流場
圖四 模擬不均勻光照影響下之流場計算結果: (a) CNN法; (b) DCC法
圖五 水槽試驗之瞬時流速分量計算結果: (a) CNN法; (b) DCC法