人工智慧的概念是由美國科學家約翰・麥卡錫（John McCarthy）於1955年在達特茅斯（Dartmouth）會議提出，並在會議上為人工智慧訂定未來研究主題與方向。迄今（2019年），64年來人工智慧在深度學習、大數據以及雲端計算機等基礎技術發展取得技術突破；2006年以降，辛頓（Geoffrey Everest Hinton）提出發展「深度學習人工神經網路（Artificial Neural Networks, ANNs）」，人工智慧取得突破性的發展；ANN以電腦的軟硬體來模擬生物神經網路的資訊處理系統，經由深度學習演算法在語音以及視覺識別成功率達到 95%~99% 的正確率，於是人工智慧正式進入了感知智能的時代。
本文將介紹國家實驗研究院國家太空中心，於太空三期計畫將積極地引進人工智慧，特別是人工智慧應用在衛星上及地面影像處理研究。
撰寫人：國家太空中心 / 劉小菁正工程師、黃正中研究員
圖一：衛星上智能尋標系統設計（圖片來源：太空中心提供）由於遙測衛星影像之應用相當廣泛，如在國土安全、災害防治、影像製圖、國土規劃…等。我國三期太空計畫規劃的遙測衛星將走上高解析度、即時性與高智能化。在遙測衛星計畫執行時將引入人工智慧，具有更先進的衛星設計；衛星的影像資料處理，將朝向更自動化系統發展，同時配合人工智慧與大數據分析，以因應快速成長的多元衛星資料處理，與實現影像能快速多功能應用的目標。
太空中心將研發星上特定圖像自動辨識功能，延伸至衛星影像識別，結合精確的全球定位系統（GPS）資訊，加入機器學習（Machine learning）以及雲端（Cloud）資料庫，進行智能即時辨識與預警，可使用於災害區域。近年來因氣候變遷，災害來臨時都又快又急，強降雨所造成的土石流與堰塞湖等需要快速識別；應用人工智慧可以改善衛星通訊頻寬限制，透過衛星上第一時間資料自動解析，再搭配地面快速判讀等程序，快速反映給受災及援救單位，以減少救災反應時間及降低災害成本。
當衛星解析度設計越變越高，將會面臨拍照區域的刈福（像幅）變小的問題。太空中心的工程師，構思智能衛星的主酬載上面，搭載較低解析度，但具備廣視角之「前視光學遙測副酬載」，加上人工智慧和智能尋標輔助系統，可以使光學遙測衛星上，具有提前辨識有價目標，輔助衛星規劃實際取像路徑的概念，增加拍攝影像效能，並引導衛星拍攝時避開多雲區域，在海面搜索時可自動避開無目標物的功能。
圖二：以深度學習執行影像去模糊化之範例圖（圖片來源：太空中心提供）太空中心在影像去模糊及去雜訊應用處理方面，以傳統方法已經發展出受肯定的成果，現階段更利用人工智慧（AI）應用於去模糊（de-blur）處理，其概念首先從龐大的模糊與清晰配對影像資料庫，訓練（training）製做出清晰影像，將遙測衛星所拍攝的影像去模糊化，圖二是一個以深度學習執行影像去模糊化之範例圖，展示出經過每一圖層後的影像去模糊化的處理細節。
圖三：以深度學習執行影像融合之範例圖（圖片來源：太空中心提供）傳統的影像融合使用「光譜空間融合方法（spectral-spatial fusion methods）」，增強低分辨率的彩色圖像分辨率的技術。將高空間分辨率的黑白影像和低空間分辨率的彩色影像組合的融合技術。並且也有使用「小波分析」或「主成分技術（Principal Component technique）」去執行影像融合，目前許多文獻研究在影像融合應用上可以深度學習法取得相當不錯的成果，圖三是利用「3層反迴旋（convolution）深度學習架構」進行影像融合範例。
圖四：高解析度影像地形特徵資料庫示意（圖片來源：太空中心提供）在精準農業發展方面，太空中心將以衛星影像建構台灣地質地形特徵資料庫，供人工智慧特徵訓練使用。人工智慧成功的關鍵在於如何完備機器學習的正確率，這就需仰賴正確與適當的地形特徵影像訓練資料庫以及超高解析度農作物樣本之建立。
圖五：機場飛機標記（圖片來源：太空中心提供）城市化是全球主要地區的全球趨勢，依據大數據和人工智慧豐富的靈活分析，可以追踪並提供可視化甚至預測城市增長模式，可為城市規劃者提供重要資訊。除此之外，通過機器深度學習識別技術，可以幫助人們在衛星圖像中，發現各種人類的活動模式（pattern），透過影像特殊地物定義與識別，可以輕易地辨識機場的飛機標記以及飛彈基地等等，這也是國家太空中心在影像處理中人工智慧研發計畫的目標之一。
參考文獻
[1] 大數據的理念與應用. 翟本喬
[2] BKang, K., Li, H., Yan, J., Zeng, X., Yang, B., Xiao, T., & Ouyang, W. （2016）. T-cnn: Tubelets with convolutional neural networks for object detection from videos. arXiv preprint arXiv:1604.02532.
[3] Xiao Xiang Zhu, Devis Tuia, Lichao Mou, Gui-Song Xia, Liangpei Zhang, Feng Xu, Friedrich Fraundorfer. (2017). cs.CV: Deep Learning in Remote Sensing: A Review
