消防月刊查詢系統

無人機已成為消防搜救行動中重要的輔助工具，特別是在河川、水庫與海域等大範圍水域搜尋任務中，可有效降低人員風險並擴大搜索效率。近年來，結合人工智慧影像辨識技術進行即時目標偵測，更被視為未來智慧消防的重要發展方向。

然而，實務上常發現，使用一般行人或人體資料及訓練之 AI 模型，於搜溺任務中對落水者之辨識成功率有限，尤其在高空針對小目標、水面反光或落水者僅局部露出之情境下及其他雜物干擾，常出現漏判情形。顯示現行模型與消防實際需求之間，仍存在明顯落差。

▎貳、消防搜溺影像辨識之實務困境

與一般人型辨識相比，消防搜溺影像具有下列特別性：

一、姿態不規則性：

落水者常呈現仰漂、俯漂、側漂或半沉浮狀態，人體輪廓不完整，特殊動作與傳統直立人差異甚大。

二、環境干擾因素：

水面反光、波浪、漂流物、陰影及低能見度，均可能影響模型視覺辨識框選。

三、目標物極小：

無人機位於安全高度執行時，畫面中人體常僅佔數十像素，即使以肉眼辨識也相當困難。

四、顏色與環境背景相近：

人體與水面背景對比不足，降低可視特徵明顯度。（圖2）

▎ 參、YOLOv11 模型於消防應用

YOLOv11 為即時物件偵測模型，具備多尺度特徵融合及小目標辨識能力等特性，並能在有限運算資源下維持高推論速度，目前部署於XELER 無人機即時影像系統中，並且透過臺南市資料庫的建置持續強化水域搜溺的辨識率。（圖3、圖4）

▎ 肆、YOLO 軟體各類指標重點說明

以 YOLO 偵測模型（ 可選 YOLOv8/v11）做訓練與比較，找出在不同 sensor 設定下達到穩定可靠辨識的「平衡點」。設計訓練 + 驗證流程，並以明確指標（mAP@0.5、Precision、Recall、F1、False Positive Rate、False Negative Rate）判定何時停止訓練或收斂，避免模型過擬合或「鑽牛角尖」。另如以航拍機內建自動模式拍攝，其內建軟體會自動修正原始照片，也就是刻意美化照片，造成假的特徵點，如以該「美妝過的照片」給AI 辨識軟體學習，亦會造成錯誤學習，反倒讓AI 誤判，造成訓練分數高分，實際使用上無法框選。

圖5、YOLO V11 AI 模型訓練 訓練Epoch 為350 次示意圖

▎伍、落水者特殊姿勢資料建置方式

一、大體動作設計原則：

為避免模型僅學習單一人型特徵，造成AI 抓取特定特徵點過擬合化，參考過去落水者細分為多種類型，使模型能辨識不同姿勢特徵。

二、拍攝角度：

以大體為目標做360 度環繞拍攝，並調整鏡頭俯角，正攝90 度、60 度、30 度共3 種俯角角度，並讓目標物位置保持在畫面中央，中低俯角拍攝模擬實務搜尋視角。（圖6）

三、強化高空小目標建置：

以高度20M、30M、40M、60M 分別拍攝，低空建置用途於目標物，細節紋理邊緣對比，高空建置用於強化AI，針對小目標物的框選，實務上再利用高變焦鏡頭去確認，避免漏判情形發生。

四、圖資審核過濾：

拍攝前應統一解析度4K 為主，過高的解析度恐造成到後續硬體設備訓練及運算困難，並以光學變焦為主，排除數位變焦的失焦畫面。

▎陸、感光元件的影響

感光元件大小對 AI 的影響，1 吋以下高空小目標像素不足資訊破碎，每一個像素接收到的「真實光資訊量」，降噪後還能保留多少「細節紋理」，這直接影響：YOLO 能不能抓到人形輪廓、肢體姿勢AI 吃的是邊界+ 紋理，不是銳化過的假清楚，鏡頭MFT 的好壞差異；另外低SNR（訊號雜訊比）的噪點等於假特徵非常致命，會讓AI 誤學到ISO（感光度）噪訊紋路，誤判浪花搜尋的目標物。因感光元件小，在低光環境下相對的ISO自然會高會導致：

▎圖8：鏡頭品質拍攝圖資對AI 實際的影響

二、紋理被噪訊取代

三、模型學到錯的穩定特徵

拍照流程簡化版（類比轉化成數位）：

一、光量進鏡頭

二、感光元件接到「真實光子」

三、產生微弱電訊號

四、ISO 把這個電訊號放大（ISO 就是相機把感光元件收到的光放大幾倍來看）（圖8）

▎柒、消防實務應用效益

經建立一套標準化水域消防資料庫訓練之YOLOv11 模型，可有效輔助飛手快速標示疑似落水目標，降低飛手長時間以目視搜索之疲勞，並於後續邁向4G/5G 遠端自主導航搜索辨識，事先鋪陳。

▎捌、結語

消防搜溺任務具有高度時效性與環境不確定性，AI 影像辨識若能針對實際落水者姿態與環境特性進行資料庫建置與模型優化，將可大幅提升應用價值，並強化高空小目標框選。本文所提出之 YOLOv11 結合落水者特殊姿勢資料庫建置策略，可作為未來智慧消防搜溺系統發展之重要參考方向。