引言
社會、經濟的發展離不開人權保障，過馬路這件對於普通人來說再日常不過的小事，對於弱勢使用者(尤其是視障人士)卻是件造成安全威脅以及心理壓力的大事。雖然台北市早在1994年起，便陸續設置有聲號誌，但因實行成效不甚理想，因此未能有效推廣，以2021年數據來看，台北市共計185組路口設有有聲號誌[1]，但對比總路口數2679組[2]，僅佔了6.9%。而現行的有聲號誌僅能透過聲音提供行人號誌燈資訊，視障人士對於路口的長度及狀況並無法掌握，功能不盡周全，再加上部分手動式有聲號誌的設置位置不易掌握、硬體易損壞等因素，在追求人權平等，保障視障人士行的安全與便利上尚有一段路需努力。
近年來，人工智慧受惠於電腦資料儲存和運算速度的成長而有突破式的發展，現今機器學習已運用在各式領域，例如自駕車技術、瑕疵檢視、人流監測等，針對交通路口的燈號判斷也都有相當多的研究，行人號誌燈已可透過機器學習來判斷，準確率超過九成[3]，技術發展已達相當水準。
但在研究過程中發現，多數研究及運用主要著重在燈號判斷及自駕車領域，並無針對行人通行安全因素綜合考慮，因此在此次項目中，我們將透過機器學習的圖片辨識技術，將號誌燈、穿越道的障礙物狀況進行綜合考量，來協助視障人士分辨路口狀況是否得以安全通行，並藉由預測穿越道之長度來估算適合的通行時間，最後期望可將此模型運在行動裝置或穿戴式裝置上，克服現行硬體數量及功能上的不足，提升視障人士的通行平等權。
問題陳述
此研究將透過卷積神經網路（Convolutional Neural Network, CNN）模型，判斷路口是否能安全通過。在無障礙行人號誌使用者需求的相關研究報告中，分析了視障人士在穿越道路所考慮的因素，前三名分別為「行人號誌情形」、「轉彎車輛」、「穿越道長度」[4]，因此我們蒐集了各式路口的行人視角照片，綜合考量行人號誌燈號、穿越道之障礙物(汽車、機車)等因素，來評估路口是否可安全通過，以解決式障人士最在意的三項因素。
輸出結果將分為兩部分，分別為路口是否可安全通行：(0)不安全通行(1)可安全通行，以及通行時間：通過估算道路長度來計算所需的通行時間(s)，最終期望將此模型運用在穿戴式裝置上，提供使用者在穿越道路時，能得到更完整的資訊來評估是否可安全通過。
方法
此次研究將採用卷積神經網路（CNN）模型進行圖像特徵辨識，透過多任務學習（Multi task Learning，MTL）來預測，分類路口是否可通行，以及迴歸預測行人穿越道長度(以用於估算通行時間(0.5m/s)[1])。
- 圖片處理：
進行轉檔、裁切、大小調整等步驟，將格式統一為jpg，圖片裁切為1:1，並調整大小至1024*1024像素。
- 圖片預訓練：
將由組員分別測試4種模型，分別為：VGG19、Inceptionv3 (GoogLeNet)、ResNet50、EfficientNet，並選擇最佳結果作為本次的預訓練模型。
初步結果
- 圖片蒐集：
全體組員分工拍攝，收集地點為台北市及桃園市，天氣背景包含：白天、黑夜、雨天。
蒐集結果：共計1151張圖片。
- 標籤判斷：
依共同討論之標籤判斷標準判斷，由兩位組員負責主要標籤，並將爭議之圖像另行整理，由全體組員共同討論後得出最終標籤。
判斷結果：
0：不可通行614張(53.3%)
1：可通行537張(46.6%)
- 長度紀錄：
透過Google Map衛星模式之測量結果，由各自照片拍攝者進行紀錄。
單位長度為公尺(截至小數點後第一位，四捨五入)
資料長度範圍介於4.4m~59.1m
- 資料分配：
我們將數據分層抽樣後，以90：5：5的比例，隨機拆分為訓練資料/驗證資料/測試資料。
相關數據圖如下：
參考資料
[1]臺北市交通管制工程處「有聲號誌設置地點及使用簡介」
[2]臺北市交通局「道路交通設施」統計
[3]Roni Ash; Dolev Ofri; Jonathan Brokman; Idan Friedman; Yair Moshe, "Real-time Pedestrian Traffic Light Detection"2018 IEEE Intelligent Vehicles Symposium (IV),DOI: 10.1109/ICSEE.2018.8646287
[4]兵界力，「無障礙行人號誌使用者需求及控制績效評估之研究」, 國立中央警察大學交通管理研究所碩士論文，西元2000年，頁83
