01為什麼選擇 U-Net 架構？

U-Net 最早應用於生物醫學影像分割，其最大的特徵是經典的「U 型結構」：左側為降採樣的編碼器（Encoder），負責提取高階語意特徵；右側為升採樣的解碼器（Decoder），負責還原圖像解析度。

最關鍵的創新在於 **跳躍連接 (Skip Connections)**——將編碼階段的高解析度細節特徵直接拼接到解碼階段，使 U-Net 能在保持極高解析度的同時，精準捕捉到極為細小的微痕、熱斑與邊界細節。

02應用場景：太陽能板瑕疵與遙測圖資分割

在我們進行的技術實作展示中，U-Net 被應用於以下兩個高難度場景：

  • 太陽能電廠 EL 影像瑕疵分割：在電致發光（EL）測試影像中，隱裂（Micro-crack）、黑晶與焊帶斷裂往往極細微。U-Net 能輸出像素級（Pixel-level）的遮罩，精算損壞面積比例，作為品質出貨依據。
  • 遙測衛星地貌劃分：針對空照圖進行建築物、水體與農作物區域的自動邊界勾勒，免去人工在 GIS 軟體中拉點的繁瑣作業。

03訓練與評估指標：Dice Coefficient 與 IoU

在語意分割任務中，傳統的像素準確率（Pixel Accuracy）常因背景區域極大而失真。我們主要採用 **Dice 係數 (Dice Coefficient)** 與 **交併比 (IoU - Intersection over Union)** 作為評價指標：

透過結合 Binary Cross-Entropy (BCE) 與 Dice Loss 的複合損失函數，能顯著改善瑕疵區域目標過小的背景不平衡問題，測試集 Dice 指標達 94.8% 以上。

04從模型到自動化報告匯出

模型推論產出的遮罩可自動轉存為向量坐標（Contour Polygons）或 PNG 圖層，並結合 Python 腳本生成自動化 PDF 檢測報告，包含瑕疵數量、面積比例與建議分類，大幅提升後續分析效率。

FAQ常見問題解答

語意分割 (Semantic Segmentation) 與傳統物件偵測 (Object Detection) 有什麼不同？

物件偵測僅標出目標的矩形框 (Bounding Box)，而語意分割為每個像素 (Pixel) 進行分類，能精準描繪出瑕疵或地貌的不規則形狀輪廓。

U-Net 適合處理小樣本或微小標的物嗎？

相當適合！U-Net 透過 Encoder-Decoder 架構與 Skip Connections，能完美結合高階語意特徵與低階細節特徵，在小樣本與微小瑕疵檢測中表現極佳。

模型可以產出透明圖層 (PNG Mask) 供其他系統使用嗎？

可以！模型輸出為二值化或多類別的矩陣遮罩，可自動轉存為 PNG 遮罩檔、GeoTIFF 坐標圖檔或向量 Contour 輪廓座標。