引言
社會、經濟的發展離不開人權保障，過馬路這件對於普通人來說再日常不過的小事，對於弱勢使用者(尤其是視障人士)卻是件造成安全威脅以及心理壓力的大事。雖然台北市早在1994年起，便陸續設置有聲號誌，但因實行成效不甚理想，因此未能有效推廣，以2021年數據來看，台北市共計185組路口設有有聲號誌[1]，但對比總路口數2679組[2]，僅佔了6.9%。而現行的有聲號誌僅能透過聲音提供行人號誌燈資訊，視障人士對於路口的長度及狀況並無法掌握，功能不盡周全，再加上部分手動式有聲號誌的設置位置不易掌握、硬體易損壞等因素，在追求人權平等，保障視障人士行的安全與便利上尚有一段路需努力。
近年來，人工智慧受惠於電腦資料儲存和運算速度的成長而有突破式的發展，現今機器學習已運用在各式領域，例如自駕車技術、瑕疵檢視、人流監測等，針對交通路口的燈號判斷也都有相當多的研究，行人號誌燈已可透過機器學習來判斷，準確率超過九成[3]，技術發展已達相當水準。
但在研究過程中發現，多數研究及運用主要著重在燈號判斷及自駕車領域，並無針對行人通行安全因素綜合考慮，因此在此次項目中，我們將透過機器學習的圖片辨識技術，將號誌燈、穿越道的障礙物狀況進行綜合考量，來協助視障人士分辨路口狀況是否得以安全通行，並藉由預測穿越道之長度來估算適合的通行時間，最後期望可將此模型運在行動裝置或穿戴式裝置上，克服現行硬體數量及功能上的不足，提升視障人士的通行平等權。
問題陳述
此研究將透過卷積神經網路（Convolutional Neural Network, CNN）模型，判斷路口是否能安全通過。在無障礙行人號誌使用者需求的相關研究報告中，分析了視障人士在穿越道路所考慮的因素，前三名分別為「行人號誌情形」、「轉彎車輛」、「穿越道長度」[4]，因此我們蒐集了各式路口的行人視角照片，綜合考量行人號誌燈號、穿越道之障礙物(汽車、機車)等因素，來評估路口是否可安全通過，以解決式障人士最在意的三項因素。
輸出結果將分為兩部分，分別為路口是否可安全通行：(0)不安全通行(1)可安全通行，以及通行時間：通過估算道路長度來計算所需的通行時間(s)，最終期望將此模型運用在穿戴式裝置上，提供使用者在穿越道路時，能得到更完整的資訊來評估是否可安全通過。
方法
此次研究將採用卷積神經網路（CNN）模型進行圖像特徵辨識，透過多任務學習（Multi task Learning，MTL）來預測，分類路口是否可通行，以及迴歸預測行人穿越道長度(以用於估算通行時間(0.5m/s)[1])。
進行轉檔、裁切、大小調整等步驟，將格式統一為jpg，圖片裁切為1:1，並調整大小至1024*1024像素。
將由組員分別測試4種模型，分別為：VGG19、Inceptionv3 (GoogLeNet)、ResNet50、EfficientNet，並選擇最佳結果作為本次的預訓練模型。
初步結果
全體組員分工拍攝，收集地點為台北市及桃園市，天氣背景包含：白天、黑夜、雨天。
蒐集結果：共計1151張圖片。
依共同討論之標籤判斷標準判斷，由兩位組員負責主要標籤，並將爭議之圖像另行整理，由全體組員共同討論後得出最終標籤。
判斷結果：
0：不可通行614張(53.3%)
1：可通行537張(46.6%)
透過Google Map衛星模式之測量結果，由各自照片拍攝者進行紀錄。
單位長度為公尺(截至小數點後第一位，四捨五入)
資料長度範圍介於4.4m~59.1m
我們將數據分層抽樣後，以90：5：5的比例，隨機拆分為訓練資料/驗證資料/測試資料。
相關數據圖如下：
參考資料
[1]臺北市交通管制工程處「有聲號誌設置地點及使用簡介」
[2]臺北市交通局「道路交通設施」統計
[3]Roni Ash; Dolev Ofri; Jonathan Brokman; Idan Friedman; Yair Moshe, "Real-time Pedestrian Traffic Light Detection"2018 IEEE Intelligent Vehicles Symposium (IV),DOI: 10.1109/ICSEE.2018.8646287
[4]兵界力，「無障礙行人號誌使用者需求及控制績效評估之研究」, 國立中央警察大學交通管理研究所碩士論文，西元2000年，頁